一水 发自 凹非寺 量子位 | 公众号 QbitAI 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答案—— 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生成效果？ 翻译成大白话就是，虽然图像/视频生成模型的参数越做越大、算力越堆越猛，但用户实际体验下来总有一种微妙的感受——这些庞大的投入 与产出似乎不成正比，模型离完全真正可用总是差一段距离。 So why？问题，大概率就出在 视觉分词器（Tokenizer） 这个东西身上了。 当算力不再是答案时，真正需要被重新审视的，其实是生成模型的"起点"。 在当前主流的两阶段生成框架中 （分词器+生成模型） ，业界已经在视觉分词器的预训练上投入了大量算力与数据，但一个尴尬的事实是： 这些成本，几乎没有线性地转化为生成质量的提升 。 而MiniMax海螺视频团队，不止挑战了这一现实——用实验证明"Tokenizer的scaling能够提升模型性能"。 更关键的是，还带来了一款 开箱即用、专为"下一代生成模型"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） ...