MiniMax 联合华中科技大学首次开源了其视觉生成的关键技术 VTP (视觉分词器预训练) ，在不修改标准DiT的情况下，通过扩展视觉分词器（Visual Tokenizers），实现了 65.8% 的生成性能提升。

与很多tokenizer工作不同的是，VTP在设定上不对下游的主模型（DiT）训练过程做任何修改，仅通过前置优化tokenizer来实现端到端生成性能的倍数提升。

VTP预训练范式：

一句话来说——VTP把latents易学性和通用表征学习建立起明确关联，从而第一次将tokenizer作为scaling的主角，展现出全面的scaling曲线和扩展方向。VTP提供了一个全新的视角，指导我们除了在主模型上投入更多参数/算力/数据之外，还可以通过tokenizer的scaling来提升整个生成系统的性能。

代码：https://github.com/MiniMax-AI/VTP
论文：https://arxiv.org/abs/2512.13687v1