用過智譜清影的人，未必知道它背後的模型是開源的。CogVideoX 的官方倉庫在模型介紹裡寫得很直接：CogVideoX 是源自清影（QingYing）的影片生成模型的開源版本。換句話說，網頁端排隊等待生成的那種能力，有一份可以拿到本機自己跑的對應版本。

不過兩者並不等同。官方在頁面頂端就把關係說清楚了：想體驗更大規模的商業影片生成模型，可以前往清影與 API 平台；而這個倉庫提供的，是對應的開源版本。商業版面向線上大規模生成，開源版把權重和程式碼交到你自己手裡。

五個型號，規格差異不小

官方在模型表裡列出了目前提供的全部型號：CogVideoX1.5-5B、CogVideoX1.5-5B-I2V、CogVideoX-2B、CogVideoX-5B、CogVideoX-5B-I2V。名稱裡的 I2V 指圖生影片，其餘為文生影片。發布節奏也能看出這條線的演進：2024 年 8 月 6 日放出 CogVideoX-2B，8 月 27 日補上 5B，9 月 19 日開源圖生影片模型 5B-I2V，11 月 8 日更新到 1.5 版本。

規格把檔次分得很清楚。CogVideoX-2B 輸出 720×480、8 fps、6 秒。CogVideoX1.5-5B 做到 1360×768、16 fps，時長可選 5 秒或 10 秒。CogVideoX1.5-5B-I2V 的解析度規則更靈活：短邊取寬高裡的較小值等於 768，長邊在 768 到 1360 之間且能被 16 整除，這個範圍內都可用。從 720×480 到 1360×768，再到圖生影片的彈性比例，這一系統把常見的輸出規格基本覆蓋了。

顯示記憶體與速度：能不能跑在你的機器上

官方在資料說明裡給了三組顯示記憶體數字，都以 CogVideoX-2B 為例：用 SAT 搭配 FP16 推理時佔用 18GB；換到 diffusers 下 FP16 最低 4GB；再用 INT8 量化（torchao）能壓到最低 3.6GB。同一份說明裡也提醒，INT8 是為了適配顯示記憶體更小的顯示卡而降低推理速度，並非沒有代價。

速度方面，官方給出的實測條件是步數 50、FP16/BF16 精度。CogVideoX-5B 在單張 A100 上約需 180 秒，在單張 H100 上約需 90 秒。更新的 CogVideoX1.5-5B 因為要出 5 秒或 10 秒的高解析度影片，同樣條件下 5 秒影片在 H100 上約需 550 秒——能力更強，代價是等待時間明顯拉長。官方也說明，這組測試開啟了 diffusers 函式庫中的全部優化，並未在 A100 與 H100 之外的裝置上驗證真實顯示記憶體佔用，如果優化被關閉，峰值會是表內數值的三倍左右。

動手前要確認的兩件事

第一是 Python 版本。官方在 SAT 與 diffusers 兩條推理路徑下都寫明了同一條要求：Python 版本需要在 3.10 到 3.12 之間，含 3.10 與 3.12 本身。倉庫同時提供兩套程式碼，其中 SAT 包含 SAT 權重的推理與微調程式碼，diffusers 那套對常用參數的說明更詳細，適合先跑通再改動。

第二是提示詞語言。這套模型只接受英文輸入，其他語言需要先翻譯成英文。官方在提示詞優化一節建議用 GLM-4 或同類大模型把輸入潤色成模型適用的長文本——模型是用長提示詞訓練的，提示詞品質會直接影響生成效果。倉庫標出的提示詞長度上限是 224 到 226 個 token。

許可證：程式碼和模型要分開看

倉庫的程式碼以 Apache 2.0 許可證發布，這一點沒有歧義。模型則要分型號看：CogVideoX-2B（含對應的 Transformer 與 VAE 模組）同為 Apache 2.0；CogVideoX-5B（Transformer 模組，含 I2V 與 T2V）使用單獨的 CogVideoX LICENSE。如果你的場景對許可寬鬆度有要求，2B 這一檔的邊界更清楚；打算用 5B 之前，建議先把那份 LICENSE 讀完。

倉庫裡有什麼

根目錄結構很直白：sat 與 inference 是兩套推理程式碼，finetune 放微調，resources 存素材，tools 是工具腳本；許可分成兩個檔案，LICENSE 覆蓋程式碼，MODEL_LICENSE 單獨說明模型。倉庫目前有 13k 顆星與 1.3k 次 fork，官方登記的版本號為 CogVideoX-1.0。

近一年的更新

更新日誌也能說明這條線的活躍程度。2025 年 3 月推出 CogKit，一套面向 CogView4 與 CogVideoX 系列的微調與推理框架；2 月為 CogVideoX-5B 與 CogVideoX1.5-5B 補上了 DDIM Inverse 支援；1 月更新了基於 diffusers 的 LoRA 微調程式碼。再往前，2024 年 10 月放出的微調框架讓 CogVideoX-5B 的微調可以跑在單張 4090 上，官方同時提到 CogVideoX-2B 能在 GTX 1080Ti 這類更早的顯示卡上運行，5B 則對應 RTX 3060 這一檔桌上型顯示卡。

它適合誰

如果你想把影片生成接進自己的工作流，又不希望受線上服務的排隊、額度和內容策略牽制，CogVideoX 提供了一條可控的本機路徑：權重開放、程式碼開放，記憶體門檻能壓到 3.6GB 這一檔。它更適合有顯示卡、也願意折騰環境的人——Python 版本、依賴、量化精度、提示詞語言，每一步都得自己確認清楚。

反過來說，如果你只是偶爾生成一段影片，或者不想處理環境和依賴，直接用線上服務更省事。本機部署省下的是各種限制，付出的是時間和一張夠用的顯示卡。

還有一點值得提前知道：這套模型只吃英文提示詞。中文使用者想用得順手，得先解決「把想法翻譯成模型能理解的長描述」這一步——而這一步的品質，往往比換一個更大的型號影響更明顯。

開源模型的真正價值，不在於複製一項線上服務的全部能力，而在於把生成過程搬回你自己的機器上。先確認顯示卡和環境能不能接受它，再談效果。