Zhipu AI y el grupo de investigación THUDM de la Universidad de Tsinghua presentaron formalmente CogVideoX, una familia de modelos abiertos de generación de video a partir de texto con escalas de 2.000 millones y 5.000 millones de parámetros, diseñada para democratizar la producción audiovisual de alta calidad mediante arquitecturas de difusión con Transformers. La innovación fundamental de CogVideoX radica en su Autoencoder Variacional (VAE) causal tridimensional, capaz de comprimir secuencias de video tanto en el plano espacial como en el temporal en un factor de 8x8x4, reduciendo de manera drástica el número de latentes que debe procesar el transformador de difusión. Esta arquitectura logra movimientos de cámara fluidos, consistencia física realista y una adherencia semántica excepcional a descripciones textuales complejas.
Capítulo 01
La noticia en una frase
Zhipu AI y THUDM lanzan CogVideoX, modelos abiertos de difusión de video de 2B y 5B con VAE causal 3D y simulación de movimiento cinemático fluido.
La arquitectura optimiza el procesamiento espaciotemporal mediante compresión 3D y atención experta, permitiendo generar video cinemático en hardware accesible.
Capítulo 02
