Snap Vídeo é um modelo priorizando vídeo que aborda sistematicamente os desafios de fidelidade de movimento, qualidade visual e escalabilidade no domínio da geração de vídeo, através da extensão da estrutura EDM. O modelo utiliza informações redundantes entre quadros, propondo uma arquitetura Transformer escalável que representa as dimensões espacial e temporal como um único vetor latente 1D altamente comprimido, permitindo modelagem espaço-temporal conjunta eficiente e síntese de vídeos com alta coesão temporal e movimentos complexos. Essa arquitetura permite o treinamento eficiente do modelo, alcançando escalas de bilhões de parâmetros e obtendo resultados superiores em vários testes de benchmark.