SemanTok：可预测语义 Token 的高效自回归视频生成

SemanTok 是一种灵活视频 tokenizer，将冻结 DINO 特征注入编码器，并通过轻量头从每个保留 token 前缀重建。201M 参数的 SemanTok AR 模型匹配或超越 3.4 倍规模的 VideoFlexTok AR 模型，在各类 AR 尺寸下均保持语义对齐与视频保真度。短 token 前缀预测成本更低、生成保真度更高，像素细节延后到后续 token。