학습 가능 토큰
비정형 또는 희소한 출력(예: 2D/3D 좌표)을 표현하기 위해 입력 잠재 뒤에 추가되는 학습 가능한 쿼리 토큰들이다. 각 프레임별 토큰을 MLP로 디코딩해 프레임 단위 K차원 출력을 얻으며, 3D RoPE를 적용해 시간적 위치 정보를 부여한다. 이 방식은 픽셀 기반 출력과 구조화된 좌표 출력을 하나의 백본으로 처리하게 한다.
