当前位置：首页 > news >正文

DeepSeek AI 推出 Janus 自回归框架，统一视觉、文本理解与生成的创新解决方案

news 2025/7/8 3:40:43

❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

Janus 是一个统一多模态理解和生成任务的自回归框架。
它通过解耦视觉编码和统一的 Transformer 架构实现高效的多模态处理。
Janus 在图像生成、图像标注、视觉问答等领域有广泛的应用前景。

正文（附运行示例）

Janus 是什么

在这里插入图片描述

Janus 是一个由 DeepSeek AI 推出的自回归框架，旨在统一多模态理解和生成任务。它通过将视觉编码分离成不同的路径，解决以往方法的局限性，并使用单一的变换器架构进行处理。这种设计不仅减轻了视觉编码器在理解和生成任务中的角色冲突，还提高了框架的灵活性。Janus 在性能上超越以往的统一模型，在某些情况下超过特定任务模型的性能，使其成为下一代统一多模态模型的有力候选者。

Janus 的主要功能

多模态理解：Janus 能处理和理解包含图像和文本的信息，让大型语言模型能理解图像内容。
图像生成：基于文本描述，Janus 能生成相应的图像，展现出从文本到图像的创造力。
灵活性和扩展性：Janus 的设计支持独立选择最适合的编码方法进行多模态理解和生成，易于扩展和集成新的输入类型，如点云、EEG 信号或音频数据。

Janus 的技术原理

视觉编码的解耦：Janus 基于为多模态理解和生成任务设置独立的编码路径，解决两项任务对视觉信息粒度不同需求的冲突。
统一的 Transformer 架构：Janus 用单一的 Transformer 架构处理不同的编码路径，保持模型的统一性和效率。
自回归框架：Janus 基于自回归方法，逐步生成文本或图像数据，在生成任务中具有灵活性和控制性。
多阶段训练：Janus 的训练分为多个阶段，包括适配器和图像头部的训练、统一预训练和监督微调，确保模型在多模态任务上的表现。
跨模态交互：Janus 能处理不同模态间的交互，如将文本转换为图像或从图像中提取信息回答问题，实现不同模态间的无缝转换和理解。

如何运行 Janus

# 示例代码：多模态理解
# 加载模型和处理器
model_path = "deepseek-ai/Janus-1.3B"
vl_chat_processor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer
vl_gpt = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()# 准备输入数据
conversation = [{"role": "User","content": "<image_placeholder>\nConvert the formula into latex code.","images": ["images/equation.png"],},{"role": "Assistant", "content": ""},
]
pil_images = load_pil_images(conversation)
prepare_inputs = vl_chat_processor(conversations=conversation, images=pil_images, force_batchify=True).to(vl_gpt.device)# 运行模型
inputs_embeds = vl_gpt.prepare_inputs_embeds(**prepare_inputs)
outputs = vl_gpt.language_model.generate(inputs_embeds=inputs_embeds,attention_mask=prepare_inputs.attention_mask,pad_token_id=tokenizer.eos_token_id,bos_token_id=tokenizer.bos_token_id,eos_token_id=tokenizer.eos_token_id,max_new_tokens=512,do_sample=False,use_cache=True,
)# 解码输出
answer = tokenizer.decode(outputs[0].cpu().tolist(), skip_special_tokens=True)
print(f"{prepare_inputs['sft_format'][0]}", answer)