← すべてのモデル

VTP-Large-f16d64

公開日 提供元 MiniMax

概要

VTP-Large-f16d64は、画像生成に利用する潜在表現の学習を目的とした、研究向けの視覚トークナイザーです。MiniMaxと華中科技大学の研究者によるVTPプロジェクトのLarge版で、画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせています。公式モデルカードでは約7億パラメータと表示されています。(github.com)

能力と用途

  • 画像を潜在表現に変換し、デコードして画像を再構成できます。
  • 画像とテキストの特徴量を用いたゼロショット画像分類や、画像特徴量の抽出に利用できます。
  • 拡散トランスフォーマー(DiT)など、別途用意した生成モデルの学習・評価に視覚トークナイザーとして利用できます。VTP単体が完成したテキスト画像生成サービスであることを意味しません。(github.com)

制限・利用上の注意

研究は進行中と明記されています。公式の利用例はローカル環境でモデルを読み込み、画像を256×256に前処理しており、実行には必要なソフトウェアと計算資源を用意する必要があります。モデルカードのライセンス表示は modified-mit です。利用や再配布の前に実際のライセンス条件を確認してください。(github.com)

公開日

2025年12月16日。公式READMEは同日に技術レポートと事前学習済み重みを公開したと記載しています。(github.com)

価格

2026年11月17日確認。MiniMaxの中国国内向けおよび国際向け公式ページを調査しましたが、このモデルに適用される公式API価格は確認できませんでした。入力・出力それぞれの課金額、課金単位、通貨は未確認です。重みの公開は、ホスティングや計算資源が無料であることを意味しません。(platform.minimaxi.com)

公式資料