/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
MIT
Архитектура
multi_modality · dense
Библиотека
transformers
Опубликована
18 окт 2024

Janus-1.3B

Мультимодальная модель3 профессии

Janus — мультимодальная модель DeepSeek для понимания изображений и генерации изображений по текстовым запросам.

2 063скачиваний за 30 дней606лайковвеса обновлены27 янв 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

Janus — авторегрессионная мультимодальная модель компании DeepSeek для совместного понимания изображений и генерации изображений. Она построена на базе DeepSeek-LLM-1.3b-base и использует единую архитектуру трансформера с отдельными путями визуального кодирования для понимания и генерации. Для понимания изображений применяется визуальный энкодер SigLIP-L, принимающий изображения размером 384 × 384; для генерации используется отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16.

Модель предназначена для мультимодальных сценариев, в которых требуется анализировать изображение по текстовому запросу или создавать изображение. Репозиторий использует библиотеку Transformers и содержит веса в формате safetensors. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы по загруженному изображению
  • описание содержимого изображения
  • понимание изображения по текстовому запросу
  • генерация изображения по текстовому описанию

Ограничения

Для понимания модель принимает изображения размером 384 × 384. README не приводит сведений о контекстном окне или поддерживаемых естественных языках.

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

0. Update

2024.10.20: We have uploaded the correct tokenizer_config.json. The previous file was missing the pad_token, which caused poor visual generation results.

1. Introduction

Janus is a novel autoregressive framework that unifies multimodal understanding and generation. It addresses the limitations of previous approaches by decoupling visual encoding into separate pathways, while still utilizing a single, unified transformer architecture for processing. The decoupling not only alleviates the conflict between the visual encoder’s roles in understanding and generation, but also enhances the framework’s flexibility. Janus surpasses previous unified model and matches or exceeds the performance of task-specific models. The simplicity, high flexibility, and effectiveness of Janus make it a strong candidate for next-generation unified multimodal models.

Janus: Decoupling Visual Encoding for Unified Multimodal Understanding and Generation

Github Repository

2. Model Summary

Janus is a unified understanding and generation MLLM, which decouples visual encoding for multimodal understanding and generation. Janus is constructed based on the DeepSeek-LLM-1.3b-base which is trained on an approximate corpus of 500B text tokens. For multimodal understanding, it uses the SigLIP-L as the vision encoder, which supports 384 x 384 image input. For image generation, Janus uses the tokenizer from here with a downsample rate of 16.

3. Quick Start

Please refer to Github Repository

4. License

This code repository is licensed under the MIT License. The use of Janus models is subject to DeepSeek Model License.

5. Citation

@misc{wu2024janus,
      title={Janus: Decoupling Visual Encoding for Unified Multimodal Understanding and Generation}, 
      author={Chengyue Wu and Xiaokang Chen and Zhiyu Wu and Yiyang Ma and Xingchao Liu and Zizheng Pan and Wen Liu and Zhenda Xie and Xingkai Yu and Chong Ruan and Ping Luo},
      year={2024},
      eprint={2410.13848},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2410.13848}, 
}

6. Contact

If you have any questions, please raise an issue or contact us at service@deepseek.com.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
56c70f4

0 моделей