VideoPoet能以前一秒的影片預測下1秒的影片，以連續預測的方式達到生成更長影片的目的，而這種方法不只可以有效延長影片，而且經過多次迭代後仍能保持影片主體的外觀不變。VideoPoet生成的影片也能夠以互動的方式編輯，像是改變影片中物體的運動，使其執行不同的動作，且編輯會從影片的第一個影格，或是中段的影格開始，提供了高度可編輯控制性。使用者也可以透過文字提示，添加需要的攝影機運動方式，藉此精確地控制攝影機的移動。

經過評估，VideoPoet能夠良好的執行影片生成任務，在多項基準測試中，VideoPoet較其他模型表現更好。研究人員要求評估者根據偏好選擇，在文字準確度方面，平均24％-35％VideoPoet的範例被認為更符合指令描述，而其他模型的比例則為8％-11％。評估者還更傾向選擇VideoPoet範例，認為其中41％-54％範例呈現出更有趣的運動方式，相較於其他模型比例只有11％-21％（下圖）。

VideoPoet的研究貢獻在於展示大型語言模型的能力，也具有生成高度競爭力影片的能力，特別是在高品質的動作表現方面。研究人員指出，對於未來研究，他們的框架會朝向支援任意形式生成任意形式內容的方向發展。