自 OpenAI 推出 Sora 以来，AI 视频生成模型已然在全球范围内百花齐放。然而，近半年之后，业内却仍未出现一个开源的、满足商业级应用需求的视频生成模型。今天，首个开源的商用级视频生成模型——CogVideoX 2B，它来了。
CogVideoX 2B 是与智谱AI「清影」同源的开源视频生成模型，视频长度为 6 秒，帧率为 8 帧/秒，视频分辨率为 720*480，提示词上限为 226 个 token。值得一提的是，CogVideoX 2B 在 FP-16 精度下的推理仅需 18GB 显存，微调则只需 40GB 显存，这意味着单张 4090 显卡即可进行推理，单张 A6000 显卡即可完成微调。
此次 CogVideoX 2B 以及后续更大版本视频生成模型的开源，旨在让每一位开发者、每一家企业都能自由地开发属于自己的视频生成模型，进而推动整个行业的快速迭代与创新发展。另外，智谱 AI 为视频质量的提升预留了广阔的空间，期待开发者们在提示词优化、视频长度、帧率、分辨率、场景微调以及围绕视频的各类功能开发上贡献开源力量。
可以看到，上述 CogVideoX 2B 的视频生成效果十分惊艳，将精致的木制玩具船、白色复古越野车和年轻女孩的凄美镜头刻画的非常逼真、形象。在实际文本到视频生成任务的评估中，CogVideoX 2B 也非常能打。相比于 Pika、Gen-2 和 Open-Sora V1.2，CogVideoX 2B 在各个指标上的表现，都是最好的。
CogVideoX 2B 惊艳的视频效果，离不开智谱AI 自研的架构、数据和算法。在架构方面，自研了将文本、时间和空间三个维度全部融合的 Transformer 架构；数据方面，自研视频理解模型，提高了模型的指令遵从度；算法方面，同样自研了高效的 3D VAE。