A geração de vídeo em streaming, em que um modelo de IA produz um clipe longo bloco a bloco e aceita novas instruções no caminho, é cara porque cada bloco novo exige rodar o modelo de novo. Um novo preprint no arXiv descreve o APEX, um jeito de treinar esses modelos para funcionarem em pouquíssimos passos usando menos memória no treino. Ele mira pesquisadores e laboratórios, não usuários finais, mas é o tipo de trabalho de eficiência que acaba decidindo quão baratas serão as ferramentas de vídeo com IA.
O problema técnico é específico. Um método comum para deixar modelos de vídeo rápidos, chamado Distribution Matching Distillation, precisa de duas redes auxiliares no treino: um professor congelado que representa a saída boa e uma rede separada de pontuação falsa que acompanha o que o gerador está produzindo. Em modelos de vídeo grandes, essa segunda rede custa memória e computação, e precisa acompanhar o gerador enquanto ele muda. O APEX a elimina. Com um truque chamado deslocamento de condição, o mesmo modelo faz os dois papéis: o prompt de texto normal o faz gerar, e uma versão deslocada do prompt o faz estimar a própria distribuição de saída. O professor congelado do sistema anterior S2-Avatar é mantido, junto com o método de treino Self-Replay Forcing.
A avaliação usa vídeos de 180 segundos. Em relação ao S2-Avatar, o APEX pontua um pouco mais em cumprimento de instruções na trilha Progressive do benchmark, 3,856 contra 3,831, e em estética visual, 0,641898 contra 0,632606. Num estudo com pessoas em 70 casos, os avaliadores preferiram o APEX sobretudo por seguir instruções, com preferência líquida de +30,0%, e por +4,3% em consistência e em qualidade de vídeo. Com as mesmas configurações de treino, usou 4,4% menos memória máxima de GPU por GPU e cada iteração de treino foi 9,2% mais rápida que no método de destilação padrão.
São economias modestas, e essa é a manchete honesta. Os ganhos nas notas automáticas são pequenos, e a vantagem mais clara é que o vídeo segue melhor instruções que mudam, o que importa para usos interativos como avatares e narração ao vivo.
Os limites aparecem no próprio resumo. Os avaliadores preferiram o S2-Avatar em qualidade de movimento, a sincronia entre áudio e vídeo ficou quase sempre empatada e a usabilidade não mudou. O estudo com pessoas é pequeno, a comparação é com um único sistema anterior e trata-se de um preprint sem revisão de pares. Não há descrição de lançamento de código ou produto.