Sora技术报告介绍了OpenAI在视频生成模型方面的研究，利用文本条件扩散模型生成高保真视频。该模型采用时空补丁和变压器架构，能够生成不同分辨率和时长的视频，展现了在物理世界模拟中的潜力。同时，Sora还具备图像生成、视频编辑和与现实世界互动的能力，但仍存在一些局限性。

该文章介绍了一种基于文本条件的扩散模型，用于生成不同特征的视频和图像。模型采用了Transformer架构，并通过压缩视频数据和提取时空补片进行训练。研究结果显示，该模型是实现模拟物理世界的通用工具的有前途的一步。文章还介绍了Sora模型的能力和局限性，并探讨了视频模型的发展前景。

我们研究了在视频数据上大规模训练生成模型。通过联合训练文本条件扩散模型，我们的最大模型Sora能够生成高保真度的一分钟视频。这表明，扩展视频生成模型是构建通用物理世界模拟器的有前景的途径。