研究助理

市场表现

Vidu直接对标Sora，Al时代不可忽视视频革命

投资要点：

. 国内视频大模型Vidu发布，性能直接对标国际领先水平。4月27日，清华大学联合生数科技正式发布了，中国首个长时间、高一致性、高动态性视频大模型Vidu。Vidu采用了原创的Diffusion与Transformer融合的架构U-ViT，支持文本生成长达16秒、分辨率高达1080P的高清视频内容。Vidu不仅能够模拟真实物理世界，还具备丰富想象力，具备多镜头生成、时空一致性高、遵循物理规律等技术特点。值得注意的是，Vidu 能够虚构出真实世界不存在的超现实主义画面，这是当前的视频生成模型难以实现的。Vidu主要功能包括多镜头生成、模拟真实世界、保持时空一致性、丰富的想象力、理解中国元素等。这也是继Sora发布之后，全球率先取得重大突破的视频大模型，性能直接对标国际顶尖水平，并加速功能迭代中。

Vidu的快速突破源于在U-ViT的技术长期积累与扎实的工程化能力。Vidu是由生数科技背后的清华团队支持的科研成果，团队在贝叶斯机器学习和多模态大模型具有长期积累和多项原创性成果。Vidu的核心技术U-ViT架构由团队于2022年9月提出，是全球首个Diffusion 与Transformer融合的架构，早于 Sora 采用的DiT。U-ViT架构不同于图片插帧等处理长视频的方法，感官更为“一镜到底”，视频质量更为连贯与自然。此外，团队较早将U-ViT应用于图文领域，具有扎实的工程化能力使之在Vidu实现良好的复用。2023年3月，团队开源了全球首个基于U-ViT融合架构的多模态扩散模型UniDiffuser，率先完成了U-ViT 架构的大规模可扩展性验证。据甲子光年，Vidu在视频任务中复用了图文工程实践经验，包括训练加速、并行化训练、低显存训练等，使之训练速度累计提升40倍。

视频领域已成为海内外大模型升级锚点，多模态成熟后加速向应用端普及。海外方面，OpenAICEO年初密集“剧透”在视频领域有所突破的GPT-5，且在2月份发布可生成1分钟高质量视频的 Sora；Google在推出原生多模态大模型Gemini之后，2月份推出Gemini1.5Pro，使用了MoE架构将模型的能力首破了100万极限上下文纪录。国内方面，继 Sora发布后，国内陆续开展文生视频实践。近期，除清华团队的Vidu 发布外，潞晨科技对其开源文生视频模型Open-Sora 进行了大更新，现在可生成16秒，分辨率高达720P的视频，且在不同尺寸、视频扩张等多模态的能力加速向 Sora靠齐。我们认为，多模态大模型的成熟有望驱动AIGC应用开发与实践。例如，2024年4月，Adobe 旗下的视频剪辑软件PremierePro通过引入Sora、Runway、Pika 等 AI 视频工具，实现在视频中添加物体、消除物体以及生成视频片段等能力，未来或将催生更多现象级AIGC应用的开发。

投资建议。我们判断，以Vidu、Sora 为代表的文生视频多模态大模型加速迭代将推动大模型走向成熟，不仅有利于提升下游AI应用普及度，而且将进一步刺激未来 AI训练与推理算力需求。建议关注AI多模态：万兴科技、虹软科技、当虹科技、中科创达、大华股份、海康威视、漫步者、萤石网络、汉仪股份、美图公司、云从科技等；AI算力：云赛智联、思特奇、恒为科技、海光信息、寒武纪、景嘉微、工业富联、拓维信息、浪潮信息、四川长虹、神州数码等；AI+办公：金山办公、万兴科技、福昕软件、彩讯股份、金蝶国际、泛微网络、致远互联、鼎捷软件、汉得信息，用友网络等；AI+教育/电商/医疗：科大讯飞、佳发教育、鸥玛软件、盛通股份、值得买、焦点科技、小商品城、润达医疗、嘉和美康、创业慧康等。

·风险提示：技术发展不及预期、产品落地不及预期、AI伦理风险等。

内容目录

1.Vidu 引领国产视频大模型革命..
2.U-ViT架构厚积薄发，工程实践大放异彩..
3．海内外大模型瞄准视频领域，加速向应用端延伸！ 9
4．投资建议... 11
5．风险提示... 11

