MiniMax海螺视频开源视觉分词器预训练框架VTP，首次揭示视觉生成Scaling Law，破解行业训练悖论

MiniMax海螺视频团队于2025年12月22日正式开源其视觉分词器预训练框架VTP（Visual Tokenizer Pre-training），这一突破性成果首次揭示了视觉分词器在生成系统中的Scaling Law（缩放定律），解决了长期困扰行业的“训练悖论”问题。该框架已在GitHub及ModelScope等平台发布，引发AI视觉生成领域广泛关注。

传统两阶段生成框架中，视觉分词器（如VAE）负责将原始图像压缩至潜在空间，再由扩散模型（如DiT）进行生成还原。然而，业界长期面临一个矛盾现象：分词器的重建能力（如rFID指标）随训练提升，但生成质量（如gFID指标）反而下降。海螺团队通过实验证明，问题根源在于传统分词器过度优化像素级重建，忽视了高层语义理解。其数据显示，传统方法在消耗10%总算力后即陷入性能停滞，继续投入甚至导致生成效果劣化。

VTP的创新性体现在三方面：
1. 架构革新：采用ViT（Vision Transformer）替代CNN，通过两阶段训练策略规避生成不稳定性——预训练阶段联合优化L1 Loss与感知损失，微调阶段冻结分词器主体并引入GAN Loss提升画质；
2. 目标重构：将训练重点从“精确还原”转向“语义理解”，使压缩后的潜在表征更利于下游生成模型学习；
3. 可扩展性验证：实验证实分词器的参数规模、数据量与生成性能呈明确正相关，打破“算力投入无效”的行业认知。实际测试中，仅替换VTP即可使下游模型生成性能提升2-3倍，且无需调整主模型配置。

该成果对行业具有双重意义：技术层面，为视觉生成系统提供新的性能优化路径；商业层面，其开源属性显著降低高质量视频生成的技术门槛。目前，海螺AI已基于VTP迭代至Hailuo2.3版本，在动态表现力与风格化处理上持续领先。团队表示，VTP的Scaling Law发现仅是开端，未来将进一步探索多模态生成框架的协同缩放规律。