MiniMax携手华中科大开源VTP：只优化视觉分词器，DiT生成表现提升65.8%

AI视觉生成迎来一次范式级升级。MiniMax与华中科技大学近日联合开源其关键技术——VTP（Visual Tokenizer Pretraining，视觉分词器预训练）。在不改动标准DiT（Diffusion Transformer）架构的前提下，只优化视觉分词器，即可带来端到端图像生成性能65.8%的提升。这项成果打破了“只能靠堆大模型提性能”的惯性认知，首次把视觉分词器推向了前所未有的高度。

主模型不动，只改“翻译官”——性能也能起飞

传统生成模型（如DALL·E3、Stable Diffusion3）往往依靠DiT等主干网络来提升效果，而VTP走的是另一条路：把视觉分词器——这个负责把图像压缩成离散token序列的“视觉翻译官”——作为核心优化对象。  

关键在于，VTP无需动DiT的训练流程或结构，只在分词器的预训练阶段做针对性优化，让其输出的latent表征更好学、更通用，从而让下游DiT“事半功倍”。实验显示，在相同DiT配置下，接入VTP的系统在生成质量（FID、CLIP Score等指标）上显著超过基线。

首次构建“分词器可扩展性”理论框架

VTP的突破不仅是工程层面的优化，更带来全新的理论视角:  

– 首次清晰地将latent表征的易学性（learnability）与通用视觉表征能力建立联系;  

– 首次证明分词器本身具备可扩展性（tokenizer scaling）——随着分词器容量、训练数据与预训练策略增强，生成性能呈现明确的scaling曲线;  

– 为行业打开“主模型之外的性能增长路径”：未来不必一味增大DiT参数，通过优化分词器即可获得更高性价比的性能提升。

开源即赋能，推动视觉生成走向大众

目前，VTP的代码、预训练分词器及训练配方已全面开源，且兼容主流DiT实现。这意味着，任何使用DiT架构的研究者或企业，都能“即插即用”VTP，用更低成本拿到近70%的生成质量提升，尤其适合算力有限的中小团队。

业内普遍认为，VTP的发布标志着AI生成技术进入“系统级优化”的新阶段。当行业从“唯大模型论”转向“全链路协同提效”，MiniMax与华中科大的此次合作，不仅是一次技术突破，也是对“高效AI”理念的有力实践——真正的创新，有时不在于把引擎做得更大，而在于让每个零件更聪明地协同。

代码:https://github.com/MiniMax-AI/VTP

论文:https://arxiv.org/abs/2512.13687v1