猫眼影戏
 |
|
猫眼影戏
吴红娅
手机审查
猫眼影戏记者 李述永 报道Q8X2R7L1T4J5M9B6W3
MiniMax海螺视频团队不藏了！
首次开源就揭晓了一个困扰行业已久的问题的谜底——
为什么往第一阶段的视觉分词器里砸再多算力 ，也无法提升第二阶段的天生效果 ？
翻译成明确话就是 ，虽然图像/视频天生模子的参数越做越大、算力越堆越猛 ，但用户现实体验下来总有一种玄妙的感受——这些重大的投入与产出似乎不可正比 ，模子离完全真正可用总是差一段距离。
So why ？问题 ，或许率就出在视觉分词器（Tokenizer）这个工具身上了。
当算力不再是谜底时 ，真正需要被重新审阅的 ，着实是天生模子的“起点”。
在目今主流的两阶段天生框架中（分词器+天生模子） ，业界已经在视觉分词器的预训练上投入了大宗算力与数据 ，但一个尴尬的事实是：
这些本钱 ，险些没有线性地转化为天生质量的提升
而MiniMax海螺视频团队 ，不止挑战了这一现实——用实验证实“Tokenizer的scaling能够提升模子性能”。
更要害的是 ，还带来了一款开箱即用、专为“下一代天生模子”打造的可扩展视觉分词器预训练框架——Visual Tokenizer Pre-training（以下简称VTP）。
只需换上这个视觉分词器 ，即可在不改变下游主模子（如DiT）任何训练设置的情形下 ，实现端到端天生性能的倍数级提升。
下面详细来看——
古板Tokenizer的缺陷：更好的重修≠更好的天生
要明确VTP保存的意义 ，首先我们需要回到更基础的问题上——
Tokenizer是什么 ？它又为何云云要害 ？
以AI生图为例 ，目今主流的生图模子险些清一色接纳了“两阶段”天生框架：
第一阶段（压缩）：使用视觉Tokenizer（如VAE）这个组件 ，将原始图像压缩并映射到一个潜在空间（latent space）中；第二阶段（还原天生）：再由以扩散模子为焦点的天生器（如DiT） ，在这个潜在空间中学习漫衍 ，并逐步还原、天生最终图像。
用一张图来形容这个历程be like（先压缩后还原）：
而Tokenizer ，就是在第一阶段中认真压缩图片信息的组件。
若是没有这个组件 ，扩散模子就得直接在数百万像素组成的原始像素空间中举行“去噪”和天生——其盘算重漂后和内存开销将是天文数字。
因此 ，Tokenizer称得上是让模子能够在消耗级显卡上运行起来的“要害元勋”。
除此之外 ，Tokenize历程所得的低维潜在表征 ，其质量直接决议了最终天生图像的语义保真度、细节富厚度以及整体真实性 ，以是业界也普遍以为——
从某种水平上来说 ，Tokenize险些决议了后续天生模子的上限。
基于此 ，人们在研究怎样提升下游天生模子的质量时 ，也不约而同地将重点放在了“怎样精准复刻原始像素”上 ，即要求模子将压缩后的潜在特征（latent）尽可能精准地还原为原始图像。
而问题 ，也正出在这里。
古板Tokenizer在追求“像素级重修”时 ，往往会太过着迷于捕获图像的局部纹理、噪点等低层信息 ，从而忽视了天生使命真正依赖的高层语义与整体结构。
这就像学渣为了应付考试 ，只想着死记硬背种种试题 ，却完全不明确问题背后的知识点与逻辑结构。效果真正到了需要闻一知十、解决新问题的时间 ，一下就傻眼了。
在论文中 ，海螺视频团队将这一征象界说为“预逊放问题”（Pre-training Scaling Problem）：
更好的像素级重修精度并不可带来更高质量的天生效果
如图所示 ，古板仅基于“重修”目的训练的Tokenizer（灰线） ，随着算力投入增添 ，模子的天生性能不但没有提升 ，反而逐渐趋于饱和甚至略微下降。（ps：gFID权衡天生质量 ，越小越好）
由此 ，论文得出第一个要害发明：重修做得越好 ，天生反而可能越差；谎灾 ，古板VAE所依赖的纯重修训练范式 ，在面向天生使命时保存根天性局限。
那么 ，VTP是怎样破局的呢 ？
VTP破局之道：从像素级重修到强调“明确力”的主要性
事实上 ，VTP并非横空出生 ，而是海螺视频团队在恒久实践中重复试错与认知迭代的产品。
一些早期探索：从易学性到通用表征学习
在早期事情VA-VAE中 ，团队注重到：
