MiniMax 的視頻向來很頂，但技術(shù)上一直是個(gè)黑盒

剛剛，海螺團(tuán)隊(duì)第一次自揭面紗，帶來了首個(gè)開源項(xiàng)目：VTP
Visual Tokenizer Pre-training

VTP 這東西非常有趣：搞圖像、視頻生成的團(tuán)隊(duì)，或都能因此受益

Tech Report

先做個(gè)信息鋪墊，現(xiàn)在主流的 AI 生圖模型，底層都是兩步走：

第一步，壓縮
把一張圖像壓縮成一組數(shù)字，這組數(shù)字能代表這張圖的核心信息

第二步，生成
AI 在這組數(shù)字的空間里做生成，生成完再還原成圖像

兩階段架構(gòu)

其中，負(fù)責(zé)第一步的模塊，就叫「分詞器」，Tokenizer；負(fù)責(zé)第二步的，則是擴(kuò)散模型Diffusion Model

論文中，發(fā)現(xiàn)一個(gè)反直覺的現(xiàn)象
分詞器訓(xùn)練得越久，還原能力越強(qiáng)，生成效果反而越差
論文把這個(gè)困境叫做預(yù)訓(xùn)練縮放問題

預(yù)訓(xùn)練縮放問題

進(jìn)一步，論文中也發(fā)現(xiàn)了
讓分詞器學(xué)會(huì)「理解」，比學(xué)會(huì)「還原」更重要
論文管這叫理解力驅(qū)動(dòng)生成

于是，對(duì)于分詞器，就有了

理解力越強(qiáng)，壓出的數(shù)字越有意義，擴(kuò)散模型越容易學(xué)，生成效果越好

視覺分詞器是怎么訓(xùn)練的？
傳統(tǒng)做法，是讓它學(xué)「重建」：把圖像壓縮成一組數(shù)字，再從這組數(shù)字還原回圖像，還原得越接近原圖越好

這個(gè)訓(xùn)練目標(biāo)聽起來很合理
壓縮再還原，損失越小，說明這組數(shù)字保留的信息越完整

但論文做了一組實(shí)驗(yàn)，發(fā)現(xiàn)了問題

訓(xùn)練越久，重建越好，生成越差

具體來說，就是，隨著訓(xùn)練時(shí)間增加，模型產(chǎn)生了一些有趣的現(xiàn)象

重建能力持續(xù)變強(qiáng)
rFID（衡量還原質(zhì)量，越小越好）從2.0降到0.5

生成能力持續(xù)變差
gFID（衡量生成質(zhì)量，越小越好）從55漲到58

這就是論文定義的「預(yù)訓(xùn)練縮放問題」（Pre-training Scaling Problem）：你往視覺分詞器里砸再多算力，也換不來更好的生成效果

持續(xù)投入，并不會(huì)帶來顯著結(jié)果

對(duì)于做圖像生成、視頻生成的團(tuán)隊(duì)來說，這是個(gè)壞消息
論文數(shù)據(jù)顯示，傳統(tǒng)方法在總算力的1/10處就開始停滯了
之后再加算力，生成效果不升反降

為什么會(huì)這樣

重建任務(wù)，讓模型學(xué)錯(cuò)了東西
論文給出了這樣的解釋

當(dāng)視覺分詞器學(xué)習(xí)「還原像素」時(shí)，它會(huì)把注意力放在「底層信息」上：
邊緣在哪、紋理是什么樣、顏色的精確數(shù)值是多少
這些信息對(duì)于「還原」很重要
像素級(jí)的細(xì)節(jié)越準(zhǔn)確，還原出來的圖像越接近原圖

底層信息（重建） vs 高層語義（生成）

但生成的時(shí)候，其實(shí)需要的不是這些
生成模型需要的是「高層語義」：
這張圖里有什么東西、是什么場(chǎng)景、物體之間是什么關(guān)系、整體氛圍是什么

在分詞器被過度訓(xùn)練后，通過它的到的信息，就會(huì)更偏向于「底層信息」，而非「高層語義」
到了生成的時(shí)候，，很難從中「理解」圖像應(yīng)該是什么樣的，效果自然變差

于是，從結(jié)果上，我們就看到了做得越好，效果越差
（像不像辦公室里，讓你加班改細(xì)節(jié)的老板）

理解力與生成質(zhì)量的關(guān)系

可以看一下這個(gè)圖，是論文的核心發(fā)現(xiàn)
對(duì)于傳統(tǒng)自編碼器，理解力和生成質(zhì)量都卡在左下角，增加訓(xùn)練量也不動(dòng)
對(duì)于 VTP（紅色點(diǎn)），理解力越強(qiáng)，生成質(zhì)量越好，持續(xù)往右上角走

綜上：理解力才是驅(qū)動(dòng)生成的關(guān)鍵因素

怎么解決

既然問題定位到了：分詞器學(xué)偏了
那么，解決方案也很清晰：讓分詞器學(xué)全
一邊學(xué)重建，一邊學(xué)理解

VTP 正式這個(gè)思路
把三種訓(xùn)練目標(biāo)合在一起，聯(lián)合優(yōu)化

其一、圖文對(duì)比學(xué)習(xí)

在圖文對(duì)比學(xué)習(xí)這一過程中，VTP 采用 CLIP 的訓(xùn)練方式

大致是這樣 給模型看大量的「圖像 + 文字描述」配對(duì)數(shù)據(jù)，讓圖像壓縮出來的數(shù)字表示和對(duì)應(yīng)文字的數(shù)字表示靠近

比如，給一張狗的照片，壓縮后的數(shù)字表示要和「一只金毛犬在草地上奔跑」這句話的數(shù)字表示相似

圖文對(duì)比學(xué)習(xí)