图表目录

图1：AI《创世纪》预告片镜头语言单一. 4
图2：Vidu的"海边小屋"实现多镜头切换.. 4
图 3：Vidu 在"带珍珠耳环的猫"中保持时空一致性 .5
图4：Sora"一辆老式 SUV 行驶在山坡上"效果.. .5
图5：Vidu"一辆老式 SUV 行驶在山坡上"效果.. .5
图6：Vidu 模拟画室中的"帆船"与"海浪” .6
图7：Vidu 模拟"鱼缸女孩".. .6
图8：Vidu 生成"弹吉他的熊猫".. .6
图9：Vidu研发团队的成果梳理
图10：Sora 核心技术架构 DiT. 7
图11：Vidu 自研技术架构U-ViT. .8
图12：UniDiffuser具有较强的扩展性，能够实现多种功能图文转换.. .9
图13：Sora采用了DALL·E3的重标注技术以生成更高质量的视频.. .9
图14：Sora可生成1分钟长视频.. ..10
图15：Gemini输入文本、图像、语音和视频后输出文本图像. ..10
图16：Open-Sora 开源文生视频模型可生成16s、720P的长视频. ..10
图17：Adobe的PR实现在视频中添加物体、消除物体以及生成视频片段， .. 11
表1：Vidu 与 Sora 的对比..

1.Vidu引领国产视频大模型革命

Vidu是国内首个直接对标Sora的视频大模型。4月27日，在中关村论坛未来人工智能先锋论坛上，生数科技联合清华大学正式发布中国首个长时长、高一致性、高动态性视频大模型—Vidu。该模型采用原创的U-ViT架构,结合Difusion与Transformer技术，能够一键生成长达16秒、1080P分辨率的高清视频。Vidu能模拟真实物理世界，具备丰富的想象力，支持多镜头生成，保持时空一致性。这是自 Sora发布之后，全球率先取得重大突破的视频大模型，性能直接对标国际顶尖水平，并在加速迭代提升中，代表了中国在视频大模型领域的技术突破。

表1：Vidu 与Sora 的对比

指标	Vidu	Sora
推出时间	2024年4月	2024年2月
视频时长	16s	60s
视频清晰度	1080p	1080p
文生视频	√	√
图生视频	：	√
视频生视频	-	√
真实世界模拟	√	√
多镜头生成	√	√
时空一致性	√	√
技术架构	U-ViT	DiT

资料来源：生数ShengShu 微信公众号，data learner，OpenAl官网等，德邦研究所

我们判断，不同于仅聚焦“长”视频的大模型，Vidu已经在综合能力上成为继 Sora首个完成突破的大模型。归纳来讲，Vidu主要功能包括多镜头生成、模拟真实世界、保持时空一致性、丰富的想象力、理解中国元素等。目前，Vidu 在发布之际，生数科技特别推出“Vidu大模型合作伙伴计划”。

多镜头生成，给予视频“镜头语言”。现有AI生成的视频，能够明显地感觉到镜头语言的单调与叙事感的不足，镜头的运动仅包含了轻微幅度的推、拉、移等简单镜头。核心原因为现有的视频内容沿用的技术路径大多通过图片的插帧和拼接而成，对于长时序的连贯预测存在明显不足。Vidu突破这些局限，能够围绕统一主体在一段画面里实现远、中、近景、特写等多样化镜头的切换。此外，Vidu能直接生成转场、追焦、长镜头等效果，包括能够生成影视级的镜头画面，给视频注入镜头语言，显著提升画面的叙事感与质感。

图1：AI《创世纪》预告片镜头语言单一

资料来源：元宇宙简史微信公众号，德邦研究所

图2：Vidu的“海边小屋”实现多镜头切换

资料来源：生数ShengShu微信公众号，德邦研究所

保持时空一致性。AI视频生成较难突破画面时空一致性与场景在没有任何转场的情况下突变等问题。Vidu在一定程度上克服了这些问题。例如，从它生成的一段“带珍珠耳环的猫”的视频中可以看到，随着镜头的移动，作为画面主体的猫在 3D空间下能够一直保持服饰、表情、模态的一致，视频整体看上去非常的连贯、统一和流畅，表现出较好的时空一致性。

