多假设预测

一帧只需一个词元：用 Delta 词元进行高效生成式世界建模

A Frame is Worth One Token: Efficient Generative World Modeling with Delta Tokens

把相邻帧的 VFM 特征差压缩成单个连续 delta 词元，将视频从三维时空表示降为一维时序序列，这一分词思路可直接复用于视频预测、特征空间生成建模与高效多假设采样。