Janus 是一个统一的多模态理解和生成的大型语言模型(MLLM),它将多模态理解和生成的视觉编码解耦。Janus 基于 DeepSeek-LLM-1.3b-base 构建,该模型训练时使用了大约5000亿个文本token的语料库。在多模态理解方面,它使用 SigLIP-L 作为视觉编码器,支持384 x 384像素的图像输入。在图像生成方面,Janus 使用了LlamaGen的tokenizer,并且具有16倍的下采样率。
Janus的训练过程是分阶段进行的,以确保模型在多模态理解和生成任务上都能达到高性能:
第一阶段:训练Adpater和图像Head
第二阶段:统一预训练
第三阶段:监督微调(SFT)
训练细节:
作为一个next token prediction的图像生成模型,生成效果相当不错:
同时作为一个多模态理解模型,仅1.3B且只有384的输入分辨率,效果也超出预期。比如带有文字的meme图的理解,甚至也还行:
可以看出,多模态大模型生成和理解,越卷越统一;模型尺寸也有着越卷越小的趋势。
原文链接:
© 版权声明