科技日報北京4月27日電 （記者何亮）27日，在中關(guān)村論壇未來(lái)人工智能先鋒論壇上，清華大學(xué)聯(lián)合北京生數科技有限公司（以下簡(jiǎn)稱(chēng)“生數科技”）正式發(fā)布中國首個(gè)原創(chuàng )全自研視頻大模型——Vidu。論壇現場(chǎng)，清華大學(xué)教授、生數科技首席科學(xué)家朱軍向與會(huì )者展示了Vidu生成的視頻，包括行駛在崎嶇道路上的汽車(chē)、戴珍珠耳環(huán)的貓、彈吉他的熊貓等。與此前震撼業(yè)界的Sora一樣，Vidu能夠根據文本描述直接生成高質(zhì)量視頻。

　　“長(cháng)時(shí)長(cháng)、高一致性、高動(dòng)態(tài)性”是Vidu的顯著(zhù)特征。朱軍表示，研發(fā)團隊的核心技術(shù)在于采用U-ViT架構。它由Diffusion與Transformer兩個(gè)模型融合而來(lái)，可支持一鍵生成長(cháng)達16秒的高清視頻內容。

　　除了在時(shí)長(cháng)方面優(yōu)勢突出，Vidu在視頻效果方面也實(shí)現顯著(zhù)提升。朱軍介紹，Vidu能模擬真實(shí)物理世界，生成的視頻不但場(chǎng)景細節復雜，而且符合物理規律，例如合理的光影效果、細膩的人物表情等。Vidu還具有豐富的想象力，能生成真實(shí)世界不存在的虛構畫(huà)面，創(chuàng )造出具有深度和復雜性的超現實(shí)主義內容。此外，Vidu可理解多鏡頭語(yǔ)言，生成的視頻不再局限于簡(jiǎn)單的推、拉、移等固定鏡頭，而是圍繞同一主體實(shí)現遠景、中景、近景、特寫(xiě)等不同鏡頭的切換，甚至能直接生成長(cháng)鏡頭、追焦、轉場(chǎng)等效果，給視頻注入豐富的鏡頭表達。Vidu還獨具文化特色，能很好理解中國元素，生成熊貓、龍等中國元素的視頻。

　　值得一提的是，論壇上展示的視頻都是從頭到尾連續生成，沒(méi)有明顯的插幀現象。朱軍說(shuō)，與Sora一樣，Vidu在文本到視頻的轉換過(guò)程中直接且連續，而且在底層算法上，是由單一模型完全端到端生成，不涉及插幀和其他多步驟處理。