面试题库 › 算法 / 大模型 › 视频生成模型架构:CogVideoX 与 Wan

视频生成模型架构:CogVideoX 与 Wan

难度 ★★★在 3 场真实面经中被问到 方向:算法 / 大模型考点:生成模型

哪些公司问过

字节跳动1快手1阿里巴巴1

常见岗位:大模型算法

答案要点

  1. 主流开源视频生成多为 3D 因果 VAE 压缩加扩散 Transformer 去噪
  2. 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
  3. CogVideoX 用专家 Transformer 拼接文本与视频 token,做完整 3D 注意力
  4. Wan2.1 用 Flow Matching 的 DiT,umT5 编码文本,交叉注意力注入条件
  5. 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

面试官常见追问

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。

相关面试题