本研究提出了一种新型视觉标记器V2Flow，旨在解决传统视觉标记技术的不足。V2Flow通过流匹配将视觉标记与大型语言模型词汇结合，实现高保真重构和自回归视觉生成。实验结果表明，V2Flow在生成质量和标记整合方面优于主流VQ标记器，具有重要应用潜力。

本研究探讨了视觉标记器在图像和视频生成中的扩展问题，提出了一种增强的视觉Transformer架构（ViTok），结果表明解码器的扩展显著提升了重建效果，为未来的视觉生成任务提供了新思路。