← 全部模型

VTP-Base-f16d64

发布时间 发布主体 MiniMax

模型定位

VTP-Base-f16d64 是 MiniMax 发布的 Base 版视觉分词器预训练模型,主要用于图像特征提取和生成模型的视觉潜空间表示。VTP 框架联合训练图文对比、自监督和图像重建目标。官方模型页面提供可下载权重,标注模型规模约 0.3B 参数、许可证为 modified-mit。(huggingface.co)

能力与用途

  • 将图像编码为视觉特征或潜变量,并用于图像重建;可结合文本特征进行图文相似度计算和零样本分类。
  • 可作为下游视觉理解与生成系统的组件。官方使用 LightningDiT 对下游图像生成进行评估,而不是将该分词器本身作为完整的文本生成图像服务。
  • 官方模型卡列出的 Base 版本评测结果包括:零样本准确率 73.2、线性探测 81.0、重建 rFID 0.74;搭配 LightningDiT-XL、训练 80 个 epoch、无分类器引导时,生成 FID-50K 为 3.88。这些数字仅对应所述评测设置。(github.com)

限制

该模型不是通用对话模型或独立的图像生成应用;下游生成需要配合其他模型和流程。官方示例采用 256×256 图像预处理;实际效果取决于任务、数据及部署方式。使用权重前应核对 modified-mit 许可条款。(github.com)

发布日期

2025 年 12 月 16 日。官方仓库在该日期公告发布技术报告和预训练权重。(github.com)

价格

截至 2026 年 11 月 17 日,查询 MiniMax 国内官方定价页面和国际官方定价页面,均未找到该模型的专属 API 报价;输入及输出计费均未核实。可下载权重不代表自行部署的算力或托管成本为零。(platform.minimax.cn)

官方来源