基于 transfomer 的视频生成模型生成十秒以上的长视频因为上下文增加，有计算和显存的双重瓶颈，和 LLM 上下文从 128K 扩展到 1M 所需解决的问题差不多。LLM 用了挺久时间，视频生成现在还没过这一关。