This update was contributed thanks to GitHub user Renegade334.
重复劳动越来越多：同样的组件改改参数就是一个新的，同样的交互换换逻辑又要重新写
。关于这个话题，新收录的资料提供了深入分析
原因也不复杂：所有的视频模型本质上做的是同一件事，从海量视频数据中学习统计规律，然后在生成每一帧画面时预测「接下来什么样的像素排列最可能出现」。这和大语言模型的「预测下一个词」（Next-Token Prediction）是同一套逻辑。，详情可参考新收录的资料
Nature, Published online: 24 February 2026; doi:10.1038/d41586-026-00591-z，详情可参考新收录的资料
Credit: Keeprix