模型定位
VTP-Base-f16d64 是 VTP 視覺 token 化預訓練系列的 Base 版本,主要用於影像特徵擷取及作為視覺生成模型的元件;官方模型集合標示約 0.3B 參數。它不是獨立的文字聊天模型。(huggingface.co)
能力與用途
- 透過影像編碼取得潛在表示,並可解碼重建影像;可用於影像重建與生成模型研究。
- VTP 結合圖文對比、自監督及重建學習,可用於視覺表徵擷取、圖文相似度與分類等研究。官方範例也展示搭配擴散模型進行影像生成評估。(github.com)
- 此版本的官方設定檔列出影像尺寸 256、視覺 patch 大小 16、視覺瓶頸維度 64;這些是模型設定,不應解讀為已核實的最大輸入尺寸。(huggingface.co)
限制與授權
- 視覺 token 化器是生成系統的元件;完整文字生成影像流程需另行整合生成模型。官方 README 所展示的效能數字與程式範例使用 Large 版本,不應直接套用至 Base 版本。(github.com)
- 模型卡標示授權為 modified-MIT。專案授權條款規定,若用於月活躍使用者超過 1 億,或年度經常性收入超過 3,000 萬美元或等值金額的商業產品或服務,須在該產品或服務介面顯著顯示「MiniMax VTP」;使用前應閱讀完整條款。(huggingface.co)
發布日期
2025 年 12 月 16 日。官方公告當日發布技術報告及預訓練權重。(github.com)
價格
截至 2026 年 11 月 17 日,查閱 MiniMax 官方中國大陸與國際定價頁,未核實此特定模型的官方託管 API 報價,也未核實其輸入或輸出計費單位與費率;不套用其他模型的價格。自部署仍可能產生運算與基礎設施成本。(platform.minimax.cn)