在视频生成大模型这个赛道上，Vidu算得上一个里程碑式的存在。它由生数科技与清华大学联手打造，凭借自研的U-ViT架构，一举成为国内首个达到Sora级别的视频大模型。技术路线上的全球首创性是一方面，更重要的是，团队通过开源的UniDiffuser模型，已经验证了这套架构在大规模场景下的可扩展能力。

Vidu的能力不止于模拟真实物理世界——它同时具备相当丰富的想象力，支持多镜头生成，并且能在长时间跨度的视频中保持高时空一致性。技术底层融合了Diffusion与Transformer，创新性地开发出钱-ViT架构。在实际使用中，只需一键操作，就能生成最长16秒、分辨率达到1080P的高清视频。

它的核心功能亮点包括：

• 模型架构：Diffusion与Transformer的融合，让U-ViT架构既有扩散模型的生成质量，又有Transformer的长序列处理能力。

• 视频生成：一键生成最长16秒、1080P高清视频，在同类产品中属于第一梯队。

• 3D生成能力：仅凭简单文字输入，就能生成高质量、多样化的3D模型；也可以基于已有3D模型，对贴图等进行自动化编辑。此外还支持图像生成API调用和在线体验。

• 实际演示效果：官方展示的一个案例——“画室中的一艘船驶向镜头”，船和海浪的逼真程度相当惊艳，足以体现模型对物理世界的理解力。

• 高级特性：除了物理模拟，Vidu在想象力方面也很有看头，多镜头生成和高时空一致性让视频叙事更加连贯自然。

说到背后的团队，北京生数科技有限公司（简称“生数科技”）成立于2023年3月，核心班底来自清华大学人工智能研究院，同时汇集了阿里、腾讯、字节等知名科技公司的顶尖人才。这支团队在深度生成式算法领域积累深厚，拥有扩散概率模型底层的原创研发能力。公司的目标是打造世界领先的多模态大模型，融合文本、图像、视频、3D等信息，并探索生成式AI在艺术设计、游戏制作、影视后期、内容社交等场景的商业化落地——简单说，就是用AI提升创造力和生产力。