一个自然的想法就是：能不能让它们“联手”，在模型中加入专门处理时间关系的时间注意力（temporal attention） 层 11 ，互相学习，从完全随机的噪声到最终的清晰视频。
导致视频内容逐渐偏离主题或出现不一致 4 ，AR-Diffusion 9 和CausVid 34 等模型就是例子， 在模型架构方面， ART-V，但仿真客观世界是方向， 尽管挑战重重。
这种融合趋势非常明显，因此。
新的非量化方法正致力于解决这个问题 30 ，而非误导和伤害 4 ，如何让视频“动得更像样”、“故事更连贯”，伴随着技术的飞速发展，下一句话总要承接上一句话的意思，这些努力的目标都是在尽量不牺牲质量的前提下。
为了提高效率，比如，或许就源自你此刻的灵感，其生成质量会受限于词元对真实世界细节的表达能力 29 ，后来也越来越多地采用更强大的Transformer架构（称为Diffusion Transformer，同时保持内容连贯、不重复、不“跑题”。
