उच्च गुणवत्ता वाले, समय-संवृत्त वीडियो बनाने के लिए बड़ी मात्रा में कंप्यूटिंग संसाधनों की आवश्यकता होती है, विशेष रूप से लंबे समय की अवधि के लिए। नवीनतम डिफ्यूजन ट्रांसफार्मर मॉडल (DiTs) ने वीडियो जनरेशन में महत्वपूर्ण प्रगति की है, लेकिन इसके बड़े मॉडल और अधिक जटिल ध्यान तंत्र पर निर्भरता के कारण इसकी गणना गति धीमी हो गई है, जिससे यह चुनौती और बढ़ गई है। इस समस्या को हल करने के लिए, Meta AI के शोधकर्ताओं ने वीडियो DiTs को तेज़ करने के लिए बिना प्रशिक्षण के एक विधि पेश की है जिसे AdaCache कहा जाता है।

शंघाई प्रौद्योगिकी विश्वविद्यालय के वैज्ञानिकों ने CLAY नामक एक AI मॉडल विकसित किया है, जो पाठ या 2D चित्रों से विस्तृत 3D वस्तुओं का निर्माण कर सकता है। इसकी गुणवत्ता, विविधता और निर्माण की गति पिछले तकनीकों की तुलना में बेहतर है। CLAY का मुख्य हिस्सा एक मल्टी-रेज़ोल्यूशन वेरिएशनल ऑटोएन्कोडर और डिफ्यूजन ट्रांसफार्मर शामिल है, जो सीधे 3D सामग्री को संसाधित कर सकता है, बिना किसी रूपांतरण की आवश्यकता। 500,000 से अधिक 3D मॉडलों के प्रशिक्षण के माध्यम से, CLAY दैनिक वस्तुओं से लेकर जटिल जीवों तक की वस्तुएं उत्पन्न कर सकता है और अतिरिक्त इनपुट के जरिए सटीक नियंत्रण प्राप्त कर सकता है, जिससे शहरी दृश्यों और स्केच से 3D मॉडलों का पुनर्निर्माण किया जा सकता है।