图3：Vidu在“带珍珠耳环的猫”中保持时空一致性

资料来源：生数ShengShu微信公众号，德邦研究所

模拟真实的物理世界。同 Sora 类似，Vidu 也能够很好地模拟真实物理世界的运动。例如，在模拟“一辆老式 SUV 行驶在山坡上”中，Vidu和Sora 模拟的效果非常相近，灰尘、光影、背景等细节与真实世界中人类的感知非常相近。

图4：Sora“一辆老式 SUV 行驶在山坡上”效果

资料来源：OpenAI官网，德邦研究所

图5：Vidu“一辆老式 SUV 行驶在山坡上”效果

资料来源：生数 ShengShu 微信公众号，德邦研究所

丰富的想象力。Vidu能够虚构出真实世界不存在的超现实主义画面，这是当前的视频生成模型难以实现的。例如，“帆船”“海浪”能够合理地出现在画室里，而且海浪与帆船的整体交互背景非常恰当自然；“鱼缸女孩”的片段也是不符实际的，但Vidu 能够给予人奇幻的合理感。

图6：Vidu模拟画室中的“帆船”与“海浪”

资料来源：生数 ShengShu 微信公众号，德邦研究所

图7：Vidu模拟“鱼缸女孩”

资料来源：生数ShengShu微信公众号，德邦研究所

理解中国元素。Vidu 能够生成特有中国元素的画面，比如熊猫、龙、宫殿场景等。

图8：Vidu生成“弹吉他的熊猫”

资料来源：生数ShengShu微信公众号，德邦研究所

我们认为，虽然Vidu在视频时长、视频效果、支持模态多样性等方面相比Sora仍有提升空间，然而在以镜头语言为代表的动态性，以及对物理世界规律的理解与模拟能力等方面已做到了Sora相近水平，Vidu或将发挥在国产视频大模型的“鲇鱼效应”，激励国产多模态大模型突破创新。

2.U-ViT架构厚积薄发，工程实践大放异彩

Vidu的研发团队为清华背景的生数科技，团队从事生成式人工智能和贝叶斯机器学习的研究超过20年。生数科技的核心团队来自清华大学人工智能研究院，此外汇集了来自阿里、腾讯、字节等知名科技公司的顶尖人才，是全球范围内领先的深度生成式算法研究团队，拥有扩散概率模型底层创新研发能力。公司致力于打造全球领先的多模态模型，在文本、图像、视频、3D等多模态信息中均有所探索。

凭借全球领先的科研成果，生数科技是目前国内在多模态大模型赛道估值最高的创业团队。自2023年成立以来，团队已获得蚂蚁集团、启明创投、BV百度风投、字节系锦秋基金等多家知名产业机构的认可，完成数亿元融资。此次Vidu的推出，是生数科技在多模态原生大模型领域的再一次创新和领先。

图9：Vidu研发团队的成果梳理

资料来源：新智元微信公众号，德邦研究所

生数科技两个月内快速突破能够生成16s 流畅视频的Vidu，核心原因是团队对U-ViT架构的深入理解以及长期积累的工程与数据经验。Vidu团队凭借在贝叶斯机器学习和多模态大模型的长期积累和多项原创性成果，生数科技3月份内部就实现了8秒的视频生成，紧接着4月份就突破了16秒生成，生成质量与时长全方面取得突破。

U-ViT架构同样是与Sora 类似的Diffusion和Transformer融合的架构，与 DiT架构的路径以及部分结论相似。2022年9月，生数科技团队研发出的U-ViT 网络架构是全球首个Diffusion 和Transformer 融合的架构，早于Sora采用的 DiT 架构。U-ViT与 DiT二者均提出了将Transformer与扩散模型融合的思路，即以Transformer的网络架构替代基于CNN的U-Net架构，并且在具体的实验路径是一致的。比如，二者采用了相同的 patchembedding、patch size；二者得出了同样的结论：patch size 为2*2 是最理想的。

图10：Sora 核心技术架构 DiT

资料来源：William Peebles& Saining Xie 《Scalable Diffusion Models with Transformers》，德邦研究所

图11：Vidu 自研技术架构U-ViT

资料来源：Fan Bao etal.《All are Worth Words:AViT Backbone for Difusion Models》，德邦研究所

U-ViT架构不同于采用插帧等处理长视频的方法，感官更为“一镜到底”，视频质量更为连贯与自然。从底层来看，这是一种“一步到位”的实现方法，基于单一模型完全端到端生成，不涉及中间的插帧和其他多步骤的处理，文本到视频的转换是直接且连续的。

