文：王智遠 | ID:Z201440

昨晚，刷新聞時看到：

DeepSeek創始人梁文峰已經回廣州老家過年了。然而，在2025年1月27日凌晨（除夕夜）前夕，他們團隊發布了一款新模型：多模態框架Janus-Pro。

朋友在社群中笑的吐槽到，估計他是想以中國人的方式，和美國AI圈一起慶祝春節。

這款模型一發布，讓本來就爆火的DeepSeek又一次成為了焦點。黃仁勛看了可能都想說：一晚上干掉我幾千億市值，年輕人不講武德，下手沒個輕重，居然還在除夕夜搞事情。

不過，吐槽歸吐槽，模型確實值得關注。我不是技術從業者，但可以把自身理解的匯報給你。

01

整個報告一共有四點。第一點是：DeepSeek Janus-Pro是什么？

它是一款先進的多模態理解和生成模型，是之前Janus模型的升級版。簡單講，這個模型能夠同時處理文本、圖像，即可以理解圖片內容，也能文生圖。

為什么叫這個名字呢？

在羅馬神話中，Janus（雅努斯）是象征著矛盾和過渡的雙面守護神，他有兩副面孔，一副看著過去，一副看著未來，象征著開始和結束。

這個模型設計理念是雙重的，能理解圖像又能生成圖像，所以，它非常貼切模型的雙重能力，才叫：雅努斯。

問題來了，之前有Janus，為什么還要推出PRO版？

報告中提到，現在多模態模型雖然已經很厲害，但處理復雜的任務時，還有諸多不足，有些模型在理解圖片內容時表現不錯，但生成圖片可能不穩定，要么細節處理不到位、甚至描述和想象的不一樣；為了解決一系列問題，因此，才推出Janus-Pro版。

既然這樣，Janus-Pro版采用什么樣的架構呢？

官方說：整體架構的核心設計原則是，將多模態理解任務和視覺生成任務的視覺編碼進行解耦；我們應用獨立的編碼方法將原始輸入轉換為特征，然后，通過統一的自回歸變換器進行處理。

圖釋：Janus-Pro模型架構示意圖，如何分別處理理解圖像和生成圖像

這段話比較復雜。我舉個例子：

現在有個超級機器人叫Janus-Pro。它的大腦被設計成兩個部分，一個負責理解圖片，另一個負責根據文字描述來畫畫。

當機器人看到一張圖片時，會用一個特別的“眼睛”（叫SigLIP編碼器）來仔細觀察圖片，然后，把看到的內容變成一串數字（高維語義特征）。

這些數字像圖片的“指紋”，能幫助機器人理解圖片里有什么；接下來，數字會被整理成一排，通過一個翻譯器（適配器）轉換成機器理解的語言。

當機器人需要根據文字描述畫面時，它會用另一個工具（叫VQ tokenizer）把圖片變成一串代碼（離散ID）。這些代碼，就像圖片的「密碼」，機器人可以根據密碼重建照片。

緊接著，代碼也會被整理成一排，通過另一個“翻譯器”（生成適配器）轉換成機器人能理解的語言；最后，機器人把兩部分信息（理解圖片的內容和根據文字描述畫畫的信息）和合并在一起，通過大腦（語言模型）來處理，最后，機器就能看到你要的東西了。

簡單講，有四步：理解照片，提煉成語義，轉換成機器人看得懂的東西，合并成你想要的東西。這是第一部分，它是什么？它的架構什么樣。

02

那么，它是怎么訓練出來的呢？一共有三個階段：

第一階段，專注于訓練適配器和圖像頭部。第二階段處理統一預訓練，第三階段，監督微調。但我認為，這樣理解比較復雜。

打個比方：

你現在正在教一個小孩學畫畫。一開始，你不會直接讓他畫一幅復雜的風景畫，而是先讓他練習畫簡單的形狀，比如圓圈、正方形。等他把基本形狀畫得熟練了，再逐步增加難度，讓他畫更復雜的東西。Janus-Pro的訓練也是這樣的。

