Modelo abierto de texto a vídeo de 5.000 millones de parámetros de la serie CogVideoX, más grande que el primero de la serie (CogVideoX-2B).
Amplió la serie CogVideoX con un modelo mayor optimizado para ejecutarse en tarjetas gráficas de sobremesa como la RTX 3060.
Pesos abiertos en Hugging Face con la licencia CogVideoX (distinta de la Apache 2.0 del modelo de 2.000 millones). Llegó tres semanas después de CogVideoX-2B (con su propia ficha).
Vídeos a 720 × 480 y 8 fotogramas por segundo.