Kakao ha sviluppato KATok, acronimo di Keep-or-Drop? Adaptive Tokenizer for Compact Video Representation, una tecnologia di tokenizzazione adattiva progettata per ridurre il costo computazionale dei modelli di generazione video basati sull’intelligenza artificiale. La ricerca viene presentata a ECCV 2026, la European Conference on Computer Vision, in programma in Svezia fino al 12 settembre e considerata insieme a CVPR e ICCV una delle principali conferenze internazionali dedicate alla computer vision. Il lavoro è stato guidato dalla research engineer Yeonkyung Lee di Kakao, che presenta direttamente il paper il 10 settembre durante la Poster Session 2. L’obiettivo è affrontare uno dei principali problemi emersi con il passaggio verso video AI a risoluzione più elevata e di maggiore durata: l’aumento molto rapido della quantità di dati da elaborare e, di conseguenza, dei costi di addestramento e generazione.
I tokenizer video tradizionali comprimono i contenuti utilizzando generalmente rapporti prefissati, indipendentemente dalla quantità effettiva di informazioni presente nelle diverse scene. Questo significa che anche sequenze quasi statiche, sfondi fermi o aree caratterizzate da movimenti limitati possono produrre un numero elevato di token, costringendo il modello generativo a spendere risorse di calcolo su informazioni fortemente ridondanti. KATok parte invece dall’elevata ridondanza esistente tra frame consecutivi e determina dinamicamente quanti token conservare in funzione della complessità spazio-temporale del video. Le scene caratterizzate da molto movimento o da una maggiore densità di informazioni ricevono più token, mentre le aree statiche o semplici vengono rappresentate eliminando le unità ridondanti. Il numero di token non deve quindi essere definito manualmente: è il sistema stesso a regolare la quantità di rappresentazione e di calcolo necessaria in base al contenuto del video.
Nei test, KATok ha ricostruito video di alta qualità utilizzando un numero di token sensibilmente inferiore rispetto ai tradizionali Dense Tokenizer, ottenendo quindi una compressione più efficiente dei dati. Il vantaggio diventa ancora più evidente quando la rappresentazione adattiva viene integrata nell’intera pipeline di generazione video: Kakao ha rilevato un aumento di circa 6,9 volte nella velocità di addestramento del modello e di circa 3,2 volte nella velocità di generazione rispetto all’approccio precedente. La ricerca non si limita quindi a comprimere il video nella fase iniziale, ma collega direttamente la rappresentazione tokenizzata al modello generativo, con l’obiettivo di ottimizzare contemporaneamente compressione, calcolo e qualità del risultato finale.
Kakao intende ora estendere KATok a scenari con risoluzioni ancora più elevate e video di durata maggiore, condizioni nelle quali il vantaggio della tokenizzazione adattiva dovrebbe diventare progressivamente più rilevante. Secondo Dongjin Choi, responsabile delle prestazioni dei modelli Applied AI di Kakao, più aumenta il carico computazionale richiesto dai video ad alta risoluzione e di lunga durata, maggiore può diventare il risparmio ottenuto facendo variare dinamicamente il numero di token in funzione della complessità effettiva delle scene.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)