realmente quiero un modelo que produzca videos de alta calidad/densos en información que respondan a mis preguntas mejor que una investigación profunda, con grandes visualizaciones/referencias/ayudas para la memoria/etc.

esto parece técnicamente posible, pero definitivamente sería lento. Me pregunto cuántos años de progreso necesitamos para reducir la latencia del pipeline a menos de 5 segundos.