SemanTok：为高效自回归视频生成提供可预测的语义 token

SemanTok 是一种灵活视频 tokenizer，将冻结的 DINO 特征输入编码器，并加入轻量 head，使每个保留的 token 前缀都能单独重建这些特征。201M 的 SemanTok AR 模型匹配或超越 3.4 倍规模的 VideoFlexTok AR 模型，更大模型还能进一步提升保真度。它在分布外类别上保持语义对齐，并在包括纯噪声在内的各噪声水平上为解码器提供更高语义对齐。