VTP – MiniMax视频团队开源的视觉生成模型预训练框架

VTP是什么

VTP（Visual Tokenizer Pre-training）是MiniMax视频团队开源的视觉生成模型预训练框架。框架聚焦优化视觉tokenizer，通过融合对比学习、自监督学习和重建学习等方法，从头预训练tokenizer，使生成的latent（压缩特征）更具结构化和易学性。VTP突破传统tokenizer的局限，展现出良好的可扩展性，随着参数、算力和数据规模的增加，能显著提升下游生成模型的性能，为视觉生成领域提供新的思路和方法。

VTP的主要功能

• 提升生成质量：通过优化latent空间的结构，使生成模型能更高效地学习和生成高质量的图像或视频。