這樣視覺分詞器在壓縮圖像時(shí)，就會(huì)保留語義信息，知道這張圖「是什么」

其二、感知空間結(jié)構(gòu)

在感知空間結(jié)構(gòu)中，VTP 采用 DINOv2 的訓(xùn)練方式，具體包括兩類任務(wù)

第一類：
遮住圖像的一部分，讓模型預(yù)測(cè)被遮住的內(nèi)容
這迫使模型理解圖像的整體結(jié)構(gòu)，而不是只記住局部像素

第二類
是對(duì)同一張圖像做不同的裁剪和變換，讓模型輸出的表示保持一致

這樣，模型就會(huì)被迫使著學(xué)習(xí)圖像的本質(zhì)特征，而不是被具體的像素值干擾

通過自監(jiān)督，學(xué)習(xí)空間結(jié)構(gòu)其三、像素重建

上面說了，要一邊學(xué)重建，一邊學(xué)理解
所以，傳統(tǒng)的還原任務(wù)不能完全丟掉，但權(quán)重要調(diào)低

論文發(fā)現(xiàn)，把重建任務(wù)的損失權(quán)重設(shè)成0.1，對(duì)生成效果最好
（相比而言，理解任務(wù)的權(quán)重為1.0）

權(quán)重需要調(diào)整

至此，把這三個(gè)目標(biāo)聯(lián)合訓(xùn)練，讓視覺分詞器同時(shí)具備三種能力
理解圖像內(nèi)容、感知空間結(jié)構(gòu)、保留像素細(xì)節(jié)

就這樣，VTP 有了三種能力

額外的，VTP 用的是 Vision Transformer（ViT），不是傳統(tǒng)的 CNN
實(shí)驗(yàn)數(shù)據(jù)顯示，ViT 架構(gòu)在同等配置下生成效果更好，計(jì)算量還更低

還有一個(gè)有關(guān)于 batch size 的細(xì)節(jié)
不同訓(xùn)練任務(wù)，對(duì) batch size 的需求差異很大：

• ? 圖文對(duì)比學(xué)習(xí)需要很大的 batch（16k）

• ? 自監(jiān)督和重建任務(wù)用小 batch 就夠（4k和2k）

對(duì)于 batch 這個(gè)問題，解決方法是這樣：
每個(gè) batch 里，全部樣本用于圖文對(duì)比學(xué)習(xí)，隨機(jī)抽取一部分用于自監(jiān)督和重建

效果如何

論文做了大量對(duì)比實(shí)驗(yàn)，從三個(gè)維度驗(yàn)證 VTP 的效果

維度一：理解、重建、生成的關(guān)系

先看下對(duì)比吧

純重建訓(xùn)練：越練越差

重建越好、生成越差

隨著訓(xùn)練時(shí)間增加：

• ? 重建能力持續(xù)變強(qiáng)：rFID從2.07降到0.51

• ? 生成能力反而變差：gFID從55.04漲到58.56

加入理解任務(wù)：三項(xiàng)全漲

CLIP+SSL+AE 聯(lián)合訓(xùn)練

用 CLIP + SSL + 重建 聯(lián)合訓(xùn)練后：

• ? 生成能力大幅提升：gFID降到27.8

• ? 理解能力同步提升：Linear Probe 達(dá)到74.9%

• ? 重建能力也沒掉：rFID降到0.36

三種能力不沖突，可以同時(shí)提升

維度二：縮放特性

傳統(tǒng)方法存在天花板，VTP 則打破了這個(gè)天花板

縮放特性對(duì)比：算力、參數(shù)、數(shù)據(jù)

數(shù)據(jù)縮放

• ? 傳統(tǒng)自編碼器：訓(xùn)練數(shù)據(jù)從 10 萬張擴(kuò)到 1 億張，gFID只從58.37降到56.71

• ? VTP：同樣的數(shù)據(jù)擴(kuò)展，gFID從47.59降到27.45

算力縮放

• ? 傳統(tǒng)自編碼器：算力增加到1/10處就停滯，之后gFID不降反升

• ? VTP：算力增加10倍，gFID提升65.8%，曲線仍在下降

參數(shù)縮放

• ? 傳統(tǒng)自編碼器：模型從20M參數(shù)擴(kuò)到300M參數(shù)，gFID卡在57不動(dòng)

• ? VTP：模型從 Small 到 Large，gFID從31.28降到26.12

這意味著：在視覺分詞器階段投入更多資源，終于能換來持續(xù)的回報(bào)了

維度三：與現(xiàn)有方法對(duì)比VTP 與主流方案的效果對(duì)比

• ? VTP-L 在理解能力上超過了原版 CLIP（78.2%vs75.5%）

• ? 在重建能力上超過了 Stable Diffusion 的 VAE（rFID 0.36vs0.63）

• ? 在生成能力上超過了此前的改進(jìn)方法 VA-VAE（gFID 2.81vs4.29）

收斂速度方面：

• ? 比 VA-VAE 快4.1 倍

• ? 比原版 LDM 快5.7 倍

MiniMax 的視頻能力很能打，實(shí)屬第一梯隊(duì)，但技術(shù)上幾乎不對(duì)外

而 MiniMax 這次的開源，選了視覺分詞器這個(gè)方向，去嘗試解決一個(gè)行業(yè)里很多人遇到過、但沒人系統(tǒng)解釋過的問題：
為什么分詞器訓(xùn)得越好，生成效果反而沒提升

過去一年的動(dòng)作看，隔段時(shí)間，總能掏出點(diǎn)新東西

論文
https://huggingface.co/papers/2512.13687

模型
https://huggingface.co/collections/MiniMaxAI/vtp

代碼
https://github.com/MiniMax-AI/VTP