Sora est un modèle de diffusion génératif de vidéos contrôlé par texte, entraîné sur un vaste ensemble de données. Il est capable de générer des vidéos haute définition d'une durée allant jusqu'à une minute, couvrant un large éventail de types de données visuelles et de résolutions. Grâce à un entraînement dans un espace latent comprimé de vidéos et d'images, décomposé en patchs spatio-temporels, Sora permet une génération vidéo évolutive. Sora démontre également certaines capacités de simulation du monde physique et numérique, telles que la cohérence et l'interaction 3D, révélant le potentiel de la mise à l'échelle des modèles génératifs de vidéos pour le développement de simulateurs hautement performants.