Zhipu AIがオープンソース化した最先端動画生成基盤モデル。3D因果VAEとエキスパートTransformerにより高画質動画を生成。
GitHubおよびHugging Faceでモデル重みと推論コードを完全無償公開(2B/5B)。ローカルGPU環境で自由にデプロイ可能。
CogVideoXは、中国の先端AI企業Zhipu AI(清華大学発ベンチャー)が開発し、世界中を驚かせた次世代オープンソース動画生成基盤モデルです。SoraやRunway Gen-3などの商業モデルが非公開となる中、CogVideoXは重みと推論パイプラインを完全公開し、オープンな動画生成AIのエコシステムを牽引しています。その核となるのは2つの技術的ブレークスルーです。第1に、時間と空間の両次元を「8×8×4」という超高倍率で圧縮する「3D因果変分自己符号化器(3D Causal VAE)」を開発し、膨大なVRAM消費を大幅に抑制。第2に、従来のCross-Attentionを廃し、テキストと映像の特徴量をひとつのトランスフォーマー内で深く融合する「Expert Transformer」アーキテクチャを採用しました。テキストからの動画生成および画像からの動画生成に対応し、2Bと5Bの2モデルを提供。市販のゲーミングGPUから企業向けクラスタまで幅広く活用されています。