Open-Sora

数据规模与来源

Open-Sora 2.0（arXiv 2503.09642）训练样本为 7000 万（256px T2V）、1000 万（256px T/I2V）、500 万（768px T/I2V）[1]。2.0 未点名视频来源；早期版本使用 panda-70m 等开源集，许可状态沿上游。总训练成本 $199.6K（约 4160 H200 GPU 天），是少数公开成本的视频模型。

加工

原始视频规则过滤：<2s、bpp<0.02、<16fps、宽高比超出 [1/3,3] 者丢弃；FFmpeg 场景切分、去黑边、>8s 切段；五类打分过滤：美学、运动、模糊、OCR、抖动。caption 方面 256px 用 LLaVA-Video，768px 用 Qwen2.5 Max [1]。

缺口

SFT 与偏好数据量未披露，无自有平台、无授权库，也无合成数据；法律事件未查到。其价值在于复现路径清晰而非数据独家。