📌 项目地址：hpcaitech/Open-Sora | ⭐ 29,039 颗星 | 🔧 Python | 📜 Apache-2.0
2025年3月，一个11B参数的视频生成模型在VBench和人类偏好测试中与HunyuanVideo 11B、Step‑Video 30B打平，训练总成本只花了20万美元。这个项目叫Open‑Sora，GitHub星数2.9万，代码、权重、训练脚本、技术报告全部公开。
20万美元对于10B+级别的视频生成模型是什么概念？同类开源项目的成本通常在百万美元量级，商业产品更是千万级别。Open‑Sora 2.0 把这个数字压到了一个让中小团队也能尝试的程度。
这篇文章我会拆解它是怎么做到的，以及作为一个工程师，你能从这套开源仓库里拿走什么。
不止是推理，是一套完整训练系统
Open‑Sora 和市面大多数开源视频项目的区别：它不是只给个推理Demo和权重，而是公开了从数据清洗到分布式训练的全部代码。README 里列出的模块有：
- 数据预处理（运动检测、水印过滤、分辨率筛选）
- 3D‑VAE 训练与推理
- 基于 Rectified Flow 的扩散模型训练（
scripts/train.py） - 渐进式分辨率训练配置
- 分布式加速（集成 ColossalAI）
- 多模态输入（文本、图像、视频、任意宽高比）
你拿到代码后，不仅能跑生成，还能自己从头训练一个模型，或者对现有模型做微调。
五次迭代，每次只解决一个最窄的瓶颈
Open‑Sora 从1.0到2.0的演进路径很值得参考——他们不是一次性堆参数，而是单点突破：
1.0（2024.03）：证明可行性。用ColossalAI加速，3天训练出2秒512×512视频。目标就是把训练时间从几个月压到几天。
1.1（2024.04）：解决输入多样性。支持文本到视频、图像到视频、视频到视频、任意分辨率、无限时长拼接。核心是STDiT（Spatio‑Temporal Diffusion Transformer），能处理变长输入。
1.2（2024.06）：引入3D‑VAE和Rectified Flow。前者同时压缩空间和时间维度，显存占用比纯空间VAE低；后者用更少的采样步数（4步）输出清晰画面。这两个模块是后续成本下降的关键技术基础。
1.3（2025.02）：验证小型化可行性。参数量降到1B，效果没有明显劣化，适合算力有限的团队做实验或微调。
2.0（2025.03）：参数扩大到11B，但训练总成本仅20万美元。通过前面累积的数据清洗、渐进训练、分布式加速，加上硬件补贴，将成本控制到最低。
每个版本对应的技术报告在 docs/ 目录下：report_02.md（1.1）、report_03.md（1.2）、report_04.md（1.3）。建议从 report_03.md 开始读，它详细解释了3D‑VAE和Rectified Flow的设计取舍。
20万美元花在哪，怎么省
我读了论文arXiv:2503.09642v1和仓库代码，成本压缩主要靠四条路径：
1. 数据清洗：直接扔掉低质量视频
仓库有一套自动过滤脚本，把运动幅度低、画面静止、分辨率差、带水印的片段删掉。少喂垃圾数据，有效训练占比就高。这是最便宜且效果最明显的优化——不改模型，只改数据质量。
2. 渐进式分辨率训练
先在256×256小尺寸训练到收敛，然后逐步升到512×512、720p。直接上高分辨率大概率炸显存，阶梯式上升减少重训次数。每个阶段的学习率、batch size也对应调整，配置在 scripts/train.py 里可以看到。
3. ColossalAI 分布式加速
训练脚本直接集成了混合精度和ZeRO优化，你不需要自己搭分布式框架。改数据路径和超参数就能跑。README 还提到H200 GPU的优化配置和使用代金券的入口（来自 colossalai.org 的 bonus 页面）。
4. 硬件补贴
2024.12.23 博客提到，使用H200代金券能再省50%。申请入口在 colossalai.org/zh-Hans/docs/get_started/bonus/。即使没有补贴，11B模型总成本大约10万美元左右（论文和README说“only $200K”，这个数字算上了前期探索的总花费，但仍然远低于同类项目）。
这四条策略单个都不新鲜，但打包开源，代码和配置直接可用，才是真正值钱的地方。你想复现11B训练，只需要改 scripts/train.py 里的数据路径，数据清洗和分布式配置已经写好。
上手：三条路径，按你的资源选
路径一：在线试用（零硬件）
Hugging Face Spaces 上有 Gradio demo：https://huggingface.co/spaces/hpcai-tech/open-sora
不需要GPU，打开浏览器就能看生成效果。先判断值不值得投入硬件。
路径二：本地推理或微调
每个版本的权重在README里都有锚点链接（例如 1.3 在 #open-sora-13-model-weights）。2.0 权重链接指向 arXiv 论文，论文里给出了下载方式。权重是PyTorch格式，torch.load 直接能用。
硬件： 单卡24GB显存只能跑1B版本的推理或微调。11B必须多卡并行，参考ColossalAI的分布式配置。没有具体显存数字，按80GB H100/200估算，四卡以上才能跑完整训练。
路径三：从头训练
核心训练脚本是 scripts/train.py。具体参数和配置需要配合 docs/ 下的技术报告。我的建议阅读顺序：先读 docs/report_03.md（3D‑VAE和Rectified Flow），再读 report_02.md（多分辨率训练），最后看 report_04.md（1.3改进）。预算有限可以从1B版本开始，架构统一，改改参数就能在小规模上先行验证。
谁该用这个项目
如果你是想深入视频生成技术栈的工程师，Open‑Sora 是目前唯一能让你从头到尾看一遍完整训练管线的开源项目。你可以用它验证新的架构设计（比如换backbones、改flow sampling），也能拆出数据清洗模块用到自己的项目里。
如果你只是想快速生成一段可用的视频，商业产品（官方推荐的 Video Ocean）更省时间。Open‑Sora 的目标用户是研究者、有定制需求的团队、以及希望理解视频生成内部原理的开发者。
20万美元不是小钱，但对比其他10B+模型动辄上百万至千万的成本，它指明了一条更经济且可复制的路径。项目仍在迭代，3D‑VAE和Rectified Flow的组合在2.0中的表现已经够上主流水平。建议长期关注它的后续版本，尤其是成本控制方面的新尝试。