ViT
Vision Transformer que processa imagens ou vídeos e produz tokens visuais para o modelo de linguagem.
Mencionado em
Seção intitulada “Mencionado em”- Como o MiniMax M3 foi desenvolvido: atenção esparsa e multimodalidade nativa — Olive Song
- A NVIDIA eliminou o VAE e o encoder de visão: conheça o PixelUMM
Relacionados
Seção intitulada “Relacionados”MiniMax M3, MiniMax, GitHub, VAE, NVIDIA, Hugging Face, Qwen3 8B