【读代码】BAGEL：统一多模态理解与生成的模型

一、项目概览

1.1 核心定位

BAGEL是字节跳动推出的开源多模态基础模型，具有70亿激活参数（140亿总参数）。该模型在统一架构下实现了三大核心能力：

• 多模态理解：在MME、MMBench等9大评测基准中超越Qwen2.5-VL等主流模型
• 文本生成图像：生成质量媲美SD3等专业生成模型
• 智能图像编辑：支持自由格式编辑、多视角合成等复杂场景

1.2 技术亮点

• MoE架构：采用混合专家架构的Transformer（Mixture-of-Transformer-Experts）
• 双编码设计：同时提取像素级（VAE）和语义级（ViT）图像特征
• Next Token预测范式：统一语言和视觉token的生成目标