动机：什么才是好的视频分词器？ 在生成式 AI 领域，视觉分词器（Visual Tokenizer）通常采用固定压缩率 —— 无论是单调的监控画面，还是复杂的动作大片，都被切分为等量的 Token。这种 "一 刀切" 的做法不仅会造成巨大的计算冗余，也产生了 "信息量" 不同的 Token，不利于下游理解生成任务处理。 近日， 来自 斯坦福 大学、英伟达（NVIDIA）Cosmos 团队和新加坡国立大学的研究团队 提出了一种基于信息论的自适应视频分词器 InfoTok ，能根据视频内容 复杂度自动分配 Token 数量，实现了 2.3 倍 压缩率 ，推理速度比同类自适应方案 快 11 倍 的同时取得了更优的重建质量，为高效视频理解与生成开辟了新的可 能。该论文在已被 ICLR 2026 接收为 Oral 口头报告，第一作者为斯坦福大学 Haotian Ye 和新加坡国立大学 Qiyuan He。 论文标题：InfoTok: Adaptive Discrete Video Tokenizer via Information-Theoretic Compression 论文链接：https://arxiv.org ...