概要
VTP-Small-f16d64は、MiniMaxと華中科技大学の研究者による、画像生成向け視覚トークナイザーのSmall版です。画像から視覚的特徴を抽出し、生成モデルが利用できる表現を提供します。公開モデルの規模は約0.2Bパラメータです。(github.com)
能力と用途
- 画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせて事前学習されています。(arxiv.org)
- 画像特徴抽出、画像再構成、ゼロショット分類や線形プローブによる評価に利用できます。LightningDiTなどの生成モデルと組み合わせた画像生成の研究にも使用できます。(huggingface.co)
- 学習済み重みが公開されており、ローカル環境で利用できます。Hugging Face上のリポジトリ名
MiniMaxAI/VTP-Small-f16d64は、APIモデルIDではありません。(huggingface.co)
制限・ライセンス
- 視覚トークナイザーであり、単体で対話や画像生成を完結させるモデルではありません。生成には別途対応する生成モデルなどが必要です。公式READMEは研究が進行中であるとしています。(github.com)
- ライセンスは修正MITです。著作権表示などの保持が必要です。また、本ソフトウェアまたは派生物を利用する商用製品・サービスの月間アクティブユーザーが1億人を超えるか、年間経常収益が3,000万USD相当を超える場合、製品・サービスのユーザーインターフェースに「MiniMax VTP」を目立つ形で表示する条件があります。詳細は公式ライセンスを確認してください。(huggingface.co)
公開日
2025年12月16日。公式READMEは同日付で技術レポートと事前学習済み重みの公開を告知しています。技術レポートは2026年3月9日に実験結果を追加して更新されています。(github.com)
料金
2026年11月17日確認。中国国内向け公式料金表と国際向け公式料金表を調査しましたが、本モデル固有のAPI料金は確認できませんでした。入力・出力それぞれの課金額、課金単位、およびCNY・USDでの料金は未公表または未確認です。別モデルの料金を代用したり、通貨換算したりしていません。(platform.minimax.cn)