VTP：面向生成任务的可扩展视觉 Tokenizer 预训练

VTP 是统一的视觉 tokenizer 预训练框架，首次联合优化图文对比、自监督与重建三类损失，证明以感知为导向的 tokenizer 预训练能为生成任务解锁新的 scaling law；在不改动 DiT 训练配置与 FLOPs 的前提下，仅扩大 VTP 预训练规模即可持续提升生成质量，最终在 ImageNet 256×256 上取得 1.11 gFID。