此外，生数科技扎实的工程化能力也是团队快速突破Vidu的重要原因，即将图文能力迁移至文生视频领域。

1）开源UniDiffuser图文模型，验证U-ViT架构在大规模训练任务的可扩展性（ScalingLaw)。2023年3月，基于U-ViT架构，生数科技团队开源了全球首个基于U-ViT 融合架构的多模态扩散模型UniDiffuser，率先完成了U-ViT架构的大规模可扩展性验证，比同样 DiT 架构的 Stable Diffusion 3 领先了一年。UniDiffuser是在大规模图文数据集LAION-5B上训练出的近10亿参数量模型，支持图文模态间的任意生成和转换，具有较强的扩展性。简单来讲，除了单向的文生图，还能实现图生文、图文联合生成、无条件图文生成、图文改写等多种功能。

图12：UniDiffuser具有较强的扩展性，能够实现多种功能图文转换

资料来源：Fan Bao etal.《One Transformer Fits Al Distributions in Multi-Modal Diffusion at Scale》，德邦研究所

2)在视频任务中复用图文经验，包括训练加速、并行化训练、低显存训练等，训练速度累计提升40倍。视频本质是图片的集合，实现图像在时间维度的扩增，这使得图文任务取得的成果往往可以在视频领域复用。例如，Sora采用了DALL·E3的重标注技术，通过为视觉训练数据生成详细的描述，使模型能够更加准确地遵循用户的文本指令生成视频。Vidu同样复用生数科技在图文领域的众多经验。根据甲子光年，生数科技团队通过视频数据压缩技术降低输入数据的序列维度，同时采用自研的分布式训练框架，在保证计算精度的同时，通信效率提升1倍，显存开销降低80%，训练速度累计提升40倍。目前，Vidu仍在加速迭代，未来将从图任务的统一到融合视频能力持续升级，灵活的模型架构也将能够兼容更广泛的多模态能力。

图13：Sora采用了DALL·E3的重标注技术以生成更高质量的视频

资料来源：OpenAI官网，德邦研究所

3.海内外大模型瞄准视频领域，加速向应用端延伸

近期，以OpenAI与Google为代表的龙头厂商掀起海内外多模态“军备竞

赛”，瞄准视频领域加速迭代。

海外方面：1）OpenAICEO年初密集“剧透”GPT-5，相比GPT-4 实现全面升级，其中将支持文本、图像、代码和视频功能，或将实现真正的多模态；此外，2月发布文生视频大模型Sora，能够根据文本指令或静态图像生成1分钟的视频，其中包含精细复杂的场景、生动的角色表情以及复杂的镜头运动，同时也接受现有视频扩展或填补缺失的帧，能够很好地模拟和理解现实世界。2)Google推出原生多模态大模型Gemini，可泛化并无缝地理解、操作和组合不同类别的信息；此外，2月推出Gemini1.5Pro,使用MoE架构首破100万极限上下文纪录，可单次处理包括1小时的视频、11小时的音频、超过3万行代码或超过70万个单词的代码库。

图14：Sora可生成1分钟长视频

资料来源：OpenAI官网，德邦研究所

图15：Gemini输入文本、图像、语音和视频后输出文本图像

资料来源：Gemini Team 《Gemini:A Family of Highly Capable MultimodalModels》，德邦研究所

国内方面：继Sora发布后，国内便对文生视频展开了丰富的实践。近期，除生数科技通过技术沉淀发布Vidu外，国内潞晨科技公司对其开源文生视频模型Open-Sora 进行了大更新，现在可生成16秒，分辨率高达720P的视频。同时具备可以处理任何宽高比的文本到图像、文本到视频、图像到视频、视频到视频和无限长视频的多模态功能，性能加速向Sora靠齐。

图16：Open-Sora开源文生视频模型可生成16s、720P 的长视频

资料来源：AIGC开放社区微信公众号，德邦研究所

我们认为，多模态提升了大模型的泛化能力，在多元信息环境下实现“多专多能”，多模态尤其是视频大模型的成熟奠定了AIGC应用普及的基础，在垂直领域具有广阔的应用场景和市场价值。

