很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請(qǐng)把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會(huì)有專(zhuān)人和您聯(lián)系
咨詢(xún)?nèi)绾纬蔀榇河鹱髡哒?qǐng)聯(lián)系：鳥(niǎo)哥筆記小羽毛（ngbjxym）
來(lái)源：Agent的潛意識(shí)
今天我們來(lái)正式研究谷歌的最新視頻合成論文videopoet: A Large Language Model for Zero-Shot Video Generation。這篇論文是一個(gè)劃時(shí)代的產(chǎn)品，之所以這么說(shuō)，他有兩個(gè)核心貢獻(xiàn)：1、將文本、視頻、圖片、音頻統(tǒng)一編碼成一個(gè)codebook空間，然后用LLM那套訓(xùn)練范式訓(xùn)練。2、效果上，他可以合成5秒(41幀）的視頻，核心突破是它可以保持運(yùn)動(dòng)的一致性。這一點(diǎn)（ motion）很難，因?yàn)槿祟?lèi)對(duì)動(dòng)作連貫性很敏感。稍微有些別扭就覺(jué)得視頻很假。
這篇文章的方法可以說(shuō)跟Sora差別很小，像文本視頻音頻統(tǒng)一編碼就完全是一樣的。核心差別在于訓(xùn)練任務(wù)的不一樣上。Sora跟 李飛飛他們的工作WALT [4] 是一樣的，就是在訓(xùn)練任務(wù)上，一個(gè)擴(kuò)散模型；而videopoet是一個(gè)mask自回歸模型。
這兩種范式各有千秋，前一種合成圖片視頻的真實(shí)場(chǎng)景逼真度更高，后一種方法合成視頻音頻的連貫性更好。應(yīng)該結(jié)合起來(lái)一起用。
之所以有這樣的區(qū)別，我仔細(xì)思考了下背后的數(shù)學(xué)邏輯：前者的diffusion擴(kuò)散模型，他是針對(duì)原圖增加高斯噪聲，然后讓模型學(xué)習(xí)去燥，這樣模型更能學(xué)到逼真度高的畫(huà)卷方法，他讓模型去學(xué)習(xí)了像素的真實(shí)分布規(guī)律。這一點(diǎn)我多講一句，我想起學(xué)校生涯的時(shí)候?qū)熝芯侩[寫(xiě)分析的領(lǐng)域知識(shí)，就是將一張圖片里的一些像素值改掉，然后讓檢測(cè)器檢測(cè)出來(lái)哪些圖片有篡改，哪些沒(méi)有。那么這個(gè)擴(kuò)散模型其實(shí)就是干這個(gè)活，只是不是手工篡改像素值，而是利用高斯噪聲來(lái)篡改像素值。而后一種mask回歸任務(wù)呢，他主要特征是前一幀預(yù)測(cè)后一幀，或者是圖片中心預(yù)測(cè)整個(gè)四周，四周預(yù)測(cè)中心或者左邊預(yù)測(cè)右邊這些任務(wù)，他整個(gè)任務(wù)設(shè)計(jì)的就是next token的意思，當(dāng)然就主要學(xué)習(xí)視頻的連貫性了。
因此，sora你可以理解為WALT的改進(jìn)版。并不神秘。模型結(jié)構(gòu)變大了，然后數(shù)據(jù)變多了，然后更高清了。效果更好了。后面我們?cè)傺凶xWALT。
言歸正傳。我們來(lái)正式解刨videopoet。這篇文章知識(shí)密度很高。我看了好久才搞懂。
scaling law的正確姿勢(shì)：訓(xùn)練videopoet需要多少GPU
我們來(lái)認(rèn)真盤(pán)一下這個(gè)事情。他也是大家很關(guān)心的事。
Mask模型本質(zhì)是一個(gè)分類(lèi)器，預(yù)測(cè)next token是什么。經(jīng)典圖像分類(lèi)工程中，imagenet數(shù)據(jù)集，共1000個(gè)類(lèi)別，你可以認(rèn)為是token的cookbook是1000 的size，然后總數(shù)據(jù)集是128萬(wàn)，合每個(gè)類(lèi)別1300張圖片的樣子。這個(gè)類(lèi)比的意思是，一個(gè)token的全分布概率計(jì)算，需要1300個(gè)樣例來(lái)統(tǒng)計(jì)。
GPT1的詞典大小是40,478 個(gè)，GPT-2的詞典大小為50257個(gè)，因此詞典差別不是很大，那么我們姑且假定GPT4的詞典大小為6萬(wàn)，他的數(shù)據(jù)集呢，是13萬(wàn)億個(gè) token，也就是每個(gè)token有2億個(gè)樣例來(lái)計(jì)算全分布概率才能達(dá)到GPT4的效果。
題外話：
大模型之所以大，核心問(wèn)題就是詞典大小太大，導(dǎo)致最后一層的預(yù)測(cè)softmax層參數(shù)巨大，需要大量的樣例才能將這些參數(shù)完整訓(xùn)練出來(lái)。因此造成了大的資源浪費(fèi)。我覺(jué)得這個(gè)是一個(gè)巨大的bug。是否可以分層分group分步執(zhí)行，將這個(gè)計(jì)算量降低，因?yàn)楸緛?lái)就不符合邏輯，這么巨大的cookbook其實(shí)不符合人類(lèi)的認(rèn)知邏輯的，我們會(huì)將禮拜天和星期日當(dāng)一個(gè)token，而LLM的話就是兩個(gè)，其實(shí)是可以壓縮的。
本文為作者獨(dú)立觀點(diǎn)，不代表鳥(niǎo)哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥(niǎo)哥筆記版權(quán)及免責(zé)申明》 如對(duì)文章、圖片、字體等版權(quán)有疑問(wèn)，請(qǐng)點(diǎn)擊 反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國(guó)家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶(hù)創(chuàng)造的內(nèi)容、維護(hù)開(kāi)放、真實(shí)、專(zhuān)業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶(hù)和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶(hù)創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國(guó)未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國(guó)家安全，泄露國(guó)家秘密，顛覆國(guó)家政權(quán)，破壞國(guó)家統(tǒng)一，損害國(guó)家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國(guó)家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過(guò)網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶(hù)及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來(lái)激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對(duì)方難堪；
6)謾罵：以不文明的語(yǔ)言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類(lèi)的攻擊；
8)威脅：許諾以不良的后果來(lái)迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶(hù)體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣(mài)產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶(hù)點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購(gòu)買(mǎi)或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營(yíng)銷(xiāo)內(nèi)容，如通過(guò)偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營(yíng)銷(xiāo)；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過(guò)頭像、用戶(hù)名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問(wèn)題進(jìn)行求助或咨詢(xún)；
4)問(wèn)自己或他人的八字、六爻、星盤(pán)、手相、面相、五行缺失，包括通過(guò)占卜方法問(wèn)婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來(lái)誘導(dǎo)用戶(hù)；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動(dòng)「飯圈」粉絲攀比炫富、奢靡享樂(lè)等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過(guò)「蹭熱點(diǎn)」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過(guò)主動(dòng)發(fā)現(xiàn)和接受用戶(hù)舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個(gè)用戶(hù)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶(hù)違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過(guò)作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶(hù)對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過(guò)「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)