人类作为一个高度复杂的系统，其认知功能依赖于大脑各区域间的协同作业，这不仅涉及文字、语言的加工，还包括视觉理解与听觉处理等多个方面。
我们坚信，多模态感知与理解的整合和提升，与认知能力的发展密切相关。
作为致力于实现通用人工智能（AGI）的公司，智谱 AI 始终高度重视多模态技术的发展。自2021年起，智谱 AI 技术团队便开始着手布局包括 text-2-img、text-2-video、img-2-text、video-2-text 在内的多模态模型，并陆续研发并开源了CogView、CogVideo、Relay Diffusion、CogVLM、CogVLM-Video等多个先进模型。
在此，我们荣幸地宣布， 对视频生成模型进行全新升级，并正式推出新一代产品——CogVideoX。
CogVideoX的核心技术特点如下：
针对内容连贯性问题，智谱AI自主研发了一套高效的三维变分自编码器结构（3D VAE）。该结构能够将原始视频数据压缩至原始大小的2%，显著降低了视频扩散生成模型的训练成本和难度。结合3D RoPE位置编码模块，该技术有效提升了在时间维度上对帧间关系的捕捉能力，从而建立了视频中的长期依赖关系。
在可控性方面，智谱AI打造了一款端到端的视频理解模型，该模型能够为大量视频数据生成精确且内容相关的描述。这一创新增强了模型对文本的理解和对指令的遵循能力，确保生成的视频更加符合用户的输入需求，并能够处理超长且复杂的prompt指令。
我们的模型采纳了一种将文本、时间、空间三维一体融合的transformer架构。该架构摒弃了传统的cross attention模块，创新性地设计了Expert Block以实现文本与视频两种不同模态空间的对齐，并通过Full Attention机制优化模态间的交互效果。
CogVideoX 模型目前已在智谱清言的PC端、移动应用端以及小程序端正式上线。所有C端用户均可通过智谱清言的AI视频生成功能 「清 影」（Ying） ，免费体验AI文本生成视频和图像生成视频的服务。
（链接：
）
「清影」 的主要特点如下：
- 快速生成： 仅需30秒即可完成6秒视频的生成。
- 高效的指令遵循能力： 即使是复杂的prompt，清影也能准确理解并执行。
- 内容连贯性：生成的视频能够较好地还原物理世界中的运动过程。
- 画面调度灵活性： 例如，镜头能够流畅地跟随画面中的三只狗狗移动，效果宛如专业摄影师的跟拍。
此外，我们在智谱大模型开放平台 bigmodel.cn 上也部署了「 清影 」。企业和开发者可通过API调用方式，体验并使用「清影 」的文本生成视频和图像生成视频功能。
DEMO
文生视频
Prompt： 蘑菇变成小熊
生成：
Prompt： 写实描绘，近距离，猎豹卧在地上睡觉，身体微微起伏
生成：
Prompt： 低角度向上推进，缓缓抬头，冰山上突然出现一条恶龙，然后恶龙发现你，冲向你。好莱坞电影风
生成：
Prompt： 这张维多利亚冠鸽的特写照片展示了它醒目的蓝色羽毛和红色胸部。它的羽冠由精致的花边羽毛制成，而它的眼睛是醒目的红色。这只鸟的头微微向侧面倾斜，给人一种威严威严的印象。背景变得模糊，引起了人们对这只鸟引人注目的外观的注意。
生成：
图生视频
输入：
Prompt： 飘落的小雪，一只小鸟在枝头嬉戏
生成：
输入：
Prompt： 男孩拿出一颗心形的红色毛线球在手掌心
生成：
输入：
prompt： Little yellow duck toy floating on the water in the swimming pool, close-up
生成：
我们已验证了 Scaling Law 在视频生成领域的有效性。展望未来，我们将在持续扩大数据规模和模型规模的基础上，深入研究具有突破性创新的新型模型架构，以更高效地压缩视频信息，并更全面地融合文本与视频内容。