智谱AI推出了新一代视频生成模型CogVideoX，标志着公司在多模态技术发展上的又一重要进展。

微信截图_20240726111755.png

CogVideoX的核心技术特点包括:

  1. 三维变分自编码器结构（3D VAE）:智谱AI自主研发的这一结构能将原始视频数据压缩至原始大小的2%，降低训练成本和难度。结合3D RoPE位置编码模块，提升了时间维度上帧间关系的捕捉能力，建立视频中的长期依赖关系。

  2. 端到端视频理解模型:增强了模型对文本的理解和对指令的遵循能力，确保生成的视频更符合用户需求，能处理超长且复杂的prompt指令。

  3. 文本、时间、空间三维一体融合的transformer架构:创新性设计了Expert Block实现文本与视频模态空间的对齐，并通过Full Attention机制优化模态间交互效果。

CogVideoX模型已在智谱清言的PC端、移动应用端及小程序端上线，用户可通过「清影」（Ying）功能免费体验AI文本生成视频和图像生成视频的服务。清影的主要特点包括快速生成、高效的指令遵循能力、内容连贯性和画面调度灵活性。

此外，智谱大模型开放平台bigmodel.cn也部署了「清影」，企业和开发者可通过API调用方式使用其功能。智谱AI验证了Scaling Law在视频生成领域的有效性，并将持续扩大数据规模和模型规模，研究新型模型架构，以更高效地压缩视频信息，更全面地融合文本与视频内容。

体验地址：https://top.aibase.com/tool/qingying-ai-shipinshengchengfuwu