Avatar V innebär ett grundläggande skifte i hur modeller för avatargenerering hanterar identitet. Där tidigare system utgick från en enda referensbild arbetar Avatar V med ett helt videokontextfönster, vilket gör att modellen selektivt kan uppmärksamma de mest informativa ögonblicken i din inspelning.

Den selektiva uppmärksamhetsmekanismen extraherar tydliga identitetssignaler över flera bildrutor, inklusive läppgeometri, ansiktssilhuettens struktur och mönster i uttrycksförändringar, samtidigt som den naturligt undertrycker bildrutor där pose, ljussättning eller skymning försämrar signalkvaliteten. Resultatet är en rikare, tidsmässigt förankrad identitetsinbäddning som består genom hela genereringskontexten.

Denna riktade aggregering över flera bildrutor löser identity drift – den gradvisa avvikelsen mellan referensidentitet och genererad output som begränsar karaktärskonsekvensen i system som bara använder en enskild referensbild. Avatar V behåller en stabil identitetsrepresentation över scener, kameravinklar och långa videor utan extra finjustering eller ytterligare referensmaterial.