在讨论图像、视频生成模型时，人们的焦点更多地集中在模型所采用的架构，比如大名鼎鼎的 DiT。但其实，tokenizer 也是非常重要的组件。
谷歌等机构的研究者曾在一篇题为「Language model Beats diffusion - tokenizer is key to visual generation」的论文中证明，一个好的 tokenizer 接入到语言模型后，能够立即获得比当时最好的 diffusion 模型还要好的效果。论文作者蒋路在后来接受采访时表示，「我们的研究可能会让社区意识到 tokenizer 是被严重忽视的一个领域，值得发力去做」。
在图像、视频生成模型中，tokenizer 的核心作用是将连续的、高维的视觉数据（如图像和视频帧）转换成模型可以处理的形式，即紧凑的语义 token，它的视觉表示能力对于模型的训练和生成过程至关重要。就像上述论文作者所说，「tokenizer 的存在就是通过建立 token 之间的互联，让模型明确『我现在要做什么』，互联建立得越好、LLM 模型越有机会发挥它的全部潜力。」
tokenizer 是生成式 AI 的关键组件，它通过无监督学习发现潜在空间，从而将原始数据转换为高效的压缩表示。视觉 tokenizer 专门将图像和视频等高维视觉数据转化为紧凑的语义 token，从而实现高效的大型模型训练，并降低推理的计算需求。图中展示了一个视频 token 化过程。
当前，业界有很多可用的开源视频、图像 tokenizer，但这些 tokenizer 经常生成质量不佳的数据表示，这会造成采用该 tokenizer 的模型生成失真的图像、不稳定的视频。此外，低效的 token 化过程还会导致编解码速度变慢、训练和推理时间变长，从而对开发人员的工作效率和用户体验产生负面影响。
为了解决这些问题，来自英伟达的研究者开源了一套名为 Cosmos 的全新 tokenizer。
- 研究地址：https://research.nvidia.com/labs/dir/cosmos-tokenizer/
- HuggingFace 地址：https://huggingface.co/collections/nvidia/cosmos-tokenizer-672b93023add81b66a8ff8e6
一般来说，tokenizer 有两种类型：连续型和离散型。连续 tokenizer 将视觉数据映射为连续嵌入，适用于从连续分布中采样的模型，如 Stable Diffusion。离散 tokenizer 将视觉数据映射为量化指数，适用于 VideoPoet 等依赖交叉熵损失进行训练的模型，类似于 GPT 模型。下图比较了这些 token 类型。
tokenizer 必须兼顾高压缩和高质量，保留潜在空间的视觉细节。Cosmos tokenizer 是一套全面的连续和离散图像和视频视觉 tokenizer，可提供出色的压缩和高质量重建，速度是以前方法的 12 倍。
如表 1 所示，它支持各种图像和视频类型，具有灵活的压缩率，以适应不同的计算限制。
Cosmos tokenizer 基于轻量级时间因果架构，使用因果时间卷积和注意力层来保持视频帧的顺序。这种统一的设计允许对图像和视频进行无缝 token 化。
英伟达的研究者在高分辨率图像和长视频上训练 Cosmos tokenizer，涵盖不同类别数据的宽高比（包括 1:1、3:4、4:3、9:16 和 16:9）。在推理过程中，它不受时间长度的影响，可以处理比训练时间更长的数据。
- GitHub 地址：https://github.com/NVIDIA/Cosmos-Tokenizer
研究者在标准数据集（包括 MS-COCO 2017、ImageNet-1K、FFHQ、CelebA-HQ 和 DAVIS）上对 Cosmos tokenizer 进行了评估。为了使视频 tokenizer 评估标准化，他们还策划了一个名为 TokenBench 的新数据集，涵盖机器人、驾驶和体育等类别，并在 GitHub 上公开发布。
- TokenBench 地址：https://github.com/NVlabs/TokenBench
结果（图 1）显示，Cosmos tokenizer 明显优于现有方法，在 DAVIS 视频上的 PSNR 提升了 4 dB。它的 token 化速度是以前方法的 12 倍，并能在配备 80GB 内存的英伟达 A100 GPU 上编码长达 8 秒的 1080p 和 10 秒的 720p 视频。空间压缩率为 8 倍和 16 倍、时间压缩率为 4 倍和 8 倍的预训练模型可在 GitHub 上获取。
试用过 Cosmos 的 1x 机器人公司 AI 副总裁 Eric Jang 表示，Cosmos 是一个非常好的 tokenizer，比根据他们自己的数据进行微调的 Magvit2 好得多。看来，这个新工具值得一试。
以下是 Cosmos 的一些技术细节。
Cosmos tokenizer 架构
Cosmos tokenizer 采用复杂的编码器 - 解码器结构，旨在实现高效率和高效学习。其核心是采用 3D 因果卷积块，这是联合处理时空信息的专门层，并利用因果时间注意力捕捉数据中的长程依赖关系。
因果结构确保模型在进行 token 化时只使用过去和现在的帧，而避免使用未来帧。这对于与许多真实世界系统的因果性质保持一致至关重要，例如物理 AI 或多模态 LLM 中的系统。
Cosmos tokenizer 架构图。
使用 3D wavelet 对输入进行降采样，这种信号处理技术能更有效地表示像素信息。数据处理完成后，通过反向 wavelet 变换重建原始输入。
这种方法提高了学习效率，使 tokenizer 编码器 - 解码器可学习模块专注于有意义的特征，而不是多余的像素细节。这些技术与其独特的训练方法相结合，使 Cosmos tokenizer 成为了一个高效、强大的架构。
实验结果
定性结果
图 6 显示了使用连续视频 tokenizer 重建的视频帧。
图 9 显示了使用不同离散图像 tokenizer 重建的图像。
图 8 则显示了连续图像 tokenizer 的误差图，以突出重建差异。与之前的方法相比，Cosmos tokenizer 能更有效地保留结构和高频细节（如草地、树枝、文本），同时将视觉失真（如人脸、文本）和伪影降到最低。
这些定性结果表明，Cosmos tokenizer 能够编码和解码各种视觉内容，并有能力保持图像和视频的最高视觉质量。
定量结果
表 2 和表 3 列出了连续和离散视频 tokenizer 在各种基准上的平均定量指标。Cosmos tokenizer 在 4×8×8 压缩率的 DAVIS 和 TokenBench 数据集上都达到了 SOTA 性能。即使在更高的压缩率（8×8×8 和 8×16×16）下，Cosmos tokenizer 的性能也优于以前的方法，显示了出色的压缩质量权衡。