有些“压缩后的特征”能让后续的扩散模子学得又快又好 ，而另一些则不可。
基于此 ，他们提出了“易学性”这一看法——即差别的潜在表征（latents）关于下游天生模子的学习难度截然差别 ，并期望通过优化latent的某些“友好特征”（如匀称性、频域漫衍等）来间接改善天生效果。
然而实践发明 ，这些要领虽有一定效果 ，却未触及实质。按团队自己的话来说就是：
实验将易学性等价为可准确盘算的简单指标（例如频域漫衍、匀称性、scale稳固性、低秩效应等等）有些过于理想了 ，这些指标可能和易学性有一定关联 ，但远不是所有。
就是说 ，当优化目的被限制在少数可丈量指标上时 ，模子往往只是学会了在特定指标上“刷分” ，而没有从基础上学会明确图像的结构与语义（实质上仍未脱离“重修”领域）。
△在VA-VAE中 ，团队曾实验将易学性对应到latent漫衍的“匀称性”
而经由一连反思 ，团队逐渐意识到VA-VAE和厥后的许多实验 ，其深层目的并非仅仅是优化几个指标 ，而是在试图让latents具备某些更高级的“结构”。其背后逻辑在于：
若是某种latents关于图像中的实体、位置关系具有高度结构化的表达 ，那么这种结构化表达关于下游diffusion建模来说也会更精练、更容易 ，这些方面的天生效果也自然会更好。
这就好比另一种层面上的“大道至简”——当模子真正掌握了物体、关系与语义这些视觉天下的实质纪律时 ，它能应对的使命自然也就越多了（以稳固应万变）。
因此 ，与其为“易学性”设计懦弱的署理指标 ，不如直接让Tokenizer去学习人类视觉系统自己所依赖的那种高度结构化、语义化的通用表征。
事实像CLIP、DINOv2这样的现代通用表征学习要领 ，正是在大规模数据上自动化地学习了这种“人类对齐”的视觉表达 ，才在多种下游使命中体现出强盛的泛化能力。
至此 ，团队的研究重心正式从“像素级重修”转向了强调理解力的“通用表征学习”。
VTP：回归“压缩即智能”实质
基于这一认知转变 ，VTP的设计原则变得异常清晰。团队体现：
我们应该融合所有已知有用的表征学习要领来构建一个Tokenizer
详细而言 ，VTP这次率先实现了从只练“重修”到“明确、重修、天生”的联合优化。
一是通过图文比照学习 ，建设高层语义明确。
在训练时 ，团队会给模子看大宗图像-文本配对数据（如“一只猫在沙发上”与对应图片） ，然后要求图片的特征向量和文字的特征向量尽可能靠近。
这和之前的CLIP思绪一脉相承 ，但目的更聚焦。CLIP追求的是广义的图文匹配能力 ，而VTP则要求Tokenizer在压缩图像为紧凑的潜在编码时 ，必需保存与文本对齐的语义结构。
这意味着 ，天生模子后续吸收到的每一个潜在体现 ，自己就已经是“有语义的”——它不但是一堆像素的压缩 ，而是携带了“猫”、“沙发”等看法及其关系的结构化表达。和以往相比 ，“语义注入”被提前到了压缩阶段。
二是通过自监视学习 ，掌握空间结构与视觉知识。
在VTP框架中 ，自监视学习 ？橥ü笛诼胪枷窠＃∕IM） 和自蒸馏（DINO气概） ，“迫使”模子去明确图片的空间关系和物体结构。
这个历程会“逼着”Tokenizer往返覆差别问题：
通过自蒸馏回覆：抛开详细的像素细节 ，这张图片最焦点的视觉主题或看法是什么 ？（全局语义）通过MIM回覆：凭证你看到的“冰山一角” ，你能推断出整个“冰山”的形状和结构吗 ？（结构推理）二者协同回覆：为了识别图片主题或从局部重修整体 ，哪些视觉线索是决议性、不可缺失的 ？（聚焦焦点）
这一套流程走下来 ，模子对图像的明确便不再停留在像素层面 ，而是构建起了却构化的视觉认知。
三是通过重修 ，保存须要的底层视觉细节。
VTP依然保存了重修目的 ，但它的定位爆发了转变——其作用不再是“越准越好” ，而是确保潜在空间中仍然保有天生所需的纹理、颜色与边沿等细节信息。
这三重目的并非伶仃举行 ，而是通过一个统一的多使命损失函数举行联合优化：
最终 ，VTP获得的不是一个在某个指标上“特殊优异”的压缩器 ，而是一个自带明确能力、对天生模子很是友好的视觉Tokenizer。
