Sora 2 模型 vs Sora 1 — 为什么是 GPT-3.5 时刻
Sora 1 是什么
2024 年 2 月，OpenAI 以研究预览形式发布了第一代 Sora 模型。它是基于扩散 Transformer 架构的文生视频模型，可以生成一分钟长的 1080P 视频。
当时媒体的评价是「AI 视频的 GPT-1 时刻」——第一次让视频生成看起来「真的在工作」：物体的永久性（object permanence）、物体之间的空间关系，这些之前模型要么做不到要么做得很糟的能力，第一次稳定出现了。
但 Sora 1 从未作为面向公众的产品发布。它只在 2024 年 12 月以 sora.com 网页工具的形式对 ChatGPT Plus 和 Pro 用户做了有限开放。
Sora 2 是什么
2025 年 9 月 30 日，Sora 2 模型和同名社交应用一起发布。OpenAI 官方把它称作「AI 视频的 GPT-3.5 时刻」——从「能跑的原型」到「生产可用的工具」的跨越。
核心跨越在四个维度：
| 维度 | Sora 1 | Sora 2 |
|---|---|---|
| 音频 | 无，生成无声视频 | 声画一体：对白、音效、环境声同步生成 |
| 物理 | 偶尔正确，经常穿模 | 物理模拟，会模拟「失败态」 |
| 时长 | 最长 60 秒 | 应用端约 10 秒，网页端 Pro 20 秒 |
| 分辨率 | 1080P（研究级） | 应用端 480P/720P，Pro 1080P |
| 可控性 | 单镜头、无角色一致性 | 多镜头连续性、世界状态保持 |
世界模拟器视角
Sora 团队的核心思路转变是把视频生成看作「世界模拟」而不是「画面拼接」。传统模型是逐帧生成画面，然后想办法让帧与帧之间衔接起来。Sora 2 则是先在模型内部构建一个持续运转的世界状态，然后从这个状态里渲染出每一帧。
这个视角的好处很多：
- 物体不会突然消失或变形，因为世界状态里它一直存在
- 物理规律可以被内化：重力、惯性、碰撞——模型不需要先做物理计算再贴图
- 多镜头切换自然：因为都是同一个世界状态的不同视角
- 失败态可以被模拟：投篮不进真的会砸筐弹回，而不是为了满足提示词「作弊」让球进篮
架构
Sora 2 沿用扩散 Transformer 架构，但做了针对视频的大规模改造。它同时处理：
- 空间信息：画面里有什么、长什么样（视觉 Transformer）
- 时间信息：物体怎么动（时序 Transformer）
- 语义信息：自然语言理解（NLP 模块）
- 音频信息：对白、音效、环境声（音频编码器）
官方没有公开具体参数，但从训练规模和效果来看，它是当时最大的视频生成模型之一。
延伸阅读：物理模拟与失败态建模、声画一体生成能力