本文提出了一种基于Transformer的点追踪框架TAPTR，能够高效实时跟踪视频中的任意查询点，并解决了累积误差问题，显著提升了TAP-Vid基准测试中的性能。此外，研究探讨了密集跟踪在机器人学习中的应用，展示了其在复杂任务中的有效性。