/ Модель

Характеристики

Контекст
16 384 токена
Размер весов
14,8 ГБ
Лицензия
Apache 2.0
Архитектура
multi_modality · dense
Базовая модель
Janus-Pro-7B
Библиотека
transformers
Опубликована
27 мая 2025

ReasonGen-R1

Генерация изображенийТекст → изображение3 профессии

ReasonGen-R1 — дообученная мультимодальная модель, которая планирует изображение с помощью текстовых рассуждений и генерирует его по описанию.

30скачиваний за 30 дней7лайковвеса обновлены5 июн 2025

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

ReasonGen-R1 — авторегрессионная мультимодальная модель для генерации изображений по текстовому описанию, разработанная авторами одноимённого исследования. Она дообучена на базе DeepSeek Janus-Pro-7B с помощью supervised fine-tuning и оптимизации GRPO: перед созданием изображения модель формирует текстовые рассуждения и планирует композицию, расположение объектов и стиль. Модель предназначена для генерации изображений по промптам и демонстрирует результаты на бенчмарках Geneval, DPG и T2I. Использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • создание изображений по текстовому промпту
  • генерация сцен со сложной композицией объектов
  • создание изображений с заданным стилем и расположением объектов

Ограничения

README не приводит конкретных ограничений качества или поддержки языков; результаты описаны для бенчмарков Geneval, DPG и T2I.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for ReasonGen-R1: Chain-of-Thought Reasoning for Autoregressive Image Generation

ReasonGen-R1 is an autoregressive image generation model incorporating chain-of-thought reasoning. Official checkpoint for the paper "ReasonGen-R1: Cot for Autoregressive Image generation models through SFT and RL".

Website: https://aka.ms/reasongen

Code: https://github.com/Franklin-Zhang0/Image-RL

1. Introduction

Although chain-of-thought (CoT) reasoning and reinforcement learning (RL) have driven breakthroughs in NLP, their integration into generative vision models remains underexplored. We introduce ReasonGen-R1, a two-stage framework that first imbues an autoregressive image generator with explicit text-based "thinking" skills via supervised fine-tuning (SFT) on a newly generated reasoning dataset of written rationales, and then refines its outputs using Group Relative Policy Optimization (GRPO). To enable the model to reason through text before generating images, We automatically generate and release a corpus of model-crafted rationales paired with visual prompts, enabling controlled planning of object layouts, styles, and scene compositions. Our GRPO algorithm uses reward signals from a pretrained vision–language model to assess overall visual quality, optimizing the policy in each update. Evaluations on Geneval, DPG, and the T2I benchmark demonstrate that ReasonGen-R1 consistently outperforms strong baselines and prior state-of-the-art models. We will open-source our generated reasoning dataset and training code to accelerate further advances in text-based reasoning–driven image generation.

2. Model Download

Huggingface

ModelDownload
ReasonGen-R1🤗 Hugging Face
ReasonGen-R1-SFT-Only🤗 Hugging Face
DatasetDownload
ReasonGen-R1-Datasets🤗 Hugging Face

3. Quick Start

Installation

You can install the necessary dependencies by running the following command:

cd ~
mkdir project
cd project
conda create -n image_rl python==3.12 -y
conda activate image_rl
pip3 install torch==2.6.0 torchvision --index-url https://download.pytorch.org/whl/cu124
pip3 install flash-attn --no-build-isolation
git clone https://github.com/Franklin-Zhang0/ReasonGen-R1.git
cd ReasonGen-R1
pip install -r requirements.txt
pip install -e .
pip install -e ./Janus
# Geneval
cd ~
mkdir project
cd project
git clone https://github.com/djghosh13/geneval.git
cd geneval
conda deactivate
conda create -n geneval python=3.9 -y
conda activate geneval
pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1
pip install mmcv-full==1.7.0 -f https://download.openmmlab.com/mmcv/dist/cu117/torch1.13/index.html
pip install mmengine==0.7.3

pip install pandas
pip install numpy==1.23.1

pip install open-clip-torch
pip install clip-benchmark

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection; git checkout 2.x
pip install -v -e .

cd ../
bash ./evaluation/download_models.sh "./models"
# DPG
cd ~
cd project
git clone https://github.com/TencentQQGYLab/ELLA.git
cd ELLA
cp ~/project/ReasonGen-R1/benchmark/requirements-for-dpg_bench.txt .
conda deactivate
conda create -n dpg_test python=3.9 -y
conda activate dpg_test
conda install conda-forge::fairseq -y
pip install -r requirements-for-dpg_bench.txt

Once the eval environment is setup, you can use the following commands to run the evaluation:

bash -i benchmark/geneval.sh
bash -i benchmark/dpg_eval.sh

Inference

To inference with the ReasonGen-R1 model, you can use the following command:

python ReasonGen-R1/Janus/cot_generate_inference.py

SFT Training

To train the SFT model from Janus-Pro-7B model on the ReasonGen-R1-SFT-200k dataset, you can use the following command:

bash ReasonGen-R1/examples/janus_sft.sh

RL Training

To train the RL model from the ReasonGen-R1-SFT model, you can use the following command:

bash ReasonGen-R1/Janus/janus_rl.py

4. Acknowledgements

We would like to thank Verl, upon which our repo is built.

5. Citation

@misc{zhang2025reasongenr1cotautoregressiveimage,
      title={ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL}, 
      author={Yu Zhang and Yunqi Li and Yifan Yang and Rui Wang and Yuqing Yang and Dai Qi and Jianmin Bao and Dongdong Chen and Chong Luo and Lili Qiu},
      year={2025},
      eprint={2505.24875},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2505.24875}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Базовая модель deepseek-ai/Janus-Pro-7B выложена не в формате diffusers, адаптер не к чему подключить.

Класс архитектуры
MultiModalityCausalLM
Ревизия весов
af47973

0 моделей