智谱AI近日正式宣布其视频生成模型迎来重大升级，并重磅推出新一代产品——CogVideoX。
目前，CogVideoX模型已全面登陆智谱清言的PC端、移动应用端及小程序端。对普通用户而言，最大的惊喜在于：所有人都能通过智谱清言的AI视频生成功能「清影」（Ying），免费畅享“文字转视频”与“图片转视频”的体验。
技术揭秘：CogVideoX的核心亮点
视频内容的连贯性差，是许多同类产品的常见痛点。智谱AI的解决方案很直接——自主研发了一套高效的三维变分自编码器结构（3D VAE）。该结构能够将原始视频数据压缩至原大小的2%，从而显著降低模型训练的成本与难度。通俗地讲，这相当于为模型“减负”，使其更专注于理解视频内容。配合3D RoPE位置编码模块，模型在时间维度上对帧间关系的捕捉能力大幅提升，视频中的长期依赖关系也随之建立。
再看可控性。智谱AI打造了一款端到端的视频理解模型，专门为海量视频数据生成精准的描述。这样一来，模型对文本的理解能力和指令遵循能力都上了一个台阶，生成的视频自然更贴合用户输入，即使是较长或较复杂的prompt指令也能轻松处理。
最后是架构层面的革新。模型采用了将文本、时间、空间三维一体融合的transformer架构。它摒弃了传统的cross attention模块，而是设计了Expert Block，专门用于对齐文本与视频两种不同模态的空间。同时，通过Full Attention机制进一步优化了模态间的交互效果。
「清影」实际表现如何？
生成速度快：生成一段6秒的视频仅需30秒。
指令理解精准：即使prompt非常复杂，也能准确捕捉用户意图。
内容连贯流畅：生成的视频能够较好地还原物理世界中的运动过程，无明显逻辑硬伤。
画面调度灵活：例如画面中有三只狗在奔跑，镜头可以流畅地跟随它们移动，显得充满灵性。
值得一提的是，除了面向普通用户的C端产品，智谱大模型开放平台 bigmodel.cn 也已同步部署了「清影」。企业和开发者可以通过API调用的方式，直接体验文本生成视频和图像生成视频的能力。这盘棋，布局深远。