Zhipu CogVideoX

数据来源与规模

CogVideoX 技报（arXiv 2408.06072）称视频来自"网上可得的大部分视频"，过滤后约 35M 单镜片段、均长约 6s（约 5.8 万小时为换算值）；另有约 20 亿图像，来自 LAION-5B 与 COYO-700M 并经美学过滤。WebVid 仅用于评测 [1]。

加工

抽样 2 万条视频人工二分类，训练 6 个 Video-LLaMA 分类器，过滤剪辑感、静态、讲座、文字主导、屏幕截图、低质视频，测试准确率 0.89-0.99；再加光流与美学阈值。稠密 caption 流水线为 panda-70m 短 caption 加 CogVLM 逐帧（每 2 秒）描述，GPT-4 汇总，再约 5 万条数据微调 LLaMA2 加速，最终得到 cogvlm2-caption [1]。

伙伴与争议

huace、bilibili 为清影合作方，未证实涉及语料。智谱 2025-12 招股书据称承认训练数据可能含未经许可内容，该说法未回到原文核实，⚠️。无视频数据专项诉讼。主站另有公司页。