模型定位
VTP-Large-f16d64 是 MiniMax 與華中科技大學研究人員合作的 VTP 視覺分詞器大型版本,主要用於影像表徵、重建及下游生成研究,而非通用聊天模型。官方模型頁列出約 0.7B 參數與預訓練權重。(huggingface.co)
能力與用途
- 結合影像-文字對比學習、自監督學習與重建目標,學習兼顧語意理解和影像重建的視覺表徵。
- 可用於影像特徵擷取、影像-文字相似度及零樣本分類,也可將影像編碼為潛在表示後重建。
- 可作為擴散式影像生成模型的視覺分詞器;官方生成評估另使用 LightningDiT,並非表示此分詞器本身就是完整的文生圖系統。
- 官方報告的評估結果包括 78.2% 零樣本分類準確率、85.7% 線性探測準確率及 0.36 重建 rFID;結果取決於評估資料與設定。(github.com)
限制
官方將專案標為仍在進行中。實際使用需自行配置程式環境與運算資源;生成用途還需要搭配下游生成模型。模型頁標示授權類型為 modified-mit,使用前應確認完整授權條款。上述評測不代表所有資料或應用場景都能達到相同表現。(huggingface.co)
發布日期
2025 年 12 月 16 日:官方公告發布技術報告與預訓練權重。官方儲存庫另記載技術報告於 2026 年 3 月 9 日更新。(github.com)
價格與計費
截至 2026 年 11 月 17 日,查閱 MiniMax 官方中國大陸定價頁及國際定價頁,均未找到此型號的專屬報價;人民幣與美元的輸入、輸出計費及計費單位均未核實。公開權重不等於官方託管 API 免費;自行部署的運算與儲存成本依實際環境而定。(platform.minimax.cn)