Ein Text-zu-Bild-Modell, das chinesische Schriftzeichen richtig zeichnet statt Kauderwelsch, Code und Gewichte freigibt und sich in einen vorhandenen Ablauf einfügt — der Endnutzer-Einstieg liegt inzwischen auf einer anderen Plattform.

Die dritte Generation liefert in einer Erzeugung bis zu dreißig Sekunden mehrteiliges Material mit Dialog, Musik und Geräuschen, nimmt bis zu zwanzig multimodale Referenzen samt Dokumenten und Webseiten auf und lässt das Ergebnis bearbeiten und verlängern.

Bilderzeugung, Videoproduktion und eine Leinwand, die das Ergebnis bearbeitbar hält, teilen sich einen Eingang, Anfangs- und Endbild lassen sich festlegen, und der Ablauf ist um chinesische Prompts herum gebaut.

Die Vektorvariante schreibt bearbeitbare SVG-Dateien statt Rasterbilder, wenige Vorlagen legen einen ganzen Markenstil fest ohne Training, und Länge wie Platzierung von Text bleiben steuerbar.