MiniMax携手华中科大开源VTP！只调视觉分词器，DiT生成效果跃升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核心成果——VTP（Visual Tokenizer Pretraining，视觉分词器预训练）。在完全不改动标准DiT（Diffusion Transformer）架构的前提下，只通过优化视觉分词器，就实现了端到端图像生成性能65.8%的提升。这一进展打破了“唯有堆大模型才能提升性能”的固有认知，首次把视觉分词器推到前所未有的重要位置。

不动主模型，只调“翻译官”——性能照样猛涨

传统生成模型（如DALL·E 3、Stable Diffusion 3）多依赖DiT等主干网络提效，而VTP选择了另一条路：把视觉分词器——也就是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无需改动DiT的训练流程或结构，只在预训练阶段对分词器进行专项优化，让其输出的latent表征更容易被学习、更具通用性，从而让下游的DiT“事半功倍”。实验表明，在相同DiT配置下，接入VTP后，生成质量（FID、CLIP Score等）显著优于基线。

首次构建“分词器可扩展性”理论框架

VTP的进步不仅是工程层面的优化，更带来全新理论视角：

– 首次将latent表征的易学性（learnability）与通用视觉表征能力建立明确联系；

– 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的增强，生成性能呈现清晰的scaling曲线；

– 为行业开辟“模型之外的性能增长路径”：未来不必一味增大DiT参数，也能通过优化分词器以更高性价比获得性能跃升。

开源即赋能，推动视觉生成民主化

目前，VTP代码、预训练分词器与训练配方已全面开源，并兼容主流DiT实现。也就是说，任何使用DiT架构的研究者或企业，都能“即插即用”VTP，以较低成本获得接近70%的生成质量提升，尤其利好算力有限的中小团队。

AIbase认为，VTP的发布标志着AI生成技术迈入“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与华中科大的这次合作，不仅是技术层面的胜利，更是在践行“高效AI”的理念——真正的创新，有时不在于造更大的引擎，而在于让每个零件更聪明地协作。

代码:https://github.com/MiniMax-AI/VTP

论文:https://arxiv.org/abs/2512.13687v1