Sora 生成视频的流程
那 Sora 是怎么做的呢？接下来我们通过一张图来了解下 Sora 的工作流程，
大概可以简化为三个部分：
简单来说，Sora 就是依赖了两个模型 Latent Diffusion Model (LDM) 加上
Diffusion Transformer (DiT)。我们先简要回顾一下这两种模型架构。
LDM 就是 Stable Diffusion 使用的模型架构。扩散模型的一大问题是计算需求
大，难以拟合高分辨率图像。为了解决这一问题，实现 LDM 时，会先训练一
个几乎能无损压缩图像的自编码器，能把 512x512 的真实图像压缩成 64x64
的压缩图像并还原。接着，再训练一个扩散模型去拟合分辨率更低的压缩图像。
这样，仅需少量计算资源就能训练出高分辨率的图像生成模型。
LDM 的扩散模型使用的模型是 U-Net。而根据其他深度学习任务中的经验，相
比 U-Net，Transformer 架构的参数可拓展性强，即随着参数量的增加，
资源评论
