Show-1 é um modelo eficiente de geração de vídeo a partir de texto. Ele combina modelos de difusão em nível de pixel e latente, gerando vídeos altamente relacionados ao texto com baixo consumo de recursos computacionais. Inicialmente, um modelo em nível de pixel gera um vídeo preliminar de baixa resolução, que então é aumentado para alta resolução por um modelo latente, combinando assim as vantagens de ambos os modelos. Em comparação com modelos puramente latentes, o Show-1 produz vídeos com correlação textual mais precisa; em comparação com modelos puramente baseados em pixels, apresenta custo computacional menor.