Janus 是一个统一的多模态理解和生成的大型语言模型（MLLM），它将多模态理解和生成的视觉编码解耦。Janus 基于 DeepSeek-LLM-1.3b-base 构建，该模型训练时使用了大约5000亿个文本token的语料库。在多模态理解方面，它使用 SigLIP-L 作为视觉编码器，支持384 x 384像素的图像输入。在图像生成方面，Janus 使用了LlamaGen的tokenizer，并且具有16倍的下采样率。

Janus的训练过程是分阶段进行的，以确保模型在多模态理解和生成任务上都能达到高性能：

第一阶段：训练Adpater和图像Head

第二阶段：统一预训练

第三阶段：监督微调（SFT）

训练细节：

作为一个next token prediction的图像生成模型，生成效果相当不错：

同时作为一个多模态理解模型，仅1.3B且只有384的输入分辨率，效果也超出预期。比如带有文字的meme图的理解，甚至也还行：

可以看出，多模态大模型生成和理解，越卷越统一；模型尺寸也有着越卷越小的趋势。

原文链接：​ ​​ ​​