猫眼影戏
 |
|
猫眼影戏
尤金娜·布沙尔
手机审查
猫眼影戏记者 易鹏 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：免费高清在线视频毛片
??12月25日,科威特南部火灾事故死亡人数升至49人,
第三、要时刻用目的激励自己，要相信自己能行。
,看一级黄色网站。??12月25日,国家邮政局部署开展邮政快递业安全生产重大事故隐患大排查大整治 ,
上体育课前要做好准备活动，运动时注重不要强烈碰撞，以免撞伤或摔伤;活动时，要在体育先生的准确指导下，使用体育器材或加入运动，课余时间活动要注重清静，严禁追逐打闹或进入有危险的区域;劳动时不要用劳动工具玩打，注重劳动清静;同砚间遇到矛盾时，一定要冷静理智，不要下手动脚，以免给自己和同砚带来不良效果。夏日，没有家长向导，不获得河塘等地方游泳，以免爆发溺水危险。不获得修建工地玩耍，以免爆发危险。
,欧美日韩免费高清视频一区二区,美女在线永久免费网站,人人吊天天操国产大视频。??时势2：一道本在线综合
??12月25日,法国东南部遭暴雨袭击已致3人死亡 仍有4人失踪,
他们绝一直留，一起上向着狈村偏向而去，意料那些人搬着极重的巨兽走不远。山中有显着的痕迹，猛兽的毛发、鲜血、鳞片等指引了狈村人离去的路径。
,久久人妻无码精品88,成人涩涩视屏app免费下载,天天色天天干网址。??12月25日,微视频｜嘱托,
2、调解好精神状态，不可散漫看待学习——包管富足的睡眠时间，第二天才会有饱满的精神状态看待学习。同时，更要起劲的调动学习热情，全身心投入到学习中去，用武士的作风严酷要求自己，今天的耕作即是明天的收获;一份支付就会有一份回报。另外，就是自己的主观学习意识要强，现代社会竞争强烈，你们不起劲，就会被社会镌汰。我想谁也不肯意被优胜劣汰的现时代竞争的社会所扬弃，那么，就必需靠自己今天去起劲争取。
,华人导航,操美女 6666,好男人WWW.Com。??时势3：东北老妓女叫床脏话对白
??12月25日,中国光大集团原董事长李晓鹏一审被控受贿6043万余元,
你们的支持，让xx幼儿园逐步走上优质园所，成为街道中心园所，向导红山地区园所配合前进!在此，深深地谢谢你们!列位同事们，我们时常叹息现在做幼儿园先生越来越禁止易了，不但要教学水平高，还要善于跟家长交流相同。我们也时 ；嵯萑肟嗄罩，可是我们勤劳学习，认真加入每一次教研和外出学习，通过取长补短，起劲反思，一直提升自己，起劲让教学更优、相同能力更强，我们的起劲得抵家长的认可和赞赏。我们收获良多，我们体会到教学相长的快乐，我们从孩子身上体会童真的优美，他们的纯净让我们无限温暖。家长们的支持和明确，让我们获得继续前行的实力!同事们，从事幼儿教育事情让我们心里有数，我们会相互勉励，全心起劲地做好每一天的事情!碰杯欢庆，却结业在即，即便我们有不舍，孩子们终究要去远行，我们祝福他们!祝福所有的家庭幸福完满，祝福我们都能快乐地走在路上!
,日本三级在线网站,爱搞为爱搞点激,免费网站黄色一级片。??12月25日,2023年末全国普惠型小微企业贷款余额增长超23%,
步队生涯是艰辛的，军训虽然不是在前方接触，可是严酷的行列训练、摸爬滚打，可能会让人感应劳累、死板，尤其是军训时代天气可能冷热转变无常，同砚们要准备闯过训练、生涯等一道道难关。我以长征组歌中的一段歌词送给各人，希望各人在难题的时间，想一想红军先进：雪皑皑，野茫茫，高原寒，炊断粮。红军都是钢铁汉，千锤百炼不怕难。雪山垂头迎远客，草毯泥毡扎营盘。风雨侵衣骨更硬，野菜果腹志越坚。官兵一致同甘苦，革命理想高于天。
,fiee性ZOz0交体内谢nd视频,我脱了内裤坐在男朋友的身上视频,欧美夜色。??时势4：美女无内衣内裤黄色软件
??12月25日,广东抢抓农时春耕忙 农业“黑科技”显身手,
第二，要用高尚的事业凝聚人心。 高尚的事业就像一个极富熏染力的“磁场”，能够爆发重大的吸引力，让人激动，让人投入，让人拼命想做事，敢于干大事。近年来，我镇普遍深入开展解放头脑大讨论活动，提出了加速千人桥生长的新思绪、新战略，宽大干部群众全神贯注做事业，团结一心促生长，全镇人民的起劲性创立性空前高涨。我们要继续以高度的责任感和紧迫感，把实现千人桥在舒城率先崛起纳入到周全建设小康社会的总体安排，以此凝聚民心，集中民智，团结和向导全 镇人民配合创立我们的幸福生涯和优美未来。这是一个高尚的事业，只有这样的事业，才华在全镇营造优异的做事创业气氛。任何事业都是各人同心协力干出来的，不是坐在那里等出来的，更不是“吹”出来的。千人桥的建设事业任重道远，需要我们每一个干部群众一滴汗一滴汗支付，一项事情一项事情完成，一步一个脚印地前进。做事创业，一要想干、肯干，二要醒目、会干。要弘扬正气，坚持生气，培育锐气，通过强有力的头脑政治事情，准确的舆论导向，完善的动力机制，切实的步伐包管，从选拔任用到利益分派，坚决杜绝“干的不如看的，看的不如作怪的”这样一种不正常征象，让笃志苦干，集中精神事情的同志能不受滋扰，无后顾之忧;让那些不但自己不干，别人干了还要毫无凭听说三道四，散布闲言碎语的人没有市场;让兢兢业业、踏扎实实、辛勤事情和劳动的同志受到表扬和勉励;让那些事情拈轻怕重，疲疲沓沓，甚至“当了僧人不撞钟”的人受到品评和谴责;让坚持在经济事情第一线，有才华、有创见的同志受到尊重和重用;让品质卑劣、搞歪门邪道的人受到抵制和处分。这样，才华真正凝聚人心，把做事创业的气氛搞得浓浓的。俗话说“无事生非”，没有事干才会玩扑克。当向导的应该想方想法一方面要创立一个使这些人做事的情形，另一方面使下面的人有事干，没有大事有小事，只要各人肯做事，我看哪个村、哪个部分都有事。好比公共情形卫生问题，这也是个事，可谁落到了实处?古话说，“自扫门前雪”，我们现在有些部分，有些向导是门前雪也不扫啊!这是没有事业心，没有用事业来凝聚人心。
,欧美视频 3P,538旡码视屏,欧美特黄久久精品一级A片。??12月25日,传统医药“圈粉”年轻人，未来谁接棒,
他们知道，在偏僻的大荒中有自封的王侯，并非古国册封，两者基础无法相提并论！
,国产av天堂久久久久,一区二区 视频,九色PORNY视频国内自拍。责编：袁西华
审核：麦德琳·梅里尔
责编：郑培霖
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
