估计是之前换默认的环境，现在新环境不在环境变量里了吧。结果不知道为什么我pip不能用了。用这个命令清除了设置之后就可以了。

Sora好像是通过ViT来实现的，ViT就是Vision Transformers，就是Transformers不是会把句子中的词变成向量加位置信息吗。ViT会把图片分成Patch（就理解成图像块即可），这些块有点类似于图片中的“词”，把这些词变成二维向量，再拉长成一维，然后加位置信息之后就像句子的向量一样处理。可以看到相比之前的诡异的变换的AI视频，Sora生成的视频逻辑上都是没毛病的，不会有那