猫眼影戏
 |
|
猫眼影戏
龚锐云
手机审查
猫眼影戏记者 张棻 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：亚洲成Aⅴ人的天堂在线观看女人
??12月24日,柬埔寨证券公司CEO：柬资本市场将迎来“黄金十年”,
这是现实天下中的雨族重地 ，此地供着雨神的法相 ，祥和气溢出 ，寻常基础不让人靠近 ，唯有关乎雨族荣辱之大事才可来此。
,久尹人在视频。??12月24日,联合国强迫失踪问题委员会：哥伦比亚一机库发现约2万具尸体,
突然 ，小不点全身寒毛倒竖 ，快速侧身 ，一支酷寒的铁箭擦着他的喉咙而过 ，砰的一声没入山石中 ，铿锵作响。
,日韩在线观看视频第一区,日韩AV电影网址,黄色视频在线免费观看操使劲不要高潮。??时势2：日韩欧美性爱综合视频
??12月24日,初步结果显示阿扎利赢得科摩罗总统选举,
抱着小不点的老人 ，闻言更怒了 ，寒声道：“我石族有祖训 ，不得自相屠杀 ，要团结在一起 ，一致对外。不然何以从一个墟落般的祖地走出 ，打下这片众多疆土 ，统御亿万子民 ，坐拥人皇位 ，而封王侯者更是数不胜数。你这妇人 ，太狠毒了 ，族规容不得你！”
,巨肥人妻BwwBwwB88,国产A级黄色,国产三级免费视频在线。??12月24日,【文化拾遗 魅力泉州】在五里古街遇见“桃源”风情,
雨蒙冷幽幽的说道：“能手啊 ，我喜欢 ，我最近养了一头凶兽 ，需要强者的血 ，你将我身边的几人也带上 ，去将那父子给我捉来 ，我嫌疑他们可能有些来头。”
,双飞东北老阿姨,插曲的痛软件大全,99视频小草免费。??时势3：Rinhee全集免费观看
??12月24日,“不同文明在交流互鉴中焕发出新光彩”,
青鳞鹰虽恼怒 ，但却没有失去理智 ，知晓远方的山林有这样一头让百兽都恐惧的鼠王 ，以金属为食 ，牙齿与利爪无坚不摧。
,91在线网站免费,衣冠不整鹤童by鹤童免费阅读,欧美性爱在线免费看。??12月24日,第八次全国残疾预防日广西宣传活动启动,
“还纪念 ，你以为是情人啊。这么个奇葩的孩子 ，若是在那些净土中让我遇到 ，我非将他屁股拍成十八瓣不可！”
?第九十七章 净土秘闻,曰本无码l,13学生的粉嫩小泬无遮挡,欲漫涩ios。??时势4：itch.io18 游戏入口免费
??12月24日,福建构建“大武夷文化旅游圈”,
雷明远看到接连两位天才被这个小孩子生猛地拍飞 ，他不想比拼肉身 ，眸光炽盛 ，肌体汹涌出一股玄色电光 ，掌心泛起一个符文 ，闪电交织 ，向前按去。
,逼特美,超碰在线97人艹,超碰人人干人人色。??12月24日,四川康定受“8·03”山洪泥石流灾害影响的1.3万余辆大中型货车顺利过境,
第一、希望通过这次培训 ，能够使各人进一步提高熟悉 ，迅速进入角色。
,亚洲图片视频在线免费观看,人人干人人射人人操,欧美图片另类。责编：徐鸿义
审核：穆占东
责编：白景涛
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
