金磊 发自 凹非寺量子位 | 公众号 QbitAI
国产版Sora真的卷疯了。
就在刚刚，智谱AI直接把清影视频生成背后的大模型给开源了。
而且是首个可商用的那种哦！
这个模型的名字叫做CogVideoX，刚刚在GitHub发布仅5个小时，便狂揽了3.7K个Star️。
我们直接来看下效果。
Prompt 1，人物大特写：
视频地址：https://mp.weixin.qq.com/s/IXRQ6PJ7NteZGXLi2x228g
可以看到，不仅人物眼睛等细节非常高清，眨眼前后的连贯性也是hold住了。
再来Prompt 2，一镜到底：
光影、远景、近景，以及车辆行驶的过程，统统都拿捏住了。
而且这些效果还不只是官方一个发布动作而已，是人人可以在线可玩的哦~
单卡A100，90秒即可生成
值得一提的是，智谱AI的CogVideoX是包含多个不同尺寸，而这次开源的是CogVideoX-2B。
它的相关基础信息如下所示：
它在FP-16精度下的推理仅需18GB显存，微调则只需要40GB显存，这意味着单张4090显卡即可进行推理，而单张A6000显卡即可完成微调。
据了解，这个模型已经支持在HuggingFace的diffusers库中进行部署，操作也是非常简单，只有2步：
1、安装对应的依赖、2、运行代码、并且在单卡A100上，按照刚才的步骤操作，生成视频仅需90秒。
不仅如此，在HuggingFace上，智谱AI也搞了在线可玩的demo，亲测效果如下：
可以看到，生成后的结果不仅可以以.mp4的方式下载，还提供了GIF的格式。
那么接下来的一个问题，智谱AI是如何做到的？
论文也已公开、智谱AI这次不仅是将视频生成模型开源，背后的技术报告也是一并被发布了出来。
纵观报告内容，有三大技术亮点值得说道说道。
首先便是团队自研了一个高效的三维变分自编码器结构，将原视频空间压缩至2%大小，大大减少了视频扩散生成模型的训练成本及训练难度。
模型结构包括编码器、解码器和潜在空间正则化器，通过四个阶段的下采样和上采样实现压缩。时间因果卷积确保了信息的因果性，减少了通信开销。团队采用上下文并行技术以适应大规模视频处理。
在实验中，团队发现大分辨率编码易于泛化，而增加帧数则挑战较大。
因此，团队分两阶段训练模型：首先在较低帧率和小批量上训练，然后通过上下文并行在更高帧率上进行微调。训练损失函数结合了L2损失、LPIPS感知损失和3D判别器的GAN损失。
其次是专家 Transformer。
团队使用VAE的编码器将视频压缩至潜在空间，然后将潜在空间分割成块并展开成长的序列嵌入z_vision。
同时，他们使用T5，将文本输入编码为文本嵌入z_text，然后将z_text和z_vision沿序列维度拼接。拼接后的嵌入被送入专家Transformer块堆栈中处理。
最后，团队反向拼接嵌入来恢复原始潜在空间形状，并使用VAE进行解码以重建视频。
最后的亮点，便是在于数据了。
团队开发了负面标签来识别和排除低质量视频，如过度编辑、运动不连贯、质量低下、讲座式、文本主导和屏幕噪音视频。
通过video-llama训练的过滤器，他们标注并筛选了20000个视频数据点。同时，计算光流和美学分数，动态调整阈值，确保生成视频的质量。
视频数据通常没有文本描述，需要转换为文本描述以供文本到视频模型训练。现有的视频字幕数据集字幕较短，无法全面描述视频内容。
为此，团队还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获得更密集的字幕。
这种方法通过Panda70M模型生成简短字幕，使用CogView3模型生成密集图像字幕，然后使用GPT-4模型总结生成最终的短视频。
他们还微调了一个基于CogVLM2-Video和Llama 3的CogVLM2-Caption模型，使用密集字幕数据进行训练，以加速视频字幕生成过程。
以上便是CogVideoX其背后的技术实力了。
在视频生成这个领域，Runway家的Gen-3也有新动作——
Gen-3 Alpha的文生视频，现在支持把“喂”进去的图片，不仅可以作为视频的第一帧，也可以作为视频的最后一帧。
颇有种AI让时间倒流的感觉。
来看下效果：
最后，关于智谱AI开源的视频生成大模型，相关链接附在下面喽~
代码仓库：https://github.com/THUDM/CogVideo
模型下载：https://huggingface.co/THUDM/CogVideoX-2b
技术报告：https://github.com/THUDM/CogVideo/blob/main/resources/CogVideoX.pdf
在线体验：https://huggingface.co/spaces/THUDM/CogVideoX