2024年初，Sora的初次亮相让世界惊叹于“世界模拟器”的概念。而到了2026年的今天，随着 Sora 2.0 的迭代与国产自研之光 可灵（Kling）3.0 的深度演进，视频生成技术已正式跨越了“像素级模仿”的初级阶段。
如果说早期的视频模型只是在“画出”连贯的图像，那么现在的 Sora 2.0 与 Kling 3.0 则是在虚拟的时空中“计算”万物的演化。本文将深度解析支撑这两款顶尖工具的核心——时空Transformer（Spatio-Temporal Transformer）架构，并拆解它们如何实现对物理世界的精准重构。
一、 范式转移：从 UNet 幻象到 Transformer 模拟
在视频生成领域，架构的演进经历了一场从卷积神经网络（CNN/UNet）向 Transformer 的彻底转型。
1. UNet 的局限性：局部性与扩展难
早期的视频扩散模型（如 Stable Video Diffusion）大多基于 3D-UNet。其核心瓶颈在于：
-
感受野受限： 卷积操作天生具有局部性，难以捕捉长距离的时间依赖，导致视频在超过 5 秒后往往出现“动作漂移”或逻辑断裂。
-
缩放效应（Scaling Law）不明显： 随着参数量的增加，UNet 的性能提升会迅速进入平台期，无法像大语言模型（LLM）那样通过堆叠算力和数据实现能力的质变。
2. Spatio-Temporal Transformer 的崛起
Sora 2.0 与 Kling 3.0 均采用了基于 DiT（Diffusion Transformer） 的改进版架构。它们将视频视为一个三维的“Token 流”。在这种设计下，视频被切分为离散的 3D Patches（时空补丁），每一个 Token 都能通过全局注意力机制（Global Attention）与视频中任意位置、任意时刻的 Token 进行交互。
这种统一表征使得模型不仅能理解图像的构图，更能在时空维度上理解因果律。
二、 技术干货：拆解“物理模拟”的核心组件
要理解为什么这些模型能生成符合物理规律的视频，我们需要拆解其底层的三个关键技术环节。
1. 灵活的时空补丁化（3D Patches & Flexible Latent）
Sora 2.0 引入了更加灵活的 Video Compression Network（视频压缩网络）。它不再要求输入视频必须是固定分辨率或固定时长，而是将原始视频在空间（H, W）和时间（T）维度上进行下采样，压缩进一个低维的潜空间（Latent Space）。
通过这种方式，模型可以将视频处理为一串长序列。对于 Transformer 而言，处理一段 10 秒的视频和处理一篇长文章在逻辑上是相似的，只是维度更高。Kling 3.0 在此基础上优化了动态掩码技术，使其能够原生生成各种长宽比，而不会产生拉伸畸变。
2. 联合时空注意力机制（Joint Spatio-Temporal Attention）
这是“物理感”来源的核心。早期的模型为了节省算力，通常采用“先做空间注意力，再做时间注意力”的分离式设计。但 Sora 2.0 与 Kling 3.0 坚持使用 Joint Attention。
在这种模式下，模型在计算每一帧的像素时，都在同时参考之前和之后所有帧的对应信息。这种高度的关联性保证了：
-
动量的连续性： 抛出的物体遵循物理上的惯性和抛物线轨迹。
-
交互物理： 当手部接触物体时，物体表面的形变与受力反馈在时空上是完全同步的。
3. 流量匹配（Flow Matching）与精度进化
相较于早期的标准扩散模型，Kling 3.0 引入了 Flow Matching（流量匹配） 技术。
传统的扩散模型在去噪过程中，其概率路径往往是弯曲且充满噪声的。而 Flow Matching 学习的是从纯噪声到清晰图像的直线概率路径。
这种技术带来的直接好处是生成的运动细节（如烟雾、流体、火焰）更加平滑真实。它在减少推理步骤（Sampling Steps）的同时，极大地提升了画面运动的丝滑程度，消除了视频生成中常见的“抽搐感”。
三、 深度解析：Sora 2.0 与 Kling 3.0 的技术差异化
虽然两者都基于时空 Transformer，但在实现路径上各有侧重。
Sora 2.0：极致的规模效应与世界常识
OpenAI 的策略是利用海量的视频数据（包括合成数据和游戏引擎生成的视频）来强制模型“学习”物理。Sora 2.0 的核心优势在于其强大的语义理解能力。由于深度集成了 GPT-5 级别的语言理解模块，它能精准理解复杂的物理指令，例如“在微重力环境下液体如何漂浮”。
Kling 3.0：高效调度与精细动作控制
可灵 3.0 则在工程层面进行了大量创新。针对亚洲人脸特征、复杂的烹饪动作以及精细的手部交互进行了深度优化。Kling 3.0 采用了更高效的显存调度策略，使其在单次生成时长和复杂动作的稳定性上表现优异。
在处理“遮挡关系”这一难题时，Kling 3.0 通过引入多视角先验，使得物体在被遮挡后重新出现时，能够完美保持其原有的形状和纹理，这种“物体持久性”是模拟真实物理世界的关键。
四、 为何称之为“物理引擎”时代？
目前的技术表现主要体现在以下三个以往难以逾越的难点上：
-
复杂流体模拟： 视频中牛奶倒入咖啡时的湍流、水滴溅起后的折射效果。模型通过数据习得了物理软件中偏微分方程（PDE）的表现形式。
-
材质反馈： 丝绒在风吹动下的细微褶皱与金属表面的高光反射随视角移动而变化。这证明模型理解了光路追踪与材质特性。
-
碰撞与破碎： 杯子落地破碎后的碎片飞溅路径，不再是随意的像素堆叠，而是表现出符合重力与动量守恒的规律。
五、 从“生成视频”到“模拟世界”
Sora 2.0 与 Kling 3.0 的进化路径揭示了一个清晰的趋势：视频生成模型正在演变为通用的世界模拟器。
这种演进将带来两个维度的变革：
-
具身智能的训练场： 机器人不再需要在物理世界中经历千万次的跌倒，它们可以在这些模型生成的模拟空间中进行高效的强化学习（RL），从而快速掌握复杂的物理技能。
-
电影制作的工业化： 导演将不再受限于昂贵的物理特效拍摄，只需通过 Prompt 描述物理参数，模型即可实时生成符合逻辑的视觉场景。
时空 Transformer 架构的成熟，标志着 AI 正式接管了视频创作中的“导演”与“物理模拟师”双重角色。Sora 2.0 与 Kling 3.0 不仅仅是效率工具，它们是人类数字化理解现实世界的镜像。随着算力的进一步释放，我们或许即将见证一个“虚实难辨”的视觉大爆发时代。
