本日、智譜テクノロジーチームは最新の動画生成モデルCogVideoX v1.5を発表し、オープンソース化しました。これは8月以来、智譜テクノロジーチームが発表してきたCogVideoXシリーズにおける重要な進歩です。今回のアップデートでは、5秒と10秒の動画の長さ、768Pの解像度、16フレームの生成能力をサポートするなど、動画生成能力が大幅に向上しました。同時に、I2V（画像から動画）モデルは任意のサイズ比率をサポートし、複雑な意味の理解がさらに強化されました。

智譜AIは、動画理解分野で顕著な進歩を遂げたモデルであるCogVLM2-Videoモデルのオープンソース化を発表しました。CogVLM2-Videoは、複数のフレーム画像とタイムスタンプをエンコーダの入力として導入することで、既存の動画理解モデルが抱える時間情報の欠落という問題を解決しています。本モデルは、自動化された時間的局在化データ構築手法を用いて、時間に関する3万件の動画質疑応答データを生成し、これにより、公開されている動画理解ベンチマークにおいて最先端の性能を達成するモデルをトレーニングしました。