主要观点总结
智谱AI开源了CogVideoX系列模型的最新成员CogVideoX-5B-I2V，包括图生视频模型CogVideoX-5B-I2V和标注模型cogvlm2-llama3-caption。该模型支持通过输入提示词生成视频，以及将视频内容转换成文本描述。虽然在实际使用中效果褒贬不一，但团队发布了一些成功作品展示了其潜力。此外，模型的相关研究论文也已公开，并介绍了模型的技术亮点，包括三维变分自编码器结构、专家Transformer和数据处理等。同时，团队近期也有多个更新，如SAT权重的推理和微调代码、自动化生成高质量视频的模型等。此次开源标志着CogVideoX系列模型已经支持文生视频、视频延长、图生视频三种任务。
关键观点总结
关键观点1: CogVideoX-5B-I2V模型开源
智谱AI最新开源了图生视频模型CogVideoX-5B-I2V，支持通过输入提示词生成视频。
关键观点2: 模型实际效果褒贬不一
用户在使用CogVideoX-5B-I2V模型后评价不一，有人觉得效果惊人，也有人觉得不够理想。
关键观点3: 模型的技术亮点
研究论文介绍了模型的技术亮点，包括三维变分自编码器结构、专家Transformer和数据处理等。
关键观点4: 团队近期的多个更新
团队近期有多个更新，包括SAT权重的推理和微调代码、自动化生成高质量视频的模型等。
关键观点5: CogVideoX系列模型的进展
此次CogVideoX-5B-I2V的开源标志着CogVideoX系列模型已经支持文生视频、视频延长、图生视频三种任务。
文章预览
叨乐 发自 凹非寺 量子位 | 公众号 QbitAI 刚刚，智谱把 清影 背后的 图生视频 模型 CogVideoX-5B-I2V 给开源了！ （在线可玩） 一起开源的还有它的标注模型 cogvlm2-llama3-caption 。 在实际应用中，CogVideoX-5B-I2V支持 「一张图」+「提示词」 生成视频。 而cogvlm2-llama3-caption则是负责将 视频内容转换成文本描述 。 不过用过的网友却对它的表现褒贬不一： 有人在用过之后直呼Amazing。 也有人试了半天，最后还是选择了CogVideoX之前的版本，还夸夸说：我最看好这个型号！ 所以到底效果如何，咱们来实测一波！ 实测CogVideoX-5B-I2V 测试开始~输入提示词：咖啡店员握住双手笑着对客人表示欢迎，说话时身体自然活动 （依旧是老生常谈的“手部”问题） 第二次实测，试了一下简短提示词：吗喽颠着二郎腿打电话 （效果不理想，主体还是静态的没有动起来） 第三次的提
………………………………
