---
title: "CogVideoX – 智谱AI推出的开源AI视频生成模型"
url: "https://paooo.com/aigc-news/27664/"
author: "Prompt 语宙研究院"
published_at: "2026-07-19T21:48:29+08:00"
updated_at: "2026-07-19T21:48:29+08:00"
categories: "AIGC 资讯"
tags: "AI绘画提示词, AI视频生成, Sora, 大模型微调, 智谱AI"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# CogVideoX – 智谱AI推出的开源AI视频生成模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/27664/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-19

## AI 30 秒核心看点 (TL;DR)

- 开源视频生成模型 CogVideoX 同源于智谱“清影”，可用英文提示词直接生成短视频。
- 最低 INT8 推理显存约 7.8GB，1080 Ti 也能跑，实操门槛明显低于同类大模型。
- 模型支持 6 秒、8 帧/秒、720×480 输出，并提供 CLI/WEB Demo、API 与微调指南。

## CogVideoX是什么

CogVideoX是智谱AI最新推出的开源[AI视频生成](https://ai-bot.cn/ai-video-generation-tools/)模型，与智谱AI的商业产品“** [清影](https://ai-bot.cn/sites/59040.html) **”同源。CogVideoX支持英文提示词，能生成6秒长、每秒8帧、分辨率为720*480的视频。模型推理需7.8-26GB显存，目前不支持量化推理和多卡推理。项目还包括3D Causal VAE组件用于视频重建，以及丰富的示例和工具，包括CLI/WEB Demo、在线体验、API接口示例和微调指南。

## CogVideoX的主要功能

- **AI文生视频**：支持用户输入的文本提示词生成视频内容。

- **低显存需求**：在 INT8 精度下，推理显存需求仅为 7.8GB，即使用 1080 Ti 显卡也可以完成推理。

- **视频参数定制**：可以定制视频长度、帧率和分辨率，目前支持6秒长视频，8帧/秒，分辨率为720*480。

- **3D Causal VAE技术**：使用3D Causal VAE技术，实现视频内容的高效重建。

- **推理与微调**：模型支持基本的推理生成视频，同时提供了微调能力，以适应不同需求。

## CogVideoX的技术原理

- **文本到视频生成**：CogVideoX使用深度学习模型，特别是基于Transformer的架构，来理解输入的文本提示并生成视频内容。

- **3D Causal VAE**：CogVideoX采用了3D Causal Variational Autoencoder（变分自编码器），一种用于视频重建和压缩的技术，能够几乎无损地重构视频，减少存储和计算需求。

- **专家Transformer**：CogVideoX使用专家Transformer模型，一种特殊的Transformer，通过多个专家处理不同的任务，例如空间和时间信息的处理，以及控制信息流动等。

- **编码器-解码器架构**：在3D VAE中，编码器将视频转换成简化的代码，而解码器根据这些代码重建视频，潜在空间正则化器确保编码和解码之间的信息传递更准确。

- **混合时长训练**：CogVideoX的训练过程采用混合时长训练，允许模型学习不同长度的视频，提高泛化能力。

- **多阶段训练**：CogVideoX的训练分为几个阶段，包括低分辨率预训练、高分辨率预训练和高质量视频微调，逐步提升模型的生成质量和细节。

- **自动和人工评估**：CogVideoX使用自动评估和人工评估相结合的方式，确保生成的视频质量达到预期。

## CogVideoX的项目地址

- **智谱清影体验**：[https://ai-bot.cn/chatglm-video/](https://ai-bot.cn/chatglm-video/)

- **CogVideoX-2B模型地址**：

HuggingFace模型库：[https://huggingface.co/THUDM/CogVideoX-2b](https://huggingface.co/THUDM/CogVideoX-2b)

- 魔搭社区模型库：[https://modelscope.cn/models/ZhipuAI/CogVideoX-2b](https://modelscope.cn/models/ZhipuAI/CogVideoX-2b)

- **CogVideoX-5B模型地址**：

HuggingFace模型库：[https://huggingface.co/spaces/THUDM/CogVideoX-5B](https://huggingface.co/spaces/THUDM/CogVideoX-5B)

- 魔搭社区模型库：[https://modelscope.cn/models/ZhipuAI/CogVideoX-5b](https://modelscope.cn/models/ZhipuAI/CogVideoX-5b)

- **GitHub仓库**：[https://github.com/THUDM/CogVideo](https://github.com/THUDM/CogVideo)

- **arXiv技术论文**：[https://arxiv.org/pdf/2408.06072](https://arxiv.org/pdf/2408.06072)

**CogVideoX-2B 与 CogVideoX-5B参数对比**

## CogVideoX的性能评估

为了评估文本到视频生成的质量，我们使用了VBench中的多个指标，如人类动作、场景、动态程度等。我们还使用了两个额外的视频评估工具：Devil 中的 Dynamic Quality 和 Chrono-Magic 中的 GPT4o-MT Score，这些工具专注于视频的动态特性。如下表所示。

## CogVideoX的应用场景

- **创意视频制作**：为独立视频创作者和艺术家提供工具，快速将创意文本描述转化为视觉视频内容。

- **教育和培训材料**：自动化生成教育视频，帮助解释复杂概念或展示教学场景。

- **广告和品牌宣传**：企业可以用CogVideoX模型根据广告文案生成视频广告，提高营销效果。

- **游戏和娱乐产业**：辅助游戏开发者快速生成游戏内动画或剧情视频，提升游戏体验。

- **电影和视频编辑**：辅助视频编辑工作，通过文本描述生成特定场景或特效视频。

- **虚拟现实(VR)和增强现实(AR)**：为VR和AR应用生成沉浸式视频内容，增强用户互动体验。

## 常见问题解答 (FAQ)

### CogVideoX支持哪些视频生成参数？
根据文中信息，CogVideoX当前支持英文提示词生成视频，默认可输出6秒长、8帧/秒、分辨率720×480的视频。文章同时提到可定制视频长度、帧率和分辨率，但现阶段公开能力以这些参数为主。

### CogVideoX推理需要多大显存？
文章给出的推理显存范围为7.8GB到26GB，其中在INT8精度下最低约7.8GB即可推理，甚至1080 Ti也能完成。需要注意的是，文中同时说明目前不支持量化推理和多卡推理。

### CogVideoX适合哪些应用场景？
文章列出的场景包括创意视频制作、教育培训、广告品牌宣传、游戏与娱乐、电影视频编辑，以及VR/AR内容生成。它更适合把文本快速转成短视频素材，用于创作、演示和营销。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
