Là où Utopai X est le plus fort en Image to Video : il domine Physics et Multi-Scene & Narrative, et se situe juste derrière les leaders en Audio Synchronization, Spatio-Temporal Consistency et Text Rendering
Capabilities sont les compétences du modèle qu'un prompt est rédigé pour tester. Dans AA-Video-I2V v2.1, chaque prompt associe une image de départ à un prompt texte rédigé pour cette image.
Face à MiniMax H3 (768p), le modèle à partir duquel il a été post-entraîné, Utopai X est plus proche de la frontière sur 7 des 10 capacités. Ses plus grands gains concernent Physics, Human Anatomy et Audio Synchronization. Dialogue & Lip Sync et Human Anatomy sont les domaines où il est le plus en retard sur les leaders.
➤ Physics couvre la mécanique, les effets thermiques, les interactions entre matériaux, la rupture et la déformation, l'optique, la relation de cause à effet et la physique contrefactuelle.
➤ Multi-Scene & Narrative couvre les histoires à événements multiples, les transitions entre plans, le montage et la cohérence d'identité entre les plans.
➤ Dialogue & Lip Sync, où Utopai X est le plus en retard sur les leaders, couvre les dialogues à un ou plusieurs intervenants, et la voix off par rapport à la parole à l'écran.