4月15日，全球多媒体巨头Adobe 在官网宣布，将Sora、Pika、Runway等集成在视频剪辑软件PremierePro中（简称“PR")。在发布短片中，PR展现出在视频中添加物体、消除物体以及生成视频片段等能力。通过AI驱动的音频功能已普遍可用，可使音频的编辑更快、更轻松、更直观。我们判断，这将是多模态大模型在AIGC应用融合中的重要尝试，未来或将催生更多现象级应用的开发。

图17：Adobe的PR实现在视频中添加物体、消除物体以及生成视频片段

资料来源：Adobe官网，德邦研究所

4.投资建议

我们判断，以Vidu、Sora 为代表的文生视频多模态大模型加速迭代将推动大模型走向成熟，不仅有利于提升下游AI应用普及度，而且将进一步刺激未来AI训练与推理算力需求。

建议关注：

AI多模态：万兴科技、虹软科技、当虹科技、中科创达、大华股份、海康威视、漫步者、萤石网络、汉仪股份、美图公司、云从科技等；

AI算力：云赛智联、思特奇、恒为科技、海光信息、寒武纪、景嘉微、工业富联、拓维信息、浪潮信息、四川长虹、神州数码等；

AI+办公：金山办公、万兴科技、福昕软件、彩讯股份、金蝶国际、泛微网络、致远互联、鼎捷软件、汉得信息，用友网络等；

AI+教育/电商/医疗：科大讯飞、佳发教育、鸥玛软件、盛通股份、值得买、焦点科技、小商品城、润达医疗、嘉和美康、创业慧康等。

5.风险提示

技术发展不及预期：技术为AIGC多模态能力之基，技术发展不及预期将

严重制约AICG应用开发速度。

产品落地不及预期：产品落地不及预期将影响商业变现进程。

AI伦理风险：AI在人机耦合过程中可能产生伦理问题，带来相应风险。

信息披露

分析师与研究助理简介

陈涵泊：德邦证券计算机行业首席分析师，上海交通大学信息安全本科，电子与通信工程硕士，曾任职于中信证券研究部、天风证券研究所，多年计算机行业研究经验，具备成熟的计算机研究框架、自上而下产业前瞻视野，云计算领域深入研究。2022-2023年新财富最佳分析师入围（团队），2023年新浪金麒麟最佳分析师第五名（团队）。

分析师声明

本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度，独立、客观地出具本报告。本报告所采用的数据和信息均来自市场公开信息，本人不保证该等信息的准确性或完整性。分析逻辑基于作者的职业理解，清晰准确地反映了作者的研究观点，结论不受任何第三方的授意或影响，特此声明。

投资评级说明

1.投资评级的比较和评级标准：以报告发布后的6个月内的市场表现为比较标准，报告发布日后6个月内的公司股价（或行业指数）的涨跌幅相对同期市场基准指数的涨跌幅；2．市场基准指数的比较标准：A股市场以上证综指或深证成指为基准；香港市场以恒生指数为基准；美国市场以标普500或纳斯达克综合指数为基准。	类别	评级	说明
	股票投资评级	买入	相对强于市场表现20%以上；
		增持	相对强于市场表现5%~20%；
		中性	相对市场表现在-5%~+5%之间波动;
		减持	相对弱于市场表现5%以下。
	行业投资评级	优于大市	预期行业整体回报高于基准指数整体水平10%以上;
		中性	预期行业整体回报介于基准指数整体水平-10%与10%之间;
		弱于大市	预期行业整体回报低于基准指数整体水平10%以下。

法律声明

本报告仅供德邦证券股份有限公司（以下简称“本公司"）的客户使用。本公司不会因接收人收到本报告而视其为客户。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。

本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。

市场有风险，投资需谨慎。本报告所载的信息、材料及结论只提供特定客户作参考，不构成投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本报告中的任何意见或建议是否符合其特定状况。在法律许可的情况下，德邦证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。

本报告仅向特定客户传送，未经德邦证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。如欲引用或转载本文内容，务必联络德邦证券研究所并获得许可，并需注明出处为德邦证券研究所，且不得对本文进行有悖原意的引用和删改。

根据中国证监会核发的经营证券业务许可，德邦证券股份有限公司的经营范围包括证券投资咨询业务。

德邦证券-计算机行业：Vidu直接对标Sora，AI时代不可忽视视频革命-240501.pdf