← 全部模型

VTP-Small-f16d64

发布时间 发布主体 MiniMax

模型定位

VTP-Small-f16d64 是 VTP 系列的 Small 版视觉分词器和图像特征提取模型,由 MiniMax 与华中科技大学研究人员开展相关研究。模型权重已公开,可用于本地部署;官方模型页标示约 0.2B 参数。(github.com)

能力与用途

  • 将图像编码为潜在表示,并支持图像重建;可提取图像特征,用于视觉表示学习和线性探测。
  • 支持图文对比特征,可用于零样本图像分类;也可作为扩散模型的视觉分词器,参与下游图像生成系统。
  • 官方 Small 版本评测报告零样本准确率 66.7%、线性探测准确率 77.5%、重建 rFID 0.98;结合 LightningDiT-XL 训练 80 个 epoch、无 CFG 时的 FID-50K 为 5.46。这些结果依赖相应评测设置,不代表独立部署模型即可直接生成图片。(huggingface.co)

限制与许可

  • 它不是通用对话模型;图像生成评测使用了额外的 LightningDiT 模型和训练流程。
  • 官方项目标注研究仍在进行。模型页使用 modified-MIT 许可;除保留许可和版权声明等要求外,若相关商业产品或服务的月活跃用户超过 1 亿,或年度经常性收入超过 3000 万美元或等值金额,须在用户界面显著展示“MiniMax VTP”。具体以官方许可证为准。(github.com)

发布日期

2025 年 12 月 16 日。官方项目公告将该日列为技术报告和预训练权重发布日期。(github.com)

价格

截至 2026 年 11 月 17 日,已查阅官方国内定价页和官方国际定价页,均未核实到本型号的托管 API 报价,因此人民币及美元的输入、输出计费金额和单位均未核实。公开权重可自行部署,但不代表计算、存储或第三方托管成本为零。(platform.minimax.cn)

官方来源