这里也增补一个细节：为什么他们不像许多事情一样直接使用现有的CLIP或DINOv2作为Tokenizer ，而非要投入重大算力重新预训练一个 ？
其焦点思索在于两点（团队原话如下）：
表征真的很主要 ，我们想要做到很极致。在我们的视角下表征包括了自监视、比照学习、甚至是重修（这些只是已知较量成熟的要领 ，现实上理想的表征远不止这些） ，市面上没有一个能够很好地融汇这些要领的模子 ，我们需要自己训练一个；诒碚鞯腡okenizer计划具备scaling的潜力 ，预训练是最合理的实现方法。若是直接使用已有模子蒸馏或者迁徙 ，会由于setting过于重大而破损scaling的性子 ，也会受限于已有的模子规格而无法做充分的论证。
以是 ，选择“重新最先”的VTP ，着实际体现事实怎样呢 ？
首次展示了Tokenizer的Scaling Law
归纳综合而言 ，团队通过VTP得出了两大概害发明：
明确力是驱动天生的要害因素视觉Tokenizer也具备明确的Scaling Law
先说第一点。
VTP用实验证实 ，若是只做重修的话 ，投入资源越多天生反而可能越差。
下图中 ，代表重修能力的rFID从2.0降至0.5 ，重修效果变好；但代表天生能力的gFID从55.04升至58.56 ，天生效果变差。
而一旦注入“明确力”（即引入CLIP图文比照/SSL自监视使命） ，模子的天生质量（gFID）会随着明确能力（Linear Probe）的提升而同步变好——
二者泛起显着的正相关 ，且这种提升会随着训练盘算量增添一连推进。相比之下 ，缺少“明确力”的古板AE Only计划 ，其天生质量和明确能力很快陷入障碍。
更进一步 ，团队在一律算力下比照了差别组合 ，证实“CLIP+SSL+AE”的联合训练方法上限最高 ，天生与明确指标均最优。
基于此 ，团队训练的VTP在明确、重修、天生方面均交出了不错的答卷——
在ImageNet上的零样天职类准确率抵达78.2% ，凌驾了原版CLIP的75.5% ，已经具备强通用视觉明确能力；在重修能力上凌驾了Stable Diffusion的VAE ， rFID低至0.36；在天生能力上凌驾了此前的刷新要领VA-VAE ，gFID低至2.81。
更要害的是 ，在抵达相同天生质量的条件下 ，VTP的训练收敛速率比LDM快5.7倍、比VA-VAE快4.1倍 ，大幅降低了训练本钱。
这一系列体现配合印证了团队的判断：Tokenizer的“语义明确力”而非纯粹的像素重修精度 ，才是驱动天生性能与效率提升的焦点动力。
再说第二点 ，也是更具突破性的一点。
团队在实验中发明 ，VTP首次展示了Tokenizer的Scaling Law ，即天生性能可以随预训练中投入的盘算量、参数目和数据规模有用增添。
仅从算力维度比照 ，在不改动下游DiT标准训练设置的条件下 ，纯粹将Tokenizer的预训练盘算量放大 ，VTP就能为最终天生效果带来65.8%的性能提升 ，且提升曲线仍未触顶。
反观古板自编码器（AE） ，其性能在仅投入约1/10盘算量时便已饱和 ，且继续增添算力不但收益微乎其微 ，甚至可能导致天生质量倒退。
以上发明批注 ，接下来除了在主模子上投入更多参数/算力/数据之外 ，还可以通过Tokenizer的scaling来提升整个天生系统的性能。
这个结论 ，乍一看可能会让人有点转不过弯：什么时间 ，Tokenizer也最先谈scaling了 ？
在大模子语境里 ，“Scaling Law”险些自然只属于主模子——参数更大、数据更多、算力更猛 ，性能就该继续往上走。至于Tokenizer ，则恒久被视作一个“前置 ？椤 ，主打一个够用就行 ，做完重修使命就退场。
但VTP的泛起却改变了这一现实 ，团队体现：
VTP在latents易学性和通用表征学习之间建设起了明确关联 ，从而第一次将Tokenizer作为scaling的主角 ，展现出周全的scaling曲线和扩展偏向
就是说 ，若是Tokenizer只是被用来精准复刻像素 ，那么无论怎么堆算力 ，提升都将很快见顶；而一旦Tokenizer学到的是具备语义结构、对下游更友好的通用表征 ，事情就完全纷歧样了。
好比对整个行业来说 ，由于VTP在Tokenizer层面就已经统一了语义对齐、结构认知和细节表达 ，因此其产出的视觉表征自然具备多使命协同的潜力。
