Přeskoč na hlavní obsah
OpenAI

Všechna videa na této stránce byla vytvořena přímo v Sora bez úprav.

Načítání…

Učíme umělou inteligenci porozumět a simulovat fyzický svět v pohybu s cílem trénovat modely, které pomáhají lidem řešit problémy vyžadující interakci v reálném světě.

Představujeme Sora, náš model převodu textu na video. Sora dokáže vytvořit videa dlouhá až minutu při zachování vizuální kvality a dodržování promptu uživatele.

V současné době je Sora k dispozici pracovníkům červených týmů pro hodnocení kritických oblastí z hlediska škod nebo rizik. Také poskytujeme přístup řadě vizuálních umělců, designérů a filmařů, abychom získali zpětnou vazbu o tom, jak model vylepšit, aby byl co nejvíce užitečný pro kreativní profesionály.

Sdílíme náš pokrok ve výzkumu včas, abychom mohli začít spolupracovat a získat zpětnou vazbu od lidí mimo OpenAI a dát veřejnosti představu o tom, jaké schopnosti AI se rýsují na obzoru.

Sora dokáže vytvořit složité scény s více postavami, specifickými typy pohybu a přesnými detaily objektu a pozadí. Model rozumí nejen tomu, o co uživatel požádal v promptu, ale také tomu, jak tyto věci existují ve fyzickém světě.

Model má hluboké porozumění jazyku, což mu umožňuje přesně interpretovat prompty a vytvořit přesvědčivé postavy vyjadřující živé emoce. Sora může také vytvořit více záběrů v rámci jednoho vygenerovaného videa, které přesně zachovávají znaky a vizuální styl.

The current model still has room for improvement. It may struggle to simulate the physics of a complex scene, and may not comprehend specific instances of cause and effect (for example: a cookie might not show a mark after a character bites it). The model may also confuse spatial details included in a prompt, such as discerning left from right, or struggle with precise descriptions of events that unfold over time, like specific camera trajectories.

Bezpečnost

Před zpřístupněním Sora v produktech OpenAI podnikneme několik důležitých bezpečnostních opatření. Spolupracujeme s pracovníky červených týmů – odborníky na domény jako dezinformace, nenávistný obsah a zaujatost – kteří budou model testovat z pohledu protivníka.

Také vyvíjíme nástroje, které pomáhají odhalovat zavádějící obsah, jako je detekční klasifikátor, který dokáže zjistit, kdy bylo video vytvořeno pomocí Sora. Plánujeme v budoucnu zahrnout C2PA metadata(otevře se v novém okně), pokud model nasadíme do produktu OpenAI.

Kromě toho, že vyvíjíme nové techniky pro přípravu na nasazení, využíváme stávající bezpečnostní metody(otevře se v novém okně), které jsme vytvořili pro naše produkty používající DALL·E 3, a které jsou použitelné i pro Sora.

Například, jakmile je v produktu OpenAI, náš klasifikátor textu zkontroluje a odmítne textové vstupní prompty, které porušují naše zásady používání, jako jsou ty, které vyžadují extrémní násilí, sexuální obsah, nenávistné obrázky, podobu celebrit nebo duševní vlastnictví jiných. Také jsme vyvinuli robustní klasifikátory obrázků, které se používají ke kontrole snímků každého vytvořeného videa, abychom zajistili, že dodržují naše zásady používání, než se zobrazí uživateli.

Budeme zapojovat tvůrce politik, pedagogy a umělce z celého světa, abychom pochopili jejich obavy a identifikovali pozitivní případy použití této nové technologie. Navzdory rozsáhlému výzkumu a testování nemůžeme předvídat všechny prospěšné způsoby, jak lidé budou používat naši technologii, ani všechny způsoby, jak ji budou zneužívat. Proto věříme, že učení se z reálného používání je nezbytnou součástí vytváření a zavádění stále bezpečnějších systémů umělé inteligence.

Research techniques

Sora je difúzní model, který vytváří video tím, že začíná s videem, které vypadá jako statický šum, a postupně ho transformuje odebráním šumu v mnoha krocích.

Sora dokáže vytvořit celá videa najednou nebo prodloužit již vytvořená videa, aby byla delší. Tím, že jsme modelu umožnili předvídat mnoho snímků najednou, jsme vyřešili náročný problém, jak zajistit, aby objekt zůstal stejný, i když dočasně zmizí z dohledu.

Podobně jako modely GPT používá Sora architekturu transformátoru, která umožňuje vynikající škálovací výkon.

Videa a obrázky vyjadřujeme jako kolekce menších datových jednotek nazývaných patche, z nichž každá je podobná tokenu v GPT. Sjednocením způsobu vyjádření dat můžeme trénovat difuzní transformátory na širší škále vizuálních dat, než bylo dříve možné, pokrývající různé délky trvání, rozlišení a poměry stran.

Sora staví na předchozím výzkumu modelů DALL·E a GPT. Využívá techniku přepisování z DALL·E 3, která spočívá ve vytvoření velmi podrobných textových popisků pro vizuální tréninková data. Díky tomu je model schopen ve vytvořeném videu věrněji dodržovat textové pokyny uživatele.

Kromě toho, že model dokáže vytvořit video pouze z textových pokynů, umí také vzít existující statický obrázek a vytvořit z něj video, přičemž animuje obsah obrázku s přesností a pozorností k detailům. Model může také vzít existující video a rozšířit ho nebo doplnit chybějící snímky. Zjistěte více v naší technické zprávě.

Sora slouží jako základ pro modely, které dokáží pochopit a simulovat reálný svět, což je schopnost, o níž se domníváme, že bude důležitým milníkem pro dosažení obecné umělé inteligence (AGI).

Načítání...