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

我们面前的是 CogVideoX（智谱 CogVideoX）——一个开源的文本描述生成视频工具。开发者智谱 AI 公司将其定位为把文本提示转化为视频短片的工具。该模型也被提及与图像生成视频相关联，尽管参数表中标注的主要任务是 text-to-video。

功能

作者将 CogVideoX 描述为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，这表明它有两种工作模式。关键词中还包括 llm 和 sora——这说明其底层基于语言模型，而该技术本身属于与 Sora 类似的解决方案类别。参数表中没有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，采用 Apache-2.0 许可证分发。模型权重采用 The CogVideoX License：注册后可商用，每月最多 100 万次访问。运行需要支持 CUDA 的 NVIDIA 显卡。据作者描述原文：需要 NVIDIA H100 及以上的设备，需要从源代码安装 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，所有文件的总体积为 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。

适合谁

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 上的代码仓库使得研究其架构并针对自身任务改进模型成为可能。就所声明的运行要求来看，CogVideoX 并不适合在用户级显卡上日常使用。对于希望寻找无需配置环境的云服务的人来说，也应当考虑其他解决方案——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：最后一次代码变更日期为 2025 年 11 月，最新版本标记为 v1.0。这说明项目处于积极维护阶段，但目前尚未积累大量中间版本。