Avatar V introduce un cambio fundamental en cómo los modelos de generación de avatares manejan la identidad. Mientras que los sistemas anteriores se basan en un único cuadro de referencia, Avatar V funciona con una ventana de contexto de video completa, lo que le permite al modelo enfocarse selectivamente en los momentos más informativos de tu grabación.

El mecanismo de atención selectiva extrae señales de identidad relevantes a través de los distintos fotogramas, incluyendo la geometría de los labios, la estructura de la silueta facial y los patrones de transición de las expresiones, mientras suprime de forma natural los fotogramas en los que la pose, la iluminación o las oclusiones reducen la calidad de la señal. El resultado es una incrustación de identidad más rica y anclada temporalmente, que se mantiene a lo largo de todo el contexto de generación.

Esta agregación dirigida entre fotogramas resuelve el desvío de identidad, la divergencia progresiva entre la identidad de referencia y el resultado generado que limita la consistencia del personaje en los sistemas que se basan en un solo fotograma. Avatar V mantiene una representación de identidad estable a través de escenas, ángulos de cámara y videos de larga duración, sin necesidad de ajuste fino adicional ni de nuevas referencias de entrada.