压缩之外，Visual Tokenizer 也要理解世界？

MiniMax与华中科技大学提出的VTP通过融合图像-文本对比学习与自监督学习，提升视觉tokenizer对高层语义的理解能力。研究表明，传统以重建精度为目标的tokenizer易陷入低层次像素记忆，限制生成性能；而VTP在保持rFID=0.36的同时，使下游扩散模型FID降低65.8%，收敛提速4倍，并展现出清晰的Scaling Law——预训练算力提升10倍仍持续增益，为视觉生成模型突破性能瓶颈提供了新路径。
来源：https://mp.weixin.qq.com/s/Yi5l8ZyXGAKehHeeYuE6rQ