中国公司DeepSeek在华尔街周一评估“DeepSeek风暴”时，发布了其最新产品：名为Janus-Pro的多模态大模型。该模型在图像生成基准测试中超越了OpenAI的DALL-E 3，并且是开源的。
除夕凌晨钟声敲响前不久，DeepSeek工程师们在“抱抱脸”平台上传了Janus Pro 7B和1.5B两个模型，这是对去年10月发布的Janus模型的升级。这两个模型具有15亿和70亿参数量，可以在消费级电脑上本地运行。与之前的版本一样，Janus Pro采用MIT许可证，在商用方面没有限制。
据DeepSeek介绍，Janus-Pro是一个新颖的自回归框架，统一了多模态理解和生成。通过将视觉编码分离为“理解”和“生成”两条路径，同时仍采用单一的Transformer架构进行处理，解决了以往方法的局限性。这种分离不仅缓解了视觉编码器在理解和生成中的角色冲突，还提升了框架的灵活性。
从报告给出的数据来看，在部分文生图基准测试中，Janus-Pro 70亿参数模型的表现优于OpenAI的DALL-E 3和Stability AI的Stable Diffusion 3-Medium等模型。尽管DALL-E 3是OpenAI在2023年发布的一款老模型，而Janus Pro目前只能分析和生成规格较小的图像（384 x 384），但其在如此紧凑的模型尺寸中依然展现了令人印象深刻的性能。
技术报告显示，在视觉生成方面，Janus-Pro通过添加7200万张高质量合成图像，使得在统一预训练阶段真实数据与合成数据的比例达到1:1，实现了更具视觉吸引力和稳定性的图像输出。在多模态理解的训练数据方面，新模型参考了DeepSeek VL2并增加了大约9000万个样本。
作为一个多模态模型，Janus-Pro不仅可以“文生图”，还能对图片进行描述，识别地标景点（例如杭州的西湖），识别图像中的文字，并能对图片中的知识（例如“猫和老鼠”蛋糕）进行介绍。公司在报告中展示了更多图像生成的案例。
主题测试文章，只做测试使用。发布者：火星财经，转转请注明出处：https://www.sengcheng.com/article/14026.html
