Видео на 10 минут генерируется без потери качества и консистентности
Техническая граница увеличена: современные модели генерируют видео продолжительностью до 10 минут при сохранении стабильности персонажей и сцен. Ранее сеть могла надёжно работать только с 30–90 секундными клипами.
Прорыв достигнут за счёт улучшенного кэширования контекста и архитектуры внимания. Видеопоследовательность теперь воспринимается моделью как единое целое, а не набор независимых кадров.
Требования к вычислительным ресурсам
Генерация 10-минутного клипа требует значительных вычислительных мощностей, но время ожидания сократилось до 2–4 часов на профессиональном оборудовании. Это выполнимо в рамках суточного цикла производства.
Консистентность изображения достигает 95 процентов: персонажи не меняют цвет одежды, объекты сцены сохраняют положение и масштаб на протяжении всей последовательности. Редкие артефакты исправляются локальной подкоррекцией.
Расширение длины открыло возможность создавать целые сцены или даже короткие фильмы в один проход без склейки нескольких клипов.