本文介绍了一种开源视频标记器VidTok，旨在解决视频生成和理解中的冗余问题。VidTok结合卷积层和缩放模块，采用有限标量量化（FSQ），显著提升性能，超越现有技术。

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。