核心信息
Stability AI 互动研究团队发布了 SemanTok，通过让早期视频 token 具备更强的语义含义，使其表征更易预测，从而提升视频生成效率。
要点
- 视频生成常见做法是从粗到细构建场景：初始 token 捕捉整体画面，后续 token 补充细节
- SemanTok 进一步让早期 token 更具语义意义，使模型更清楚地理解场景内容
- 使用 SemanTok 的模型达到了可比的表现（详见论文），实现更高效的视频生成
- 核心思路是通过提高表征可预测性来缩小视频世界模型的规模，而不仅是依赖压缩
