智谱AI开源最新版视频模型CogVideoX v1.5，上线10秒4K"新清影"

今日，智谱技术团队发布了其最新的视频生成模型 CogVideoX v1.5，并将其开源。这一版本是自8月以来，智谱技术团队推出的 CogVideoX 系列中的又一重要进展。

据了解，此次更新大幅提升了视频生成能力，包括支持5秒和10秒的视频长度、768P 的分辨率以及16帧的生成能力。同时，I2V（图像到视频）模型也支持任意尺寸比例，进一步增强了复杂语义的理解能力。

CogVideoX v1.5包含两个主要模型:CogVideoX v1.5-5B 和 CogVideoX v1.5-5B-I2V，旨在为开发者提供更强大的视频生成工具。

更值得关注的是，CogVideoX v1.5将同步上线至清影平台，并与新推出的 CogSound 音效模型结合，成为 “新清影”。新清影将提供多项特色服务，包括视频质量的显著提升、美学表现和运动合理性，支持生成10秒、4K、60帧的超高清视频。

官方介绍如下:

质量提升:在图生视频的质量、美学表现、运动合理性以及复杂提示词语义理解方面能力显著增强。
超高清分辨率:支持生成10s、4K、60帧超高清视频。
可变比例:支持任意比例，从而适应不同的播放场景。
多通道输出:同一指令/图片可以一次性生成4个视频。
带声效的 AI 视频:新清影可以生成与画面匹配的音效。

在数据处理方面，CogVideoX 团队专注于提升数据质量，开发了自动化筛选框架以过滤不良视频数据，并推出了端到端的视频理解模型 CogVLM2-caption，以生成精准的内容描述。这一模型能够有效处理复杂的指令，确保生成的视频与用户需求相符。

为了提升内容连贯性，CogVideoX 采用了高效的三维变分自编码器（3D VAE）技术，显著降低了训练成本与难度。此外，团队还研发了融合文本、时间和空间三维度的 Transformer 架构，通过去除传统的跨注意力模块，增强了文本和视频的交互效果，提升了视频生成的质量。

未来，智谱技术团队将继续扩大数据量和模型规模，探索更高效的模型架构，以实现更优质的视频生成体验。CogVideoX v1.5的开源不仅为开发者提供了强大的工具，也为视频创作领域注入了新的活力。

代码:https://github.com/thudm/cogvideo

模型:https://huggingface.co/THUDM/CogVideoX1.5-5B-SAT