本文介绍了UniToken，一种自回归生成模型，通过离散和连续表示组合编码视觉输入，实现统一的视觉理解与图像生成。UniToken框架能够捕捉高层语义和低层细节，提升多任务知识自适应能力，实验结果显示其在多个基准测试中表现优异，超越现有方法。

本研究提出了一种新的视频标记器LARP，克服了传统自回归生成模型的局限性。LARP通过整体查询学习视觉信息，显著提升了生成模型的性能，在UCF101基准测试中表现优异，展现了其潜在应用价值。

SutraNets是一种新的神经概率预测方法，通过自回归生成模型将长序列的可能性因子分解为条件概率的乘积。实验证明SutraNets在六个真实世界数据集上显著提高了预测准确性。