CogVideoX是智谱AI于2024年7月推出、8月开源的Diffusion‑Transformer（DiT）视频生成模型，主打文生视频（T2V）与图生视频（I2V），以高连贯、长时长、强可控与低显存占用为核心优势，同步上线“清影”平台，是国内首批商用级开源视频生成模型。以下从核心定位、技术架构、关键能力、版本与部署、适用场景等方面详细介绍。

核心定位与关键指标

• 定位：面向创作者与开发者的生产级视频生成，兼顾开源可定制与云服务易用性，覆盖短视频、广告、创意原型、内容二次创作等轻量化视频场景，不替代专业影视工业化流程。
• 核心指标（v1.5）：最长10秒、768P/4K分辨率、16fps/60fps、任意比例，支持文生/图生视频，复杂语义理解与运动合理性显著提升。

技术架构与创新点

1. 3D因果变分自编码器（3D Causal VAE）
   • 将原始视频数据压缩至2%，大幅降低训练与推理成本；采用因果3D卷积替代注意力模块，支持时间维度序列独立编解码，便于向更高帧率/更长时长泛化。
   • 结合3D RoPE位置编码，强化帧间时序依赖捕捉，提升视频连贯性与运动自然度。
2. 专家Transformer（Expert Transformer）
   • 移除传统cross‑attention，输入阶段直接连接文本与视频embedding，通过expert自适应层归一化弥合模态差异。
   • 3D全注意力+3D RoPE，强化视觉与语义对齐，提升复杂提示词理解与镜头/人物动作的细腻呈现。
3. 数据筛选与渐进式训练
   • 自动化数据筛选框架过滤“有害”数据（动态缺失、噪声大、编辑扭曲等），提升训练数据质量。
   • 渐进式训练Pipeline，从短时长/低帧率到长时长/高帧率逐步优化，兼顾效率与生成质量。
4. 低显存优化
   • 2B模型FP16推理仅需18GB显存，5B微调约40GB，单张4090可完成推理与微调，降低部署门槛。

核心功能与能力

1. 文生视频（T2V）
   • 支持复杂场景与多角色交互描述，生成镜头调度自然、动作连贯的视频，适配短视频、广告片、产品演示等。
   • 支持多风格指定（写实、卡通、赛博朋克等），同一提示可多通道并行生成，快速迭代创意。
2. 图生视频（I2V）
   • 保留原图主体、风格与构图，生成自然运动与镜头变化，支持任意尺寸比例，适配社交媒体、电商主图视频等。
   • 提升美学表现与运动合理性，减少变形与闪烁，适合静态素材动态化。
3. 可控性与扩展能力
   • 支持任意比例与分辨率，适配手机竖屏、宽屏、海报等场景；可指定镜头运动（推/拉/摇/移）与节奏。
   • 与CogSound音效模型联动，支持音视频同步生成，提升内容完整性。

模型版本与部署方式

1. 开源模型版本（截至2024年11月）

2. 部署与使用方式

• 云服务：清影平台（chatglm.cn/video），支持4K/60fps、多通道输出、音视频联动，无需本地算力。
• 本地部署：Hugging Face/ModelScope开源权重，适配ComfyUI等可视化节点工具，支持自定义微调与插件扩展。
• API调用：智谱开放平台提供T2V/I2V接口，支持批量生成与流程集成。

适用场景与局限

局限：长时长（＞10秒）连贯性仍有提升空间；超复杂物理交互与精细肢体动作生成精度有限；4K/60fps云服务需付费，本地部署对硬件要求较高。

总结

CogVideoX以开源+云服务双轨推进，平衡性能与易用性，是国内视频生成领域的重要突破，适合需要快速生成、可控性强、成本可控的视频创作与开发场景。随着版本迭代，其在长时长、高分辨率与多模态联动上的能力将持续增强。