# 场景分词器

自动驾驶的3D世界模型常把几何基础模型的特征当作未来状态，但这类特征随相机视角变化，使模型要同时预测场景演化和相机运动。GeoState把多视角特征压缩成与视角无关的场景状态，只在解码时用相机射线查询，相机轨迹另行建模。在Waymo上，它在各预测时域优于对比世界模型，并零样本迁移到KITTI和nuScenes。

自动驾驶的3D世界模型常把几何基础模型的特征当作未来状态，但这类特征随相机视角变化，使模型要同时预测场景演化和相机运动。GeoState把多视角特征压缩成与视角无关的场景状态，只在解码时用相机射线查询，相机轨迹另行建模。在Waymo上，它在各预测时域优于对比世界模型，并零样本迁移到KITTI和nuScenes。

SemanTok 是一种灵活长度视频 tokenizer，把冻结 DINOv2 特征送入编码器并用轻量头从每个保留的 token 前缀重建这些特征，使 201M 自回归模型在保真度上追平或超过 3.4 倍大的 VideoFlexTok 模型，并在所有噪声水平（含纯噪声）下提升语义对齐。

SemanTok 是一种灵活长度视频 tokenizer，把冻结 DINOv2 特征送入编码器并用轻量头从每个保留的 token 前缀重建这些特征，使 201M 自回归模型在保真度上追平或超过 3.4 倍大的 VideoFlexTok 模型，并在所有噪声水平（含纯噪声）下提升语义对齐。