본 논문은 대규모 언어 모델(LLM)이 언어 분야에서 성공을 거둔 것과 달리 시각 분야에서는 여전히 어려움을 겪는 문제를 해결하기 위해 비디오 확산 모델(VDM)을 연구한다. 공간-시간 데이터를 기반으로 사전 훈련된 VDM은 구조와 동역학에 대한 강력한 귀납적 편향을 가지며, 이를 통해 다양한 작업을 효과적으로 수행할 수 있을 것이라는 가설을 세운다. ARC-AGI, ConceptARC, 시각 게임, 경로 계획, 세포 자동자와 같은 벤치마크를 통해 사전 훈련된 LLM과 VDM을 비교한 결과, VDM이 데이터 효율성 측면에서 우수함을 입증했다.
