来自 will depue（@willdepue）的推文线程

我们居然用把所有东西都塞进一个Transformer里就解决了视频生成的问题，这简直太荒谬了。所有那些适用于文本的优秀电感偏置在视频里根本行不通：你是在跨越时间和空间对像素块进行注意力控制吗？然而它却效果出奇的好。