7月26日，智谱颁布AI 生视频产品「清影」，30秒将恣意文图生成视频，并上线在他们的AI助手「智谱清言」上，被誉为是国际首团体人可用的Sora。
就在颁布6天后，「清影」生成到视频数便已打破了百万量级。
当天，智谱AI发表将与「清影」同源的视频生成模型——CogVideoX正式开源。
团队示意，宿愿每一位开发者、每一家企业都能自在地开发属于自己的视频生成模型，从而推进整个行业的极速迭代与翻新开展。
关上AI助手「智谱清言」即可体验
随着大型模型技术的继续开展，视频生成技术正逐渐走向成熟。
以Sora、Gen-3等闭源视频生成模型为代表的技术，正在从新定义行业的未来格式。
但是，截至目前，仍未有一个开源的视频生成模型，能够满足商业级运行的要求。
CogVideoX系列蕴含多个不同尺寸大小的开源模型。
目前曾经开源的CogVideoX-2B，揭示词下限为226个token，视频长度为6秒，帧率为8帧/秒，视频分辨率为720×480。
它在FP-16精度下的推理仅需18GB显存，微调则只要要40GB显存。这象征着单张4090显卡即可启动推理，而单张A6000显卡即可成功微调。
代码仓库：
模型下载：
技术报告：
目前，该名目已在GitHub上斩获了3.8k星。
上方，咱们就来看看CogVideoX生成的成果究竟如何？
一个木制玩具船，在模拟海浪的蓝色地毯上飞行，宛如在真的淡水行驶普通。
一辆白色越野车沿着松树盘绕的峻峭土路极速行驶，可以看到车尾的尘土飞腾。
其实这个场景关于AI来说，相对较难，只要正确了解了物理环球，才不会让生成的尘土在车前扬起。
上方这幅在战乱中，人物表情细节的描写，细腻丰盛。
针对更微观的场景，CogVideoX也能将白雪皑皑的森林、无人穿越的平静小路，活泼地描画进去。
舌尖上的美食，还得看国产AI视频模型。烧烤架上烤制的鸡肉和青椒烤串，让人看了垂涎三尺。
见识到CogVideoX冷艳视频生成才干，你必定十分猎奇这是怎样做到的？
视频数据因蕴含空间和期间消息，其数据量和计算累赘远超图像数据。
为应答此应战，团队提出了基于3D变分自编码器（3D VAE）的视频紧缩方法。
其中，3D VAE经过三维卷积同时紧缩视频的空间和期间维度，成功了更高的紧缩率和更好的重建品质。
模型结构包括编码器、解码器和潜在空间正则化器，并经过四个阶段的下采样和上采样成功紧缩。
期间因果卷积确保了消息的因果性，缩小了通讯开支。而高低文并行技术的驳回，则可以顺应大规模视频处置。
试验中，团队发现大分辨率编码易于泛化，而参与帧数则应战较大。
因此，可将分两阶段训练模型：
- 首先在较低帧率和小批量上训练；
- 而后经过高低文并行在更高帧率上启动微调。
训练损失函数结合了L2损失、LPIPS感知损失和3D判断器的GAN损失。
专家Transformer
团队经常使用VAE的编码器将视频紧缩至潜在空间，而后将潜在空间宰割成块并开展生长的序列嵌入z_vision。
同时，经常使用T5将文本输入编码为文本嵌入z_text，而后将z_text和z_vision沿序列维度拼接。拼接后的嵌入被送入专家Transformer块堆栈中处置。
最后，反向拼接嵌入来恢还原始潜在空间状态，并经常使用VAE启动解码以重建视频。
数据
视频生成模型训练需挑选高品质视频数据，以学习实在环球灵活。但视频或者因人工编辑或拍摄疑问而不准确。
为此，团队开发了负面标签来识别和扫除低品质视频，如适度编辑、静止不连接、品质低下、讲座式、文本主导和屏幕噪音视频。
经过video-llama训练的过滤器，团队标注并挑选了20,000个视频数据点。同时，计算光流和美学分数，灵活调整阈值，确保生成视频的品质。
视频数据理论没有文本形容，须要转换为文本形容以供文本到视频模型训练。但是，现有的视频字幕数据集字幕较短，不可片面形容视频内容。
为了处置一疑问，团队提出了一种从图像字幕生成视频字幕的管道，并微调端到端的视频字幕模型以取得更密集的字幕。
这种方法经过Panda70M模型生成冗长字幕，经常使用CogView3模型生成密集图像字幕，而后经常使用GPT-4模型总结生成最终的短视频。
除此之外，团队还微调了一个基于CogVLM2-Video和Llama 3的CogVLM2-Caption模型，经常使用密集字幕数据启动训练，以减速视频字幕生成环节。
性能
为了评价文本到视频生成的品质，团队经常使用了VBench中的多个目的，如人类举措、场景、灵活水平等。并扫除了不实用于评价需求的目的，例如色彩目的，由于它或者误导视频生成模型。
此外，团队还经常使用了两个额外的视频评价工具：Devil中的Dynamic Quality和Chrono-Magic中的GPT4o-MT Score，这些工具专一于视频的灵活个性。
值得一提的是，团队曾阅历证了scaling law在视频生成方面的有效性！
未来会在始终scale up数据规模和模型规模的同时，摸索更具打破式翻新的新型模型架构、更高效地紧缩视频消息、更充沛地融合文本和视频内容。
团队示意，目前的视频品质还有很宽广的优化空间，等候开发者们在揭示词优化、视频长度、帧率、分辨率、场景微调以及围绕视频的各类配置开发上奉献开源力气。
此外，性能更强参数量更大的模型正在路上，敬请关注与等候。
原文链接: