Transformer结构中的哪些关键点使Sora能够生成连贯且语义准确的长视频？
Transformer结构中的哪些关键点使Sora能够生成连贯且语义准确的长视频？
展开
收起
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
1
条回答
写回答
-
Transformer结构中的自注意力机制和交叉注意力机制是使Sora能够生成连贯且语义准确的长视频的两个关键点。
自注意力机制让每一个视频patch关注其他所有patch，保持视频连贯性和持久性。
交叉注意力机制则让每一个视频patch关注所有提示词文本token，使模型准确理解提示词语义意图。2024-06-28 23:40:28赞同 3 展开评论
相关问答