今日，2024全球开发者先锋大会上，阿里云魔搭社区公布“ModelScope-Sora开源计划”，将以开源力量助力中国类Sora模型的探索和创新。该计划将为类Sora模型开发提供一站式工具链，涵盖数据处理工具、多模态数据集、类Sora基础模型、训练推理工具等。现阶段，魔搭发布了业界首个开源的多模态数据处理系统Data-Juicer，包含100多种高效算子，可大幅提升视频数据处理效率和质量。
Sora引发整个技术圈对多模态大模型的关注。除采用DiT模型架构外，学习了大量高质量数据，无疑也是Sora效果惊人的秘诀。
阿里通义实验室资深算法专家李雅亮表示，“数据决定了机器学习任务的天花板，只有‘投喂’的数据质量高、颗粒度细、数量多，模型训练才能走出‘垃圾进，垃圾出’的困境。”
图｜魔搭ModelScope-Sora开源计划
Data-Juicer开源，
去粗取精应对多模态数据
不过，类Sora模型的数据处理挑战极大。主流大数据框架并非为多模态数据设计，而视频处理难度较图文又大幅攀升，现有工具难以应对。因此，“ModelScope-Sora开源计划”首先上架了由阿里通义实验室研发的多模态数据处理系统Data-Juicer，它可对庞杂的多模态数据去粗取精，“榨出”更高质量、更丰富、更易“消化”的数据。
Data-Juicer支持文本、图片、音频、视频，内置筛选、映射、去重、格式化输出、美学打分等上百种高效算子，开发者可以像玩乐高一样自由组合。就像精于剪辑的导演，Data-Juicer能根据指定动作自动剪出视频片段，还能增强分辨率、调整宽高比、去除文本段，或通过计算光流判断视频动静，只保留精彩瞬间。此外，它还可自动打标，对光线变化、环境氛围都能精细捕捉并生成文字描述。
图｜魔搭开源的Data-Juicer流程示意图
李雅亮介绍，魔搭社区还推出了基于Data-Juicer的沙盒实验室。研发人员可以先在迷你数据集和模型上快速迭代，找到最合适的配方。
然后，在Data-Juicer的数据加工流水线上，开发者可以使用阿里云PAI来调用集群和GPU进行大规模数据处理，后续还可在PAI上一站式完成模型的训练、推理。
从模型、数据到工具，
魔搭助力中国类Sora模型开发
魔搭“ModelScope-Sora计划”同步开源了基础类Sora模型。华东师范大学博士生段忠杰联合魔搭社区，实现了DiT架构的视频生成扩散模型lite-Sora，并在小规模数据集上初步训练，得到能生成大幅度运动视频的实验模型。该模型正进一步深度训练，最终目标是完成对Sora的复现。
图｜魔搭开源的lite-Sora模型架构图
接下来，魔搭社区还将举办“ModelScope-Sora挑战赛”, 鼓励更多开发者打造并开源自己的类Sora模型，共同加速中国多模态大模型的发展。同时，魔搭将助力构建开放的中文高质量多模态数据集。
作为国内规模最大、最活跃的AI开源模型社区，阿里云魔搭目前已汇聚3000多款优质模型及上千数据集，为超过400万开发者提供模型及免费算力服务。
