官网介绍： Introducing Mistral OCR 3 | Mistral AI
每1000页2美元，且享有50%的批量API折扣，成本降至每1000页1美元。（之前好像是一刀1000页） 这个价格应该比国内的doc2x api便宜，mineru目前api免费
不同语言benchmark结果：

不同数据集benchmark结果：

也是比DeepSeekOCR好了，不过似乎对比的很少，没有和marker，mineru这种比较
和上一代自己的模型比较：

偶然想到可以用来渲染mc欸Ovo，看着确实不错但是感觉自己的想象力的提示词能力完全不够qwp，就算能想到也不懂怎么去描述（）

有人玩过“异次元通讯”吗？简单来说就是一个模拟连天软件的手机上的galgame。然后时间什么的都是完全和你同步的。举例下线4小时，她就是4小时候才会给你消息弹窗给你发信息。
​
​然后这次android期末作业我突然想到了这个游戏，用flutter搭建了个类似的“引擎”，现在有了完整的聊天界面和朋友圈动态界面，也能根据设定的时间来主动弹窗提醒。
​
​图三是一个我们的小例子，剧情是挪威的森林里面绿子的一些可能得话。图四是朋友圈。有人想一起加入吗？主要就是优化这个引擎，然后一起想剧本什么的。

让我惊艳的地方是，Gemini 发现  Adobe Flash player 无法使用，就主动搜索 H5 版本的森林冰火人，成功找到能玩的版本。我都一时半会想不到

实时精确度不够高，火娃进水坑

今天，我们很高兴向大家介绍MiniMax视频团队刚刚开源的工作——VTP (Visual Tokenizer Pre-training)；这个工作讨论的是视觉生成模型中的关键组件——tokenizer，对于整个生成系统的scaling性质。
这个说法可能会让大家感到有点陌生：什么时候tokenizer也有scaling性质了？Scaling作为大模型时代的核心纲领，其讨论的对象一般是围绕主模型（比如DiT）的参数/算力/数据规模，tokenizer则很少和scaling关联到一起。
而我们想要通过VTP展现的是，tokenizer不仅对生成系统的scaling起着决定性的作用，实现这一点的核心方法也蕴含着简洁而深刻的思想 。
一句话来说——VTP把latents易学性和通用表征学习建立起明确关联，从而第一次将tokenizer作为scaling的主角，展现出全面的scaling曲线和扩展方向。VTP提供了一个全新的视角，指导我们除了在主模型上投入更多参数/算力/数据之外，还可以通过tokenizer的scaling来提升整个生成系统的性能。

与很多tokenizer工作不同的是，VTP在设定上不对下游的主模型（DiT）训练过程做任何修改，仅通过前置优化tokenizer来实现端到端生成性能的倍数提升。
更为本质的是，我们给出的不是一个“单点解”（在大量限定条件下把某个指标刷到超出理论上限），而是一条随着tokenizer投入的参数/算力/数据规模持续提升的生成性能曲线。这意味着我们尽可能去避免过拟合特定场景，追求一个在真实工业级环境中可以广泛生效的方法。
这里，我们想从一个更高的视角跟大家分享一下我们对这个问题的理解和思考。
01
Latent的易学性
Tokenizer将原始图像/视频转化为高度压缩的特征，一般称之为latents。在我们早期的工作VA-VAE中，我们提出latents的一个新性质：易学性。
这背后，源自我们注意到不同的latents对于下游的生成建模来说有着截然不同的表现，那么最有利于下游生成的latents则成为我们追求的