這真是荒謬，我們通過將所有東西投入變壓器來解決 videogen。對於文本的所有良好歸納偏見在視頻中並不完全適用：你是在時間和空間之間對像素區塊進行注意力操作嗎？然而，它的效果卻非常好。

普遍的回應是，這些模型只是想學習，而變壓器是我們知道如何很好地擴展的東西。但這引出了問題，為什麼變壓器是我們唯一知道如何擴展的東西？這不僅僅是沉沒成本。