CogVideoX-2B 是什么：智谱开源的轻量视频生成模型

它是什么

CogVideoX-2B 是 CogVideoX 系列里的入门款，2024 年 8 月随系列一起开源，论文作者来自清华大学和智谱 AI。官方说，开源的 CogVideoX 与智谱"清影"同源。一句话概括：这是一个 20 亿参数、用扩散 Transformer 加 3D 因果 VAE 做文生视频的轻量模型，权重公开，能放在自己的显卡上跑。

同系列还有 5B 版本，质量更高，吃的显存和时间也更多。2B 的定位是"门槛低、好折腾"，官方模型卡直接称它为入门级，强调运行成本低、适合二次开发。

关键规格：20 亿参数怎么搭的

先看架构。视频先被 3D 因果 VAE 压缩，空间方向压 8×8，时间方向压 4 倍，这意味着同样一段视频变成的 token 序列短很多，训练和推理都省算力。论文里的消融实验显示，换成 3D 结构后重建出来的视频抖动明显减少。文本这边用 T5 编码，文本和视频 token 拼成一条序列，一起送进 Transformer。

Transformer 有两处设计值得说。一是"专家自适应 LayerNorm"，文本和视频各用一套归一化调制，让两种差异很大的特征能放进同一个序列；二是 3D 全注意力，不把空间和时间拆开算，官方说这样对大幅度运动的一致性更友好。2B 版本共 30 层，隐藏维度 1920，位置编码用的是正弦编码，5B 版本则换成了 3D-RoPE。

再看输出规格。官方模型卡写的是：英文提示词，长度上限 226 个 token，视频 6 秒，每秒 8 帧，分辨率 720×480，不支持其他分辨率，连微调也不行。我们库里登记的 768×1360，其实是论文摘要里整个 CogVideoX 系列的能力上限（10 秒、16 帧、768×1360），并不是开源 2B 权重开箱即用的输出。选型时以模型卡为准。

许可方面，Hugging Face 上 THUDM 的 CogVideoX-2b 页面标注的协议是 Apache 2.0，对想拿去二次开发或商用的人来说门槛很低。

能力和成绩

论文用 VBench 里的几项指标做了对比，另加动态质量和 GPT-4o 评估的"变化幅度"得分。需要说明，这些数字都是论文作者团队自己测的。2B 的成绩是：人物动作 96.6，场景 55.35，动态程度 66.39，多物体 57.68，画面风格 24.37，动态质量 57.7，GPT4o-MT 得分 3.09。

挑两项最能说明问题的看。动态程度上，同表里的 Open-Sora V1.2 是 47.22，Gen-2 只有 18.89，2B 的 66.39 说明它不太爱输出"几乎不动"的画面，甚至比 5B 的 62.22 还高一点。GPT4o-MT 得分 3.09，同表里 VideoCrafter-2.0 是 2.68，说明它在画面随时间发生变化这件事上做得不差。

短板也在表里：多物体得分低于 LaVie-2 的 64.88，动态质量低于 Open-Sora V1.2 的 63.7，画面风格低于 VideoCrafter-2.0 的 25.13。另外论文里与可灵（Kling）的人工评测对比用的是 5B，2B 没有参加。

怎么用、多少钱

2B 的主要用法是本地部署，官方提供 diffusers 和 SAT 两种版本。官方模型卡给的显存参考：SAT 版 FP16 推理约 18GB；diffusers 版 FP16 在开启各种显存优化后，最低 4GB 起。模型卡还说，配合 PytorchAO、Optimum-quanto 量化，可以在免费 T4 Colab 这类小显存环境运行，代价是推理速度明显变慢。官方推荐 2B 用 FP16 推理，因为它就是用 FP16 训练的，不支持 INT4。

速度方面，按模型卡的数据，50 步推理在单张 A100 上约 90 秒，H100 上约 45 秒。论文在 H800 上测得 480×720、6 秒的视频约 49 秒、占 18GB 显存，如果拉到 768×1360，时间会涨到 220 秒、显存涨到 53GB。想微调的话，模型卡给出的 LoRA 微调显存约 47GB（batch size 1），门槛比推理高不少。

价格上，权重本身免费。官方没有为 CogVideoX-2B 单独登记 API 名称，这里不写 API 价格；你的成本主要是显卡和电费。想用官方在线服务，可以去智谱的清影，但那是商业版产品，规格和计费与开源 2B 不是一回事。

和谁比

先和亲兄弟 5B 比。5B 有 42 层、隐藏维度 3072，用 BF16 训练和推理，论文里它在多物体（70.95 对 57.68）和动态质量（69.5 对 57.7）上明显更好。代价是同样 480×720、6 秒的视频，5B 需要 113 秒、26GB，2B 只要 49 秒、18GB。换句话说，2B 用约一半的时间和更少的显存，换来中等偏上的效果。

再和同期开源模型比。对 Open-Sora V1.2，2B 在人物动作、动态程度上得分更高，动态质量却落后。对 AnimateDiff 一类基于图像模型改造的方案，2B 是从头设计的视频架构，运动幅度和一致性更占便宜，但输出更短，且只认英文。要注意，对比所用的基准是论文作者选的子集，换一套评测，名次可能变。

适合谁，有哪些坑

做内容的人，可以拿它做草稿、动态素描或短镜头灵感，6 秒、8 帧每秒、720×480 的规格决定了它更像个"动起来的样片"，不是可以直接交付的成片。写代码的开发者最容易上手：diffusers 几行代码就能跑，Apache 2.0 协议也让二次开发没什么心理负担。搞选型的技术负责人则要想清楚：如果显存有 24GB 以上、对画质有要求，5B 更值得评估；如果只有消费级显卡，或者要大批量快速出图，2B 的性价比更合适。

坑也直接写在模型卡里：提示词只支持英文，中文需要先让大语言模型翻译；长度限制 226 token，所以提示词要写得具体而不是堆砌；输出分辨率固定，微调也改不了；显存优化和量化会换来明显的速度损失。另外，官方论文里提到的 10 秒、16 帧、高分辨率能力，不要默认开源 2B 就有。

AI主线的看法是：CogVideoX-2B 的价值不在单点成绩，而在于它把"能自己跑、能自己改"的视频生成门槛压到了普通开发者够得着的位置。如果你想先摸清楚开源视频模型能做到什么程度，它是个不错的起点；真要做产品，再去评估 5B 或更新的模型也不迟。