在线体验智谱开源的图生视频模型CogVideoX-5B-I2V，网友评价褒贬不一

智谱近日开放了清影背后的图生视频模型CogVideoX-5B-I2V及其标注模型cogvlm2-llama3-caption的源代码，让用户体验更加便捷。模型支持“一张图+提示词”生成视频，以及将视频内容转换为文本描述。

用户反馈意见呈现两极分化：

• 一些用户对其惊叹不已，直呼“Amazing”。
• 另一部分用户尝试后选择使用旧版本，并给予积极评价。

接下来，我们将通过实测来探索其实际表现：

第一次实测： 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。 结果：生成的视频展现了生动的画面，但“手部”问题依然存在。

第二次实测： 尝试简短提示词：吗喽颠着二郎腿打电话。 结果：生成的视频主体动作不够流畅，静止状态较为明显。

第三次实测： 提示词：“明月圆圆，几个人坐在河边谈心说话，举杯高歌。” 结果：生成过程出现错误，最终未能展示结果。

整体来看，模型生成效果参差不齐，速度较慢。团队分享的成功作品展示了模型的潜力，例如：

• 提示词：“当万花筒般的蝴蝶在花朵中翩翩起舞时，花园变得生机勃勃，它们精致的翅膀在下面的花瓣上投下阴影。”
• 提示词：“一位穿着西装的宇航员，靴子上沾满了火星的红色尘埃，在第四颗行星的粉红色天空下，他伸出手与一个外星人握手”
• 提示词：“湖岸边长满了柳树，细长的枝条在微风中轻轻摇曳。平静的湖面倒映着清澈的蓝天，几只优雅的天鹅在平静的水面上优雅地滑翔”

此外，模型的代码已开源，支持部署在特定平台。团队发布的论文揭示了三项关键技术创新：

1. 高效三维变分自编码器结构，将原视频空间压缩至2%，显著降低了训练成本和难度。
2. 专家Transformer，通过VAE编码压缩视频，使用T5进行文本输入编码，然后将二者合并处理。
3. 数据处理，开发负面标签识别低质量视频，通过视频字幕数据生成高质量字幕，优化模型训练过程。

近期，智谱AI持续更新CogVideoX模型，包括提供SAT权重的推理和微调代码、支持自动化高质量视频生成、优化推理性能，以及引入视频增强工具等，旨在提高模型的实用性与效果。

以上是对原文的精简与整合，保持了原文的核心信息与情感色彩，同时简化了篇幅，使之更易于阅读。