/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
mingtok · dense
Библиотека
transformers
Опубликована
30 сен 2025

MingTok-Vision

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный токенизатор MingTok извлекает непрерывные представления изображений для их понимания, генерации и высококачественной реконструкции.

52скачиваний за 30 дней31лайквеса обновлены10 окт 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MingTok-Vision — визуальный токенизатор семейства MingTok, разработанный inclusionAI для единого представления изображений в задачах визуального понимания и генерации. README описывает непрерывное латентное пространство без векторной квантизации и трёхэтапную архитектуру: кодирование, расширение представления и реконструкцию.

Модель предназначена для извлечения визуальных признаков и восстановления изображений с сохранением мелких деталей и общей структуры. Маскированное моделирование и многоуровневое обучение формируют компактное семантически насыщенное представление, которое может поддерживать более быстрое и стабильное авторегрессионное обучение. Репозиторий использует Transformers и формат safetensors; заявлена лицензия Apache-2.0. Карточка не сообщает размер модели или длину контекста.

Сценарии применения

  • извлечение признаков из изображений
  • получение визуальных токенов для генеративных моделей
  • реконструкция изображений с сохранением деталей
  • подготовка представлений изображений для авторегрессионного обучения

Ограничения

В карточке не приведены количественные результаты сравнения и подробные ограничения по разрешению или условиям применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MingTok: A Unified Tokenizer for Visual Understanding and Generation without Vector Quantization

Key Features

  • 🖼️ First Continuous Unified Vision Tokenizer: MingTok enables unified vision understanding and generation via a continuous latent space, eliminating quantization while preserving semantic and perceptual fidelity.
  • 🎯 High-Fidelity Image Reconstruction: A three-stage architecture (encoding, expansion, reconstruction) captures fine details and global structure for accurate, high-quality image recovery.
  • ⚡ Accelerated Autoregressive Convergence: Masked modeling with multi-level supervision shapes a compact, semantically rich latent space, enabling faster and more stable autoregressive training.

Figure 1: Conceptual comparison and qualitative examples of MingTok.

Usage

# build MingTok

from mingtok.modeling_mingtok import MingTok

mingtok_model = MingTok.from_pretrained("inclusionAI/MingTok-Vision")
mingtok_model = mingtok_model.cuda()

img_path = "mingtok/asset/mingtok.png"
save_path = "mingtok/asset/mingtok_recon.png"

# loading original image
image = Image.open(img_path).convert("RGB")
processor = CenterCropProcessor(image_size=512, mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
image = processor(image).cuda().unsqueeze(0)

# performing reconstruction
with torch.no_grad():
  image_recon = mingtok_model.forward_enc_dec(image)
  # latent = mingtok_model.low_level_encoder(image)
  # semantic_feat = mingtok_model.semantic_decoder(latent)['x_norm_patchtokens']
  # image_recon = mingtok_model.forward_pixel_decoder(semantic_feat)


output_mean = torch.Tensor([0.5,0.5,0.5]).view(1,-1,1,1).cuda()
output_std = torch.Tensor([0.5,0.5,0.5]).view(1,-1,1,1).cuda()
output_image = (image_recon*output_std + output_mean)[0]
output_image = T.ToPILImage()(output_image)
output_image.save(save_path)

Performance

Image Reconstruction

Reference

@article{huang2025mingunivision,
  title={Ming-UniVision: Joint Image Understanding and Generation with a Unified Continuous Tokenizer},
  author={Huang, Ziyuan and Zheng, DanDan and Zou, Cheng and Liu, Rui and Wang, Xiaolong and Ji, Kaixiang and Chai, Weilong and Sun, Jianxin and Wang, Libin and Lv, Yongjie and Huang, Taozhi and Liu, Jiajia and Guo, Qingpei and Yang, Ming and Chen, Jingdong and Zhou, Jun},
  journal={arXiv preprint arXiv:2510.06590},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Архитектура mingtok неизвестна transformers в образе рантайма.

Класс архитектуры
MingTok
Ревизия весов
02e9517

0 моделей