CogVideoX：停更了，但这一代模型值得读三处设计
先说结论：不要用它开新项目。生态停更意味着节点、量化包、修复补丁都不会再更新，出了问题只能自己扛。但作为技术读物，它是性价比最高的一份教材。
一、把门槛压到 4 GB 的那套工程
20 亿参数的那一档，通过 CPU offload、序列并行、显存复用等一整套手段，把推理显存压到了消费级甚至入门级。这套做法后来被大量项目借鉴，如今在多数部署文档里看到的「分层加载」「分块解码」，源头都能追到这里。
值得读的点在于：它把「省显存」拆成了可组合的选项，而不是一刀切的开关。你能从中看到每一项分别省下多少、代价是什么。
二、三维注意力：视频模型和图像模型的真正分界
图像模型的空间注意力是二维的（高 × 宽）。视频多了一个时间维度，注意力的组织方式直接决定「运动是否连贯」。
这一代采用的是时空分离加全局三维的混合策略：先做空间注意力抓到每帧结构，再做时间注意力对齐帧间关系，最后少量全局三维注意力负责长程依赖。这样比纯三维注意力的算力低一个量级，一致性又不至于崩。
这个结构在今天的模型里依然常见，只是参数变多了。
三、指令微调的数据构造
早期视频模型的提示词遵循度很差——写「一个人从左走到右」，出来的是「一个人在画面中间晃」。原因不在模型容量，在训练数据：视频-文本对太粗，字幕只写「一个人在走路」。
这一代开始系统性地构造细粒度描述：机位、景别、动作方向、物体关系、光线条件，都拆成独立的描述片段。这套标注规范后来成了行业惯例，你在今天任何一个高质量模型的文档里都能看到类似的提示词模板。
四、从它身上能学到的方法论
- 降门槛和提质量是两条独立的线：同一代模型，参数从 20 亿到 50 亿，能力差一档，但工程优化能补回来一部分；
- 提示词规范是被训练出来的：模型遵循度差，往往是数据标注粗，而不是模型笨；
- 停更的模型仍然有价值：作为理解架构和工程取舍的参照物，它比论文好读。
五、如果手上正好有它
已经在用的人可以这样处理：
- 把它当作「低配快速验证」的工具，出 480P 草稿；
- 不要指望它出终稿，也不要在它上面投 LoRA 训练；
- 慢慢把流程迁到在维护的模型上，迁移时注意提示词习惯要跟着改——不同模型的提示词偏好差别很大。
相关阅读
版权声明：如无特殊标注，文章均为本站原创，转载时请以链接形式注明文章出处。
