微软开源了一款全能视频Tokenizer——VidTok，其在连续和离散、不同压缩率等多种设定下，性能全面超越现有SOTA模型。测试显示，VidTok在PSNR、SSIM、FVD、LPIPS等指标上表现优异，尤其在离散Tokenizer中优于英伟达的Cosmos Tokenizer，而在连续Tokenizer中胜过Open-Sora和CogVideoX。

VidTok由微软亚研院、上海交通大学和北京大学的研究团队共同研发，支持自定义数据集微调，为研究者和开发者提供了高性能、易用的工具平台。它能有效降低模型训练和推理时的计算需求，支持多样化的隐空间和压缩率，兼容因果和非因果模型，满足不同需求。

VidTok的技术亮点在于其高效的混合模型架构设计、先进的有限标量量化技术和分阶段训练策略。混合模型架构结合3D、2D和1D卷积，解耦空间和时间采样；有限标量量化技术无需显式学习码本，提高训练稳定性和重建性能；分阶段训练策略显著减少计算成本，保持重建质量。