Модель предназначена для генерации видео по текстовому описанию и распространяется в формате, совместимом с Diffusers; в карточке также указан тег text-to-image, однако название и базовая модель указывают на сценарий text-to-video.

Модель использует lossless-сжатие DFloat11: экспонентные биты весов BFloat16 кодируются методом Huffman coding, а веса распаковываются непосредственно на GPU во время работы. По данным README, размер уменьшен с 28,64 до 19,39 ГБ, при этом выходы бит-идентичны исходной модели. Для генерации двухсекундного видео в разрешении 480p пиковое потребление GPU-памяти снижается с 30,79 до 22,22 ГБ, тогда как время генерации на A100 составляет 348 секунд против 339 секунд у исходной версии.

Ключевое преимущество модели — существенное снижение требований к памяти без потери точности результатов. Ограничения включают небольшое увеличение времени генерации и необходимость GPU-ресурсов, достаточных для запуска крупной модели. Архитектура, число параметров, поддерживаемые языки и максимальная длина контекста в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять отдельно.