La génération vidéo en streaming, où un modèle d'IA produit un long clip bloc par bloc et peut recevoir de nouvelles consignes en cours de route, coûte cher parce que chaque nouveau bloc exige de relancer le modèle. Une nouvelle prépublication sur arXiv décrit APEX, une façon d'entraîner ces modèles à fonctionner en très peu d'étapes tout en consommant moins de mémoire à l'entraînement. Elle vise les chercheurs et les laboratoires plutôt que le grand public, mais c'est le type de travail d'efficacité qui finit par décider du coût des outils vidéo d'IA.
Le problème technique est précis. Une méthode courante pour accélérer les modèles vidéo, appelée Distribution Matching Distillation, demande deux réseaux auxiliaires à l'entraînement : un enseignant figé qui représente une bonne sortie, et un réseau de score factice distinct qui suit ce que produit le générateur à l'instant. Pour les grands modèles vidéo, ce second réseau coûte de la mémoire et du calcul, et doit rester synchronisé avec un générateur qui évolue. APEX le supprime. Grâce à une astuce appelée décalage de condition, le même modèle joue les deux rôles : le prompt texte normal le fait générer, une version décalée du prompt lui fait estimer sa propre distribution de sortie. L'enseignant figé du système antérieur S2-Avatar est conservé, de même que sa méthode d'entraînement Self-Replay Forcing.
L'évaluation porte sur des vidéos de 180 secondes. Face à S2-Avatar, APEX obtient un score légèrement supérieur de respect des consignes sur la piste Progressive du banc d'essai, 3,856 contre 3,831, et en esthétique visuelle, 0,641898 contre 0,632606. Dans une étude humaine de 70 cas, les évaluateurs ont préféré APEX surtout pour le respect des consignes, avec une préférence nette de +30,0%, et de +4,3% chacun pour la cohérence et la qualité vidéo. À réglages d'entraînement identiques, il a utilisé 4,4% de mémoire GPU de pointe en moins par GPU et chaque itération d'entraînement a été 9,2% plus rapide qu'avec la méthode de distillation habituelle.
Ce sont des économies modestes, et c'est le titre honnête. Les gains aux scores automatiques sont faibles, et l'avantage le plus net est que la vidéo suit mieux des consignes changeantes, ce qui compte pour les usages interactifs comme les avatars ou la narration en direct.
Les limites apparaissent dans le résumé lui-même. Les évaluateurs ont préféré S2-Avatar pour la qualité du mouvement, la synchronisation audio et vidéo était le plus souvent à égalité, et l'utilisabilité n'a pas changé. L'étude humaine est petite, la comparaison porte sur un seul système antérieur, et il s'agit d'une prépublication non relue par des pairs. Aucune publication de code ou de produit n'est décrite.