/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
29,5 ГБ
Лицензия
Apache 2.0
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
bagel-mot
Опубликована
28 июн 2026

ByteDance_Seed_BAGEL_7B_MoT

Мультимодальная модель

Производная модели ByteDance-Seed/BAGEL-7B-MoT. BAGEL — мультимодальная модель ByteDance Seed для понимания изображений и видео, генерации изображений и редактирования по текстовым инструкциям.

3скачиваний за 30 дней1лайквеса обновлены28 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели DollasAndSpence/ByteDance_Seed_BAGEL_7B_MoT на Hugging Face совпадает с карточкой ByteDance-Seed/BAGEL-7B-MoT, поэтому описание составлено по ней.

BAGEL — открытая мультимодальная модель ByteDance Seed с архитектурой Mixture-of-Transformer-Experts (MoT). В репозитории размещены веса версии с 7 млрд активных и 14 млрд общих параметров; в качестве основы использована Qwen/Qwen2.5-7B-Instruct. Модель обучалась на чередующихся текстовых, графических и видеоданных и использует отдельные энкодеры для визуальных признаков на уровне пикселей и семантики.

BAGEL предназначена для мультимодального понимания и генерации: отвечает на вопросы по изображениям, создаёт изображения по текстовым описаниям, редактирует изображения по инструкциям, а также поддерживает генерацию будущих кадров, многоракурсный синтез и задачи навигации в визуальной среде. В README заявлены результаты, сопоставимые с ведущими открытыми моделями в тестах понимания изображений и генерации, однако эти заявления относятся к оценкам разработчика.

Модель принимает текст, изображения и видео, а выдаёт текст и изображения. Карточка не сообщает о поддерживаемых естественных языках и длине контекста. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Для установки и использования разработчик направляет к отдельному репозиторию GitHub.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • генерация изображения по текстовому описанию
  • редактирование изображения по текстовой инструкции
  • описание и анализ видеокадров
  • создание многоракурсных изображений
  • предсказание будущего кадра видео

Ограничения

Заявленные сравнительные результаты приведены в README разработчика; они не гарантируют качество на пользовательских данных. Языки и длина контекста в предоставленных источниках не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🥯 BAGEL • Unified Model for Multimodal Understanding and Generation

We present BAGEL, an open‑source multimodal foundation model with 7B active parameters (14B total) trained on large‑scale interleaved multimodal data. BAGEL outperforms the current top‑tier open‑source VLMs like Qwen2.5-VL and InternVL-2.5 on standard multimodal understanding leaderboards, and delivers text‑to‑image quality that is competitive with strong specialist generators such as SD3. Moreover, BAGEL demonstrates superior qualitative results in classical image‑editing scenarios than the leading open-source models. More importantly, it extends to free-form visual manipulation, multiview synthesis, and world navigation, capabilities that constitute "world-modeling" tasks beyond the scope of previous image-editing models.

This repository hosts the model weights for BAGEL. For installation, usage instructions, and further documentation, please visit our GitHub repository.

🧠 Method

BAGEL adopts a Mixture-of-Transformer-Experts (MoT) architecture to maximize the model’s capacity to learn from richly diverse multimodal information. Following the same principle of capacity maximization, it utilizes two separate encoders to capture pixel-level and semantic-level features of an image. The overall framework follows a Next Group of Token Prediction paradigm, where the model is trained to predict the next group of language or visual tokens as a compression target.

BAGEL scales MoT’s capacity through Pre-training, Continued Training, and Supervised Finetuning on trillions of interleaved multimodal tokens spanning language, image, video, and web data. It surpasses open models on standard understanding and generation benchmarks and demonstrates advanced in-context multimodal abilities like free-form image editing, future frame prediction, 3D manipulation, world navigation, and sequential reasoning.

🌱 Emerging Properties

As we scale up BAGEL’s pretraining with more multimodal tokens, we observe consistent performance gains across understanding, generation, and editing tasks. Different capabilities emerge at distinct training stages—multimodal understanding and generation appear early, followed by basic editing, while complex, intelligent editing emerges later. This staged progression suggests an emergent pattern, where advanced multimodal reasoning builds on well-formed foundational skills. Ablation studies further show that combining VAE and ViT features significantly improves intelligent editing, underscoring the importance of visual-semantic context in enabling complex multimodal reasoning and further supporting its role in the emergence of advanced capabilities.

📊 Benchmarks

1. Visual Understanding

ModelMME ↑MMBench ↑MMMU ↑MM-Vet ↑MathVista ↑
Janus-Pro-7B-79.241.050.0–
Qwen2.5-VL-7B234783.558.667.168.2
BAGEL238885.055.367.273.1

2. Text-to-Image Generation · GenEval

ModelOverall ↑
FLUX-1-dev0.82
SD3-Medium0.74
Janus-Pro-7B0.80
BAGEL0.88

3. Image Editing

ModelGEdit-Bench-EN (SC) ↑GEdit-Bench-EN (PQ) ↑GEdit-Bench-EN (O) ↑IntelligentBench ↑
Step1X-Edit7.096.766.7014.9
Gemini-2-exp.6.736.616.3257.6
BAGEL7.366.836.5244.0
BAGEL+CoT–––55.3

License

BAGEL is licensed under the Apache 2.0 license. It is finetuned from Qwen2.5-7B-Instruct and siglip-so400m-14-384-flash-attn2 model, and uses the FLUX.1-schnell VAE model, all under Apache 2.0.

✍️ Citation

@article{deng2025bagel,
  title   = {Emerging Properties in Unified Multimodal Pretraining},
  author  = {Deng, Chaorui and Zhu, Deyao and Li, Kunchang and Gou, Chenhui and Li, Feng and Wang, Zeyu and Zhong, Shu and Yu, Weihao and Nie, Xiaonan and Song, Ziang and Shi, Guang and Fan, Haoqi},
  journal = {arXiv preprint arXiv:2505.14683},
  year    = {2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · bagel-mot

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
da02b54

0 моделей