概要
VTP-Base-f16d64は、画像生成向けの視覚トークナイザー事前学習フレームワーク「VTP」のBaseモデルです。画像と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、生成に役立つ視覚表現を学習します。モデルカード上の規模は約3億パラメータです。(github.com)
能力・用途
- 画像特徴の抽出、画像とテキストの特徴を用いたゼロショット分類、画像の潜在表現への符号化と再構成に利用できます。
- 拡散モデルによる画像生成のための視覚表現としても利用できます。ただし、生成には別途生成モデルなどを組み合わせる必要があります。
- 事前学習済み重みが公開されています。公式READMEの使用例にはLarge版が使われているため、その例の性能数値をBase版の実測値とは扱えません。(github.com)
制限・ライセンス
- 公式READMEでは研究が進行中とされています。本モデル単体を対話型言語モデルや完成済みの画像生成サービスとみなすことはできません。(github.com)
- モデルカードはライセンスをmodified MITと表示しています。公式ライセンスには、対象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1億人超、または年間経常収益が3,000万米ドル相当超の場合、ユーザーインターフェースに「MiniMax VTP」を目立つように表示する条件があります。利用前に原文を確認してください。(huggingface.co)
公開日
2025年12月16日。公式READMEは同日に技術レポートと事前学習済み重みを公開したと記載しています。(github.com)
料金
2026年11月17日に中国国内向け公式料金表と国際向け公式料金表を確認しましたが、本モデルに対応するAPIの入力・出力料金は確認できませんでした。料金と課金単位は未確認です。公開済み重みの利用にかかる計算資源等の費用は別途必要です。(platform.minimax.cn)