用过智谱清影的人，未必知道它背后的模型是开源的。CogVideoX 的官方仓库在模型介绍里写得很直接：CogVideoX 是源自清影（QingYing）的视频生成模型的开源版本。换句话说，网页端排队等待生成的那种能力，有一份可以下载到本地自己跑的对应版本。

不过两者并不等同。官方在页面顶部就把关系说清楚了：想体验更大规模的商业视频生成模型，可以访问清影与 API 平台；而这个仓库提供的，是对应的开源版本。商业版面向线上大规模生成，开源版把权重和代码交到你自己手里。

五个型号，规格差异不小

官方在模型表里列出了目前提供的全部型号：CogVideoX1.5-5B、CogVideoX1.5-5B-I2V、CogVideoX-2B、CogVideoX-5B、CogVideoX-5B-I2V。名称里的 I2V 指图生视频，其余为文生视频。发布节奏也能看出这条线的演进：2024 年 8 月 6 日放出 CogVideoX-2B，8 月 27 日补上 5B，9 月 19 日开源图生视频模型 5B-I2V，11 月 8 日更新到 1.5 版本。

CogVideoX1.5-5B-I2V 的分辨率规则更灵活：短边取宽高里的较小值等于 768，长边在 768 到 1360 之间且能被 16 整除，这个范围内都支持。从 720×480 到 1360×768，再到图生视频的灵活比例，这一系列把常见的输出规格基本覆盖了。

显存与速度：能不能跑在你的机器上

官方在数据说明里给了三组显存数字，都以 CogVideoX-2B 为例：用 SAT 搭配 FP16 推理时占用 18GB；换到 diffusers 下 FP16 最低 4GB；再用 INT8 量化（torchao）能压到最低 3.6GB。同一份说明里也提醒，INT8 是为了适配显存更小的显卡而降低推理速度，并非没有代价。

速度方面，官方给出的实测条件是步数 50、FP16/BF16 精度。CogVideoX-5B 在单张 A100 上约需 180 秒，在单张 H100 上约需 90 秒。更新的 CogVideoX1.5-5B 因为要出 5 秒或 10 秒的高分辨率视频，同样条件下 5 秒视频在 H100 上约需 550 秒——能力更强，代价是等待时间明显拉长。官方也说明，这组测试开启了 diffusers 库中的全部优化，并未在 A100 与 H100 之外的设备上验证真实显存占用，如果优化被关闭，峰值显存会是表内数值的三倍左右。

动手前要确认的两件事

第一是 Python 版本。官方在 SAT 与 diffusers 两条推理路径下都写明了同一条要求：Python 版本需要在 3.10 到 3.12 之间，含 3.10 与 3.12 本身。仓库同时提供了两套代码，其中 SAT 包含 SAT 权重的推理与微调代码，diffusers 那套对常用参数的说明更详细，适合先跑通再改动。

第二是提示词语言。这套模型只支持英文输入，其他语言需要先翻译成英文。官方在提示词优化一节建议用 GLM-4 或同类大模型把输入润色成模型适用的长文本——模型是用长提示词训练的，提示词质量会直接影响生成效果。仓库标出的提示词长度上限是 224 到 226 个 token。

许可证：代码和模型要分开看

仓库的代码以 Apache 2.0 许可证发布，这一点没有歧义。模型则要分型号看：CogVideoX-2B（含对应的 Transformer 与 VAE 模块）同为 Apache 2.0；CogVideoX-5B（Transformer 模块，含 I2V 与 T2V）使用单独的 CogVideoX LICENSE。如果你的场景对许可宽松度有要求，2B 这一档的边界更清楚；打算用 5B 之前，建议先把那份 LICENSE 读完。

仓库里有什么

根目录结构很直白：sat 与 inference 是两套推理代码，finetune 放微调，resources 存素材，tools 是工具脚本；许可分成两个文件，LICENSE 覆盖代码，MODEL_LICENSE 单独说明模型。仓库目前有 13k 颗星与 1.3k 次 fork，官方登记的版本号为 CogVideoX-1.0。

近一年的更新

更新日志也能说明这条线的活跃程度。2025 年 3 月推出 CogKit，一套面向 CogView4 与 CogVideoX 系列的微调与推理框架；2 月为 CogVideoX-5B 与 CogVideoX1.5-5B 补上了 DDIM Inverse 支持；1 月更新了基于 diffusers 的 LoRA 微调代码。再往前，2024 年 10 月放出的微调框架让 CogVideoX-5B 的微调可以跑在单张 4090 上，官方同时提到 CogVideoX-2B 能在 GTX 1080Ti 这类更早的显卡上运行，5B 则对应 RTX 3060 这一档桌面显卡。

它适合谁

如果你想把视频生成接进自己的工作流，又不希望受线上服务的排队、额度和内容策略牵制，CogVideoX 提供了一条可控的本地路径：权重开放、代码开放，显存门槛能压到 3.6GB 这一档。它更适合有显卡、也愿意折腾环境的人——Python 版本、依赖、量化精度、提示词语言，每一步都得自己确认清楚。

反过来说，如果你只是偶尔生成一段视频，或者不想处理环境和依赖，直接用线上服务更省事。本地部署省下的是各种限制，付出的是时间和一张够用的显卡。

还有一点值得提前知道：这套模型只吃英文提示词。中文用户想用得顺手，得先解决"把想法翻译成模型能理解的长描述"这一步——而这一步的质量，往往比换一个更大的型号影响更明显。

开源模型的真正价值，不在于复刻一项线上服务的全部能力，而在于把生成过程搬回你自己的机器上。先确认显卡和环境能不能接受它，再谈效果。