أخيراً كشفت Meta عن يدها ضد Sora، و Movie Gen هو أكثر من مجرد مولد فيديو — إنه مجموعة من نماذج الأساس التي تنتج فيديو HD بدقة 1080p عبر نسب عرض متعددة مع صوت متزامن، وتدعم تحرير الفيديو بناءً على التعليمات الدقيقة، وتستطيع توليد مقاطع فيديو شخصية بناءً على صورة المستخدم. تقارن هذه المراجعة التفصيلية إصدار Meta بشكل مباشر مع Sora من OpenAI، مع تحليل المكان الذي تؤتي فيه رهانات الهندسة المعمارية لكل نظام ثمارها، وحيث تقع المقايضات، وكيف يبدو أن المختبرين ينحرفان عن ما يجب أن تبدو عليه نموذج الفيديو الأساسي في الواقع.

المركزية هي شبكة Transformer بـ 30 مليار معامل مدربة بأقصى طول سياق يبلغ 73 ألف رمز فيديو — كافٍ لـ 16 ثانية من الفيديو المولد بسرعة 16 إطار في الثانية — مع مطالبات SOTA جديدة عبر توليف الفيديو من النص إلى الفيديو، وتخصيص الفيديو، وتحرير الفيديو، وتحويل الفيديو إلى الصوت، وتوليف الصوت من النص إلى الصوت. تمر المراجعة عبر الابتكارات التقنية التي تسلط عليها Meta الضوء: تصميم الهندسة المعمارية والفضاء الكامن، وأهداف التدريب والوصفات، وتنسيق البيانات، وبروتوكولات التقييم، وتقنيات المعالجة المتوازية، وتحسينات الاستدلال. إذا كنت تبني أو تقيم أنظمة الفيديو والصوت التوليدية، فهذه المقارنة هي بوصلة جيدة لمعرفة أين يستقر الحد الفعلي في الوقت الحالي.