← 全部模型

VTP-Small-f16d64

發布時間 發布主體 MiniMax

模型定位

VTP-Small-f16d64 是 VTP 視覺 tokenizer 預訓練框架的 Small 版本,主要用於影像特徵擷取、影像重建,以及為下游生成模型提供視覺潛在表示。該研究由華中科技大學與 MiniMax 的研究人員共同完成;官方模型頁標示模型規模約為 0.2B 參數。(github.com)

能力與用途

  • 結合圖文對比、自監督與重建學習,訓練可用於視覺理解和生成的表示。(github.com)
  • 可將影像編碼為重建用潛在表示並解碼,也可擷取影像特徵,用於零樣本分類和線性探測等任務。(huggingface.co)
  • 可作為下游擴散式影像生成模型的 tokenizer;官方生成評估另使用 LightningDiT,並非表示此 tokenizer 單獨即可完成文字生成影像。(huggingface.co)
  • 官方模型卡所列 Small 版本評測結果:零樣本分類準確率 66.7%、線性探測 77.5%、重建 rFID 0.98;在 LightningDiT-XL、訓練 80 epochs、無 CFG 的設定下,FID-50K 為 5.46。這些數值不應與 Large 版本的結果混用。(huggingface.co)

限制與使用注意事項

  • 這是視覺表示與重建模型,不應視為可直接進行一般文字對話的語言模型;下游生成用途需要額外模型及相應流程。(huggingface.co)
  • 官方 README 將研究標示為仍在進行中,其快速入門範例使用的是 Large 版本,使用 Small 權重時應留意版本差異。README 同時出現已發布預訓練權重及權重即將發布的文字;官方 Small 模型倉庫實際列有權重檔。(github.com)
  • 模型頁標示授權為 modified-MIT,使用及再散布前應確認具體條款。(huggingface.co)

發布日期

2025 年 12 月 16 日。官方公告記載當日發布技術報告與預訓練權重。(github.com)

價格

截至 2026 年 11 月 17 日,查閱 MiniMax 官方中國大陸站及國際站定價頁,均未找到此模型的專屬報價;輸入與輸出計費方式、單位及金額均未核實。不能據此認定 API 免費或已提供官方託管服務;自行部署亦可能產生運算等成本。(platform.minimax.cn)

官方來源