CogVideoX-2B एक ओपन-सोर्स वीडियो जनरेटिव मॉडल है, जिसे त्सिंगुआ विश्वविद्यालय की टीम द्वारा विकसित किया गया है। यह अंग्रेजी प्रॉम्प्ट भाषा का उपयोग करके वीडियो उत्पन्न करने का समर्थन करता है, इसमें 36GB इन्फ्रेंस GPU मेमोरी की आवश्यकता होती है, और यह 6 सेकंड लंबा, 8 फ्रेम प्रति सेकंड, 720*480 रिज़ॉल्यूशन वाला वीडियो उत्पन्न कर सकता है। यह मॉडल साइनसोइडल पोजिशन एम्बेडिंग का उपयोग करता है, वर्तमान में यह क्वांटाइजेशन इन्फ्रेंस और मल्टी-कार्ड इन्फ्रेंस को सपोर्ट नहीं करता है। यह Hugging Face के diffusers लाइब्रेरी पर आधारित है, और टेक्स्ट प्रॉम्प्ट के अनुसार वीडियो उत्पन्न कर सकता है, जिसमें उच्च रचनात्मकता और अनुप्रयोग क्षमता है।