视频生成进入DiT时代：从Sora到开源模型的架构演进

2024年初，OpenAI发布Sora，展示了生成逼真分钟级视频的能力，也让一个技术名词进入大众视野——DiT（Diffusion Transformer，扩散Transformer）。此前的视频生成模型大多基于U-Net架构，而Sora证明：将扩散过程与Transformer结合，可以在视频生成任务上实现显著的能力跃升。DiT的核心思想并不复杂：把图像或视频切分成patch（块），像处理文本to