在训练上，CogVideo一共用了540万个文本-视频对。
这里不仅仅是直接将文本和视频匹配起来“塞”给AI，而是需要先将视频拆分成几个帧，并额外给每帧图像添加一个帧标记。
这样就避免了AI看见一句话，直接给你生成几张一模一样的视频帧。
其中，每个训练的视频原本是160×160分辨率，被CogView2上采样（放大图像）至480×480分辨率，因此最后生成的也是480×480分辨率的视频。
至于AI插帧的部分，设计的双向通道注意力模块则是为了让AI理解前后帧的语义。
最后，生成的视频就是比较丝滑的效果了，输出的4秒视频帧数在32张左右。
在人类评估中得分最高这篇论文同时用数据测试和人类打分两种方法，对模型进行了评估。
研究人员首先将CogVideo在UCF-101和Kinetics-600两个人类动作视频数据集上进行了测试。
其中，FVD（Fréchet视频距离）用于评估视频整体生成的质量，数值越低越好；IS（Inception score）主要从清晰度和生成多样性两方面来评估生成图像质量，数值越高越好。
整体来看，CogVideo生成的视频质量处于中等水平。
但从人类偏好度来看，CogVideo生成的视频效果就比其他模型要高出不少，甚至在当前最好的几个生成模型之中，取得了最高的分数：
具体来说，研究人员会给志愿者一份打分表，让他们根据视频生成的效果，对几个模型生成的视频进行随机评估，最后判断综合得分：
