Janus 是一个一致的多模态了解和生成的大型言语模型（MLLM），它将多模态了解和生成的视觉编码解耦。Janus 基于 DeepSeek-LLM-1.3b-base 构建，该模型训练时经常使用了大概5000亿个文本token的语料库。在多模态了解方面，它经常使用 SigLIP-L 作为视觉编码器，允许384 x 384像素的图像输入。在图像生成方面，Janus 经常使用了LlamaGen的tokenizer，并且具有16倍的下采样率。
Janus的训练环节是分阶段启动的，以确保模型在多模态了解和生成义务上都能到达高性能：
第一阶段：训练Adpater和图像Head
第二阶段：一致预训练
第三阶段：监视微调（SFT）
训练细节：
作为一个next token prediction的图像生成模型，生功成果相当不错：
同时作为一个多模态了解模型，仅1.3B且只要384的输入分辨率，成果也超出预期。比如带有文字的meme图的了解，甚至也还行：
可以看出，多模态大模型生成和了解，越卷越一致；模型尺寸也有着越卷越小的趋向。
原文链接：
© 版权声明