北京智谱华章科技有限公司重磅推出CogVideoX v1.5开源模型，该模型在视频生成领域取得显著突破。继8月初发布后，CogVideoX系列凭借其领先技术和开发者友好特性迅速成为行业焦点。此次更新带来了诸多改进，包括支持更长、更高清的视频生成，以及对图生视频质量和语义理解能力的大幅提升，为用户提供更优质的AI视频生成体验。 更值得关注的是，新版本整合了清影平台和CogSound音效模型，进一步完善了视频生成生态。
此次开源的内容包括两个模型:CogVideoX v1.5-5B和CogVideoX v1.5-5B-I2V。新版本也将同步上线到清影平台，并与新推出的CogSound音效模型结合，提供质量提升、超高清分辨率支持、可变比例适应不同播放场景、多通道输出以及带声效的AI视频等特色服务。
在技术层面，CogVideoX v1.5通过自动化筛选框架过滤了缺乏动态连通性的视频数据，并采用端到端的视频理解模型CogVLM2-caption生成精准的视频内容描述，提升了文本理解和指令遵循能力。此外，新版本采用了高效的三维变分自编码器（3D VAE）解决内容连贯性问题，并自主研发了融合文本、时间和空间三维度的Transformer架构，取消了传统的跨注意力模块，通过专家自适应层归一化技术优化了扩散模型中时间步信息的利用。
训练方面，CogVideoX v1.5构建了一个高效的扩散模型训练框架，通过多种并行计算和时间优化技术，实现了对长视频序列的快速训练。公司表示，他们已验证了scaling law在视频生成领域的有效性，并计划在未来扩大数据量和模型规模，探索创新模型架构，以更高效地压缩视频信息，并更好地融合文本与视频内容。
代码:https://github.com/thudm/cogvideo
模型:https://huggingface.co/THUDM/CogVideoX1.5-5B-SAT
CogVideoX v1.5的开源，为视频生成技术发展提供了新的动力，也为开发者提供了更强大的工具。 智谱华章持续的技术创新和开源精神值得肯定，未来该模型的应用前景值得期待。 期待更多基于CogVideoX v1.5的创新应用出现。