这有点像先把天下翻译成了一种统一、结构化的“视觉语言”。
一旦这套语言确定下来 ，下游无论是明确使命（如分类、检测） ，照旧天生使命（如图像合成、编辑） ，都不再需要各自“重新学怎么形貌这个天下” ，而只是站在统一套底层表达之上 ，做差别的事情。
从这个角度看 ，VTP自然适适用来构建“明确-天生统一模子”。正如团队所言：
Tokenizer层面的统一 ，是更实质的统一
也因此 ，此次VTP的开源就不但单只是提供了一个组件那么简朴了。
其更大的价值或许在于 ，它为整个行业提供了一条新的、且被实验证执行之有用的路径——
在主模子之外 ，Tokenizer同样是一个值得恒久投入、且具备明确scaling回报的焦点环节。
现在 ，VTP的论文和模子权重已经果真 ，下手能力强的朋侪也可以实验体验下：
换一个视觉Tokenizer ，模子性能就能变得纷歧样的feeling（手动狗头）。
【传送门】代码：https://github.com/MiniMax-AI/VTP论文：https://arxiv.org/abs/2512.13687v1模子：https://huggingface.co/collections/MiniMaxAI/vtp
??时势1：69无码毛片无码影院
??12月27日,独家披露：中欧电动汽车下一阶段怎么谈 ,
“毛球你发明了什么 ？”小不点询问。
,久久99综合色一综合色88。??12月27日,辽宁辽阳兰河河道塌陷面积约500平方米 未造成人员伤亡,
“四位老祖在此 ，是不会有事的 ，此前毅儿百骨断裂 ，我想也执偾让子陵出一口吻罢了。”另一位宗老很冷静。
,CF女团被僵尸挤奶图,免费a片在线不卡观看,国产IGAO激情免费视频。??时势2：凯·帕克姨妈三部曲
??12月27日,AI绘两会｜文旅大热，绝不仅是各地宣传的花式“整活儿”,
??12月27日,以军称打死一名哈马斯指挥官 哈马斯暂未回应,
一杆杆散发着冷森光线的铁矛 ，划破长空 ，每一杆都有两米长 ，数十斤重 ，可以洞穿火犀的皮 ，咆哮而来！
,禁漫天堂下载网址 http://accct.cn/xb4frjC#4,a 片官网,99精品视频一区二区。??时势3：动漫 大胸 动漫视频
??12月27日,中国再次提高部分退役军人和其他优抚对象抚恤补助标准,
“头角峥嵘 ，第一奇才 ，曾在我们天才营呆过 ，极其强悍 ，潜力惊人。”
,欢乐谷网址最新消息,AV黄色网址免费在线观看,欧美精品视频免费播放。??12月27日,西藏布达拉宫迎“年度美容”,
这就要求我们要进一步增强团队意识和团结协作意识 ，<莲~山 课件>要善于与先生相助 ，这一届先生中 ，这是一支刚刚创立了x年高考新绚烂的爱岗敬业、爱生如子、忘我拼搏、无私贡献的西席团队 ，希望各人与先生精诚相助 ，携手并进。
,黄色社区欧洲人人操,五月丁香久久久,中国老妈XⅩ╳。??时势4：插插插插插插人人人人人人
??12月27日,梅西第八次当选“世界足球先生”,
它顶天立地 ，高也不知几多里 ，耸入云层中 ，一对眸子碧幽幽 ，像是两个湖泊嵌在天穹上 ，直径足有数里 ，这样的碧眸着实重大的吓人 ，且杀气惊天！
,番茄成人,wwwA片小视频,18禁 流浆 夜猫。??12月27日,记者手记：在巴黎遇见论语,
也许你会发明 ，每一个楼层的墙上都有巨细不依的黑脚印 ，瓷砖上也有。原来是皎洁的墙 ，现在酿成是非相间的花墙 ，你说多灾看 ，有多破损学校的整齐度。
,国产小视频高在线观看,乱了一伦一级A片免费看,3WWW日本视频。责编：崔健
审核：乌杜尼斯-哈斯勒姆
责编：王红梅
Copyright (C) 2001- dzwww.com. All Rights Reserved
新闻信息效劳允许证 - 音像制品出书允许证 - 广播电视节目制作谋划允许证 - 网络视听允许证 - 网络文化谋划允许证
山东省互联网传媒集团主理 联系电话：0531-85193202 违法不良信息举报电话：0531-85196540
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
