CogVideoX-2B ist ein quelloffenes Video-Generierungsmodell, entwickelt von einem Team der Tsinghua-Universität. Es unterstützt die Videogenerierung mittels englischsprachiger Eingabeaufforderungen, benötigt 36 GB GPU-Arbeitsspeicher für die Inferenz und kann Videos mit einer Länge von 6 Sekunden, 8 Bildern pro Sekunde und einer Auflösung von 720 x 480 Pixel erzeugen. Das Modell verwendet Sinusoidale Positionsembeddings und unterstützt derzeit weder quantisierte Inferenz noch Multi-GPU-Inferenz. Es basiert auf der Hugging Face diffusers-Bibliothek und ermöglicht die Videogenerierung anhand von Textprompts, wobei es sich durch hohe Kreativität und Anwendungspotenzial auszeichnet.