视频生成模型架构:CogVideoX 与 Wan
哪些公司问过
答案要点
- 主流开源视频生成多为 3D 因果 VAE 压缩加扩散 Transformer 去噪
- CogVideoX 的 VAE 时间压缩 4 倍、空间 8×8;帧数取 4k+1 是因为首帧单独编码
- CogVideoX 用专家 Transformer 拼接文本与视频 token,做完整 3D 注意力
- Wan2.1 用 Flow Matching 的 DiT,umT5 编码文本,交叉注意力注入条件
- 生成模型的主干做去噪重建;理解模型用视觉编码器加自回归 LLM 输出文本
易错点
- 把 4k+1 当成随意设定,忽略因果 VAE 首帧单独编码
- 混淆视频生成模型和视频理解模型的架构
- 对不熟悉的模型参数和训练细节随意编造
面试官常见追问
- SD3 的架构和 Flow Matching 原理是什么?
- FLUX 的结构和优势是什么?
- MM-DiT 相比交叉注意力有什么优势?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。