Snap Video ist ein videozentriertes Modell, das die Herausforderungen von Bewegungsgenauigkeit, visueller Qualität und Skalierbarkeit im Bereich der Videogenerierung systematisch durch Erweiterung des EDM-Frameworks angeht. Das Modell nutzt interframe Redundanzinformationen und präsentiert eine skalierbare Transformer-Architektur, die räumliche und zeitliche Dimensionen als hochkomprimierten 1D-Latentvektor darstellt, um eine effiziente spatio-temporale gemeinsame Modellierung und die Synthese von Videos mit hoher zeitlicher Kohärenz und komplexen Bewegungen zu ermöglichen. Diese Architektur ermöglicht ein effizientes Training des Modells mit Milliarden von Parametern und erzielt in mehreren Benchmark-Tests optimale Ergebnisse.