国产开源视频生成模型CogVideoX-5B在魔搭ModelScope社区正式开源，显著提升了视频生成的质量和视觉效果。基于大规模DiT模型，该模型采用3D因果变分自编码器、专家Transformer技术，通过3D-RoPE位置编码和3D全注意力机制实现时空联合建模。渐进式训练技术的运用，使得模型能够生成具有明显运动特征、连贯且高质量的长时间视频。