VideoFlexTok是一种灵活的视频标记方法，通过粗到细的方式表示视频，初始标记捕捉抽象信息，后续标记添加细节。这种结构允许根据需求调整标记数量，提升训练效率，生成质量与传统3D网格标记相当，但模型更小，支持长视频生成，计算成本低。

TrajTok是一种视频标记模块，通过动态调整标记粒度，解决视频模型中的标记冗余问题。它集成了统一的分割器，能够高效生成对象轨迹，提升视频理解性能。在分类和检索基准测试中表现优异，可作为预训练视觉特征的探测头或视觉-语言模型的连接器。