minimax 联合华中科技大学首次对外开源其视觉生成核心技术——vtp（visual tokenizer pretraining，视觉分词器预训练）。该技术在不改动标准dit架构的前提下，仅通过对视觉分词器（visual tokenizers）进行扩展与优化，便实现了高达 65.8% 的端到端生成性能提升。
区别于多数分词器相关研究，VTP 的设计理念强调“零侵入”：它完全不干预下游主干模型（如 DiT）的训练流程，所有改进均集中在前置的 tokenizer 模块上，从而以极低耦合代价达成生成质量的显著跃升。
VTP 预训练范式如下：
简言之——VTP 首次在理论上与实践中建立起 latent 表示的易学性（learnability）与通用表征能力之间的强关联，进而将 tokenizer 推至模型缩放（scaling）舞台的中心。它不仅展现出清晰、稳健的 scaling 规律，更指明了一条独立于主模型参数增长之外的全新性能提升路径：即通过 tokenizer 自身的规模化设计与训练，驱动整个生成系统的持续进化。
代码仓库：https://www.php.cn/link/af5ac7432f2b60611a2b2081da85bdc0
论文地址：https://www.php.cn/link/2c144615541213bbe63e9d81c4727883
源码下载：点击获取
