← 全部模型

VTP-Large-f16d64

发布时间 发布主体 MiniMax

模型定位

VTP-Large-f16d64 是 VTP(Visual Tokenizer Pre-training)系列的视觉分词器模型,面向图像表征、重建和生成研究,而非通用文本对话模型。官方模型卡列出的模型规模约为 0.7B 参数。(github.com)

能力与用途

  • **视觉表征与图文对齐:**联合使用图文对比学习、自监督学习和图像重建目标,可提取图像特征,也可计算图像与文本的特征相似度,用于零样本分类等任务。
  • **图像重建:**可将图像编码为潜在表示,再解码为重建图像。
  • **生成研究:**可作为扩散生成模型的视觉分词器组件;官方实验研究了在固定 DiT 训练计算量下扩展 VTP 预训练对生成效果的影响。
  • **官方示例指标:**示例代码标注了重建 rFID 0.36、零样本分类准确率 78.2% 和线性探测准确率 85.7%;这些是特定评测条件下的结果,并非所有场景的保证。(github.com)

限制与使用条件

  • 它是视觉模型组件;图像生成实验需结合额外的扩散模型和相应流程,不能把视觉分词器本身等同于完整的文生图服务。
  • 官方仓库将该工作标为仍在进行中;实际效果取决于数据、评测和部署条件。官方示例使用 PyTorch 和 CUDA 自动混合精度,本地运行需要自行配置依赖与计算资源。
  • 官方模型卡将许可证标记为 modified-mit;使用、修改或分发前应核对具体许可证条款。(github.com)

发布日期

2025 年 12 月 16 日。官方仓库记录该日发布了技术报告和预训练权重;技术报告于 2026 年 3 月 9 日更新。(github.com)

价格

截至 2026 年 11 月 17 日,检索 MiniMax 官方国内平台及国际平台后,未核实到本模型的官方 API 输入或输出报价,也未核实到适用于本模型的其他官方计费单位。不能将其他 MiniMax 模型或订阅套餐的价格套用于本模型。本模型提供预训练权重;自行部署产生的计算和托管成本需另行承担。(platform.minimaxi.com)

官方来源