通过构建多任务模型、保留高保真度的视频本机时空分词器，研究证明了多模态潜在空间设计的可行性，并提出了一种优于行业标准编解码器的视频本机时空分词器。可扩展视觉令牌表示法在生成、压缩和理解任务中表现出优势。研究为未来生成非文本数据、实现实时互动体验提供潜力。

通过构建多任务模型和保留高保真度的视频本机时空分词器，研究证明了多模态潜在空间设计的可行性。提出了一种优于行业标准编解码器的视频本机时空分词器，实现了语言模型超越扩散模型的突破。可扩展视觉令牌表示法在生成、压缩和理解任务中表现出优势。研究为未来生成非文本数据、实现实时互动体验提供潜力。