/ Модель

Характеристики

Контекст
100 000 000 токенов
Лицензия
MIT
Архитектура
multi_modality · dense
Библиотека
transformers
Опубликована
12 ноя 2024

JanusFlow-1.3B

Мультимодальная модель3 профессии

JanusFlow-1.3B — мультимодальная модель DeepSeek, которая анализирует изображения и генерирует их по текстовым запросам.

755скачиваний за 30 дней160лайковвеса 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

JanusFlow-1.3B — мультимодальная модель DeepSeek для понимания изображений и генерации изображений в единой системе. Она объединяет авторегрессионную языковую модель с rectified flow; визуальные кодировщики для понимания и генерации разделены. Модель построена на DeepSeek-LLM-1.3B-Base, использует SigLIP-L для анализа изображений размером 384 × 384 и SDXL-VAE для генерации изображений того же разрешения. В карточке указан контрольный чекпойнт EMA после предварительного обучения и supervised fine-tuning.

Модель предназначена для диалога о содержимом изображений и создания изображений по текстовым запросам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В метаданных основная задача обозначена как any-to-any. Карточка не сообщает о поддержке конкретных естественных языков.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание загруженных изображений
  • генерация изображения по текстовому запросу

Ограничения

Понимание и генерация изображений рассчитаны на разрешение 384 × 384. Карточка не уточняет поддерживаемые языки и другие ограничения качества.

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

1. Introduction

We present JanusFlow, a powerful framework that unifies image understanding and generation in a single model. JanusFlow introduces a minimalist architecture that integrates autoregressive language models with rectified flow, a state-of-the-art method in generative modeling. Our key finding demonstrates that rectified flow can be straightforwardly trained within the large language model framework, eliminating the need for complex architectural modifications.

JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation

Github Repository

2. Model Summary

JanusFlow is a unified understanding and generation MLLM, which decouples visual encoding for multimodal understanding and generation, which is constructed based on DeepSeek-LLM-1.3b-base. For multimodal understanding, it uses the SigLIP-L as the vision encoder, which supports 384 x 384 image input. For image generation, JanusFlow uses rectified flow and SDXL-VAE to generate 384 x 384 images. The provided checkpoint is the EMA checkpoint after pre-training and supervised fine-tuning.

3. Quick Start

Please refer to Github Repository

4. License

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

5. Citation

@misc{ma2024janusflow,
      title={JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation}, 
      author={Yiyang Ma and Xingchao Liu and Xiaokang Chen and Wen Liu and Chengyue Wu and Zhiyu Wu and Zizheng Pan and Zhenda Xie and Haowei Zhang and Xingkai yu and Liang Zhao and Yisong Wang and Jiaying Liu and Chong Ruan},
      journal={arXiv preprint arXiv:2411.07975},
      year={2024}
}

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.

Класс архитектуры
MultiModalityCausalLM
Ревизия весов
ba75944

0 моделей