Создать одно изображение сложно. Создание видео — это создание тысяч изображений, которые должны соответствовать друг другу — одно и то же лицо, один и тот же фон, одни и те же физические ограничения, кадр за кадром. Проблема временной когерентности — это то, что отличает генерацию видео от простой покадровой генерации изображений, и именно поэтому видеомодели являются наиболее ресурсоемкими генеративными системами, созданными на сегодняшний день.