MiniMax
VTP-Large-f16d64
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) 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…
了解模型繁體中文
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
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) 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…
VTP-Base-f16d64 是 VTP 視覺 token 化預訓練系列的 Base 版本,主要用於影像特徵擷取及作為視覺生成模型的元件;官方模型集合標示約 0.3B 參數。它不是獨立的文字聊天模型。(huggingface.co) 透過影像編碼取得潛在表示,並可解碼重建影像;可用於影像重建與生成模型研究。 VTP 結合圖文對比、自監督及重建學習,可用於視覺表徵擷取、圖文相似度與分類等研究。官方…
VTP-Small-f16d64 是 VTP 視覺 tokenizer 預訓練框架的 Small 版本,主要用於影像特徵擷取、影像重建,以及為下游生成模型提供視覺潛在表示。該研究由華中科技大學與 MiniMax 的研究人員共同完成;官方模型頁標示模型規模約為 0.2B 參數。(github.com) 結合圖文對比、自監督與重建學習,訓練可用於視覺理解和生成的表示。(github.com) 可將影像…