realmente quero um modelo que cospe vídeos de alta qualidade / infodensos que respondam melhor às minhas perguntas do que pesquisas profundas com ótimas visualizações / referências / auxiliares de memória / etc.

Isso parece tecnicamente possível, mas definitivamente seria lento. Eu me pergunto quantos anos de progresso precisamos para colocar o pipeline abaixo de 5 segundos de latência