MiniMax 开源视觉分词器扩展技术 VTP

minimax 联合华中科技大学首次对外开源其视觉生成核心技术——vtp（visual tokenizer pretraining，视觉分词器预训练）。该技术在不改动标准dit架构的前提下，仅通过对视觉分词器（visual tokenizers）进行扩展与优化，便实现了高达 65.8% 的端到端生成性能提升。

区别于多数分词器相关研究，VTP 的设计理念强调“零侵入”：它完全不干预下游主干模型（如 DiT）的训练流程，所有改进均集中在前置的 tokenizer 模块上，从而以极低耦合代价达成生成质量的显著跃升。

VTP 预训练范式如下：

标签： git github ai 区别