第一階段，打基礎。就像讓小孩練習畫“基本形狀”一樣，Janus-Pro會先專注于學習圖像基本特征，比如顏色、線條等。

這個階段的訓練步驟增加了，模型才有更多時間學習基本特征，如此一來，即便在固定的語言模型參數下，模型也能有效模擬像素的規律，根據類別生成合理的框架。

到了第二階段，增強難度。

當小孩能夠熟練畫出基本形狀后，就可以開始畫更復雜的東西了。同樣，Janus-Pro在這個階段。會開始處理更復雜的任務，比如：根據文本描述生成圖像。

這個階段的訓練數據也做了優化，直接使用正常的文本到圖像數據，提高了訓練效率，這樣，模型能夠更高效地利用文本到圖像數據，從而提升了整體性能。

第三階段，檢驗成果。

就像讓孩子參加畫畫比賽，檢驗他的學習成果一樣，Janus-Pro在這個階段會同時處理多模態理解任務和文本到圖像生成任務，進一步優化模型的性能。

比如：將多模態數據、純文本數據和文本到圖像數據的比例從7:3:10調整為5:1:4，進一步提升模態的理解能力。

在數據上，官方提到：

在Janus-Pro中，我們加入了大約7200萬樣本的合成美學數據，使得統一預訓練階段中真實數據與合成數據的比例達到1:1，這些合成數據樣本的提示是公開可用的。

實驗證明，模型在合成數據上訓練時，收斂速度更快，生成的文本到圖像輸出不僅更穩定，而且在審美質量上也有顯著提升。

說白了，我認為，這三個步驟，如果總結歸納的話，用中國話叫：比著葫蘆畫瓢。

問題來了：光畫不夠，因為，小朋友想畫出一幅好畫，必須要學很多東西，去理解世界，看各種各樣的動物、照片才有抽象的能力。

怎么辦？

為了提高Janus-Pro在任務中的表現，團隊增加了大量的圖像字幕數據、表格圖表、以及文檔理解數據；這些數據，能讓模型有機會學習不同的東西。這叫：多模態理解數據的能力。

然后，團隊又增加了大量的合成美學數據。這些數據讓模型，有更多機會學習如何生成高質量的圖像，從而提高模型的生成能力。

因此，“比著葫蘆畫瓢連”加上學習，它才能在日常中更出色。

03

可是，光有數據和學習能力還不夠，就像小朋友要長大，需要不斷提升認知能力一樣，Janus-Pro也要“長大”。那么，它是怎么“長大”的呢？

官方提到，先前版本使用的是1.5B語言模型，驗證了視覺編碼解耦的有效性；而在Janus-Pro中，團隊將模型擴展到了7B，并對1.5B和7B語言模型的超參數進行了優化。

具體來說，1.5B模型的嵌入大小為2048，上下文窗口為4096，注意力頭數為16，層數為24；而7B模型的嵌入大小為4096，上下文窗口為4096，注意力頭數為32，層數為30。

看到這些數字，你可能會覺得頭大。其實，參數可以抽象地理解為模型“大腦”的升級：

• 嵌入大?。?/strong>就像模型“記憶容量”，越大，能記住的信息就越多
• 上下文窗口：就像模型“視野范圍”，越大，能看到的上下文信息就越豐富
• 注意力頭數：就像模型“注意力焦點”，越多，能同時關注的細節就越多
• 層數：就像模型的“思考深度”，越多，能進行的思考就越復雜

通過升級，Janus-Pro的“大腦”從一個小學生變成了一個大學生，能力得到了全面提升。

官方團隊發現，使用更大規模的語言模型時，多模態理解和視覺生成的損失收斂速度，顯著提高，與較小模型相比，性能提升明顯。這一發現，進一步驗證了這種方法的強大可擴展性。

