智谱 AI 开源的高画质文/图生视频大模型,采用 3D 因果变分自编码器与专家 Transformer 架构。
在 GitHub 与 Hugging Face 全面开源权重与代码(CogVideoX-2B / 5B),支持本地消费级与企业级显卡免费部署。
CogVideoX 是由中国顶尖人工智能企业智谱 AI(与清华大学团队紧密联合)开源的新一代工业级高画质视频生成大模型基座。面对闭源商业视频模型(如 Sora、Gen-3)的技术封锁,CogVideoX 的全量开源为全球开发者与视觉创作者提供了强大的本地化生成利器。CogVideoX 拥有两大核心工程突破:一是独创的 3D 因果变分自编码器(3D Causal VAE),能够在空间与时间两个维度上实现高达 8x8x4 的超高倍率视频潜空间无损压缩,极大缓解了显存消耗;二是摒弃了传统 Cross-Attention 结构,全面转向了统一的多模态 Expert Transformer 架构,实现了文本提示词与视频时间序列特征的深度交融。模型支持文本生视频(Text-to-Video)与图片生视频(Image-to-Video),提供 2B 和 5B 两种规格,兼顾了消费级显卡部署可行性与影视级电影运动质感。