CogVideoX（智谱 CogVideoX）：视频生成器 — 功能与运行要求

我们面前是 CogVideoX（智谱 CogVideoX）——一款基于文本描述生成视频的开源工具。开发者智谱 AI 将其定位为将文本提示词转化为视频片段的工具。该模型也常与图生视频功能一同被提及，尽管其参数表中的主要任务标注为 text-to-video。

功能

据作者描述，CogVideoX 是一个根据文本和图像生成视频的系统。在代码仓库中，该项目被标记为 text-to-video 和 image-to-video，表明其有两种工作模式。关键词中还包含 llm 和 sora，这说明其底层基于语言模型，且该技术属于与 Sora 类似的解决方案类别。参数表中未提供关于视频最大时长或支持分辨率的详细信息。

运行要求

代码使用 Python 编写，并以 Apache-2.0 许可证分发。模型权重采用不同的许可证——other。运行需要支持 CUDA 的 NVIDIA 显卡。据作者描述原文：需要 NVIDIA H100 及以上设备，并要求从源代码安装 torch 和 torchao 包。推荐的 CUDA 版本为 12.4。最大的权重文件占用 9.2 GB，所有文件的总大小为 20 GB。该模型已集成到 diffusers 库中。可以在本地运行，但对硬件的要求相当特殊。

适用人群

该工具面向能够使用强大服务器加速器的开发者和研究人员。开源代码以及 GitHub 上的仓库使得研究架构并根据自身需求改进模型成为可能。根据其声明的要求，CogVideoX 并不适合在消费级显卡上日常使用。对于寻找无需配置环境的云服务的用户，也应考虑其他方案——这里需要手动构建依赖并处理 Python 代码。

该模型仍在持续发展：代码的最后一次修改日期为 2025 年 11 月，最新版本标记为 v1.0。这表明项目处于积极维护阶段，但尚未积累大量中间版本。