說白了，更大模型就像一支更高級的畫筆，能夠更精細地處理復雜的任務，生成更高質量的圖像和更準確的理解結果。

圖釋：Janus-Pro模型超參數配置概覽

那么，這些升級如何實現呢？來看看訓練過程。

官方提到：

Janus-Pro使用了DeepSeek-LLM作為基礎語言模型，這是一個支持最大序列長度為4096的強大模型。

對于視覺編碼器，Janus-Pro選擇了SigLIP-Large-Patch16-384，這是一個能夠從圖像中提取高維語義特征的編碼器。生成編碼器的碼本大小為16,384，圖像下采樣因子為16。

訓練過程中，Janus-Pro采用了多種優化策略；例如，使用了AdamW優化器，使得學習率在不同階段逐漸調整。整個訓練過程在HAI-LLM框架上進行，強大的硬件支持確保，Janus-Pro能夠在短時間內完成復雜的訓練任務。

這些數據看不懂沒關系，我抽象解釋下：

你家小孩要參加一個畫畫比賽，你需要為他準備一套好用的畫具，還得找一位經驗豐富的老師來指導他，對吧？

DeepSeek-LLM像那套高級畫具，能夠幫助Janus-Pro更好地處理復雜的任務。

AdamW優化器，像經驗豐富的老師，會根據小孩的學習進度，逐漸調整教學難度，讓小孩在每個階段都能穩步進步；HAI-LLM框架就像是一個寬敞明亮的畫室，為小孩提供了專注創作的環境。

有了軟硬兼施的整體支持，Janus-Pro才能輕松應對復雜的文本描述，生成高質量的圖像的任務。

04

理論固然重要，實際表現才是檢驗模型能力的真正標準，有句中國話叫什么：是騾子是馬，拉出來遛遛。那么，Janus-Pro的實際表現如何呢？

來看看它的評估設置和與最新技術的比較。為了驗證Janus-Pro的性能，團隊進行了嚴格的評估，他們選擇了多個基準測試，包括多模態理解任務和視覺生成任務。

• 多模態理解任務：包括GQA、POPE、MME等。這些測試就像是讓Janus-Pro看一幅畫，然后描述畫里的內容，看看它能不能準確地理解。
• 視覺生成任務：包括GenEval和DPG-Bench。這些測試則是給Janus-Pro一個文字描述，讓它根據描述畫出一幅畫，看看它能不能畫得像、畫得好。

說白了，就是反復進行“看圖說話”和“說話想象圖片”的雙重測試。

那么，Janus-Pro在這場“考試”中表現如何呢？我們可以拿它和其他的“考生”，也就是其他多模態模型——來做比較。

首先，多模態理解任務上：

Janus-Pro在MMBench基準測試中得分79.2，超過了其他一些知名的模型，比如TokenFlow-XL（68.9）和MetaMorph（75.2）。這像在一場畫畫比賽中，Janus-Pro的畫作得到更高的評價，說明它在理解圖像內容方面確實很厲害。

對了，TokenFlow-XL是ByteFlow-AI團隊開發的一個多模態模型，而MMBench由Meta公司開發；這兩個對比充分說明了Janus-Pro在多模態理解任務中的領先地位。

其次，在視覺生成任務上：

Janus-Pro在GenEval基準測試中得分（0.80），也超過了DALL-E 3（0.67）和Stable Diffusion 3 Medium（0.74）等模型。

這像給Janus-Pro一個文字描述，讓它畫出一幅畫，結果它畫得比其他模型更準確、更細致，說明它在根據文字描述生成圖像方面也很出色。

對了，DALL-E 3是OpenAI開發的文生圖模型，而 Stable Diffusion 3 Medium不用說了，眾所周知，專注于生成高質量圖片，特別在中等分辨率下表現出色。

所以，結論是什么？

一句話總結即：Janus-Pro在這場“考試”中表現優異，吊打部分行業頭部模型。還有一點是：這些測試不是自己測的。是專業機構gemimi和DPG bench權威認證，在hanggenface開源官網更新。

報告參考：

發布地址：https://huggingface.co/deepseek-ai/Janus-Pro-1B

報告地址：https://github.com/deepseek-ai/Janus/blob/main/janus_pro_tech_report.pdf