MiniMax VTP-Base-f16d64 视觉 tokenizer 模型发布

MiniMax 发布 VTP 视觉 tokenizer 预训练框架，联合图文对比、自监督和重建损失，面向理解、重建与生成统一优化。VTP-L-f16d64 达到 78.2 zero-shot accuracy、85.7 linear probing、0.36 rFID，生成 FID-50K 为 2.81。