CogVideoX は清影の背後にあるモデルのオープンソース版だ。五つのモデルは 720×480 から 1360×768 までをカバーし、必要メモリは INT8 で 18GB から 3.6GB まで下がる。2B の重みはコードと同じ Apache 2.0。

約 14B のエキスパートが二つで合計 27B、しかし各ステップで動くのは片方だけなので費用は単一エキスパート並みに収まる。別系統の 5B は 720P 24fps を一枚の民生カードに収め、その余裕を作っているのは VAE の圧縮率だ。

プロンプトも静止画も音声も同じ一回で読み取り、ステレオは描画のあとで足すのではなく最初から一緒に作られる。2K も追加料金の段ではなく出発点で、公式が語る秒単価は主要モデルの3分の1未満という。