思考题：为什么Sora最多只能生成1分钟长度的视频？最核心的原因应该是，相较于文本，视频需要记录的上下文长度要大得多。视频每秒钟就包含几十帧的图像，1分钟的视频可能有几千帧，而且还需要保证效果的一致性和连贯性，这里需要记忆的上下文长度可想而知，对于大模型来说是个非常大的挑战。当然除此之外，应该还有一些工程上的考量因素，比如计算资源的限制、大数据量的治理等等。