Show-1 ist ein effizientes Text-zu-Video-Generierungsmodell, das Pixel- und latente Diffusionsmodelle kombiniert. Es erzeugt sowohl Videos mit hoher Textrelevanz als auch qualitativ hochwertige Videos mit geringem Rechenaufwand. Zunächst wird mit einem Pixelmodell ein niedrig aufgelöstes Vorabvideo generiert, das anschließend mit einem latenten Modell auf eine hohe Auflösung hochskaliert wird. Dadurch werden die Vorteile beider Modelle kombiniert. Im Vergleich zu rein latenten Modellen weist Show-1 eine präzisere Text-Video-Korrelation auf; im Vergleich zu rein Pixel-basierten Modellen ist der Rechenaufwand geringer.