仅1.3B！Janus 统一多模态理解和生成 原创

DeepSeek开源了一个仅1.3B大小的多模态大模型：Janus（两面神），统一了多模态理解和生成。通过将视觉编码解耦成独立的pathway，同时仅使用一个统一的transformer架构进行处理。Janus在多模态理解和生成基准测试中超越了以往的统一模型，作为一个多模态“小”模型具有显著的优势。

Paper:​​​ https://arxiv.org/abs/2410.13848​​​​

Github: ​​​https://github.com/deepseek-ai/Janus​​​

Model: https://huggingface.co/deepseek-ai/Janus-1.3B

Janus

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

• 目标：在这一阶段，主要目标是在视觉和语言元素之间建立概念联系，使大型语言模型（LLM）能够理解图像中显示的实体，并具备初步的视觉生成能力。
• 训练策略：在这一阶段，视觉编码器和LLM被保持冻结状态，只有理解适配器、生成适配器和图像头部中的可训练参数会被更新。

第二阶段：统一预训练

• 目标：在这一阶段，通过多模态语料库进行统一预训练，使Janus能够学习多模态理解和生成。
• 数据：使用所有类型的训练数据，包括纯文本数据、多模态理解数据和视觉生成数据。
• 训练策略：受到Pixart的启发，首先使用ImageNet-1k进行简单的视觉生成训练，帮助模型掌握基本的像素依赖关系。然后，使用通用的文本到图像数据增强模型的开放领域视觉生成能力。

第三阶段：监督微调（SFT）

• 目标：在这一阶段，使用指令调整数据对预训练模型进行微调，以增强其遵循指令和对话的能力。
• 训练策略：除了生成编码器之外，所有参数都会进行微调。
• 数据：为了确保Janus在多模态理解和生成方面的熟练程度，微调时不会对特定任务进行单独模型微调。相反，使用混合的纯文本对话数据、多模态理解数据和视觉生成数据，以确保在多种场景下的多功能性。

训练细节：

• 损失函数：Janus作为一个自回归模型，在训练期间简单地采用交叉熵损失函数。
• 推理方法：在推理过程中，模型完全采用next token prediction进行推理。对于纯文本理解和多模态理解，按照预测分布顺序采样token。对于图像生成，使用CFG（classifier-free guidance, 在训练过程中，以10%的概率将文本到图像数据中的文本条件替换为pad token，使模型具有无条件的视觉生成能力）

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。

本文转载自公众号思源数据科学 作者：思源Source

原文链接：​​https://mp.weixin.qq.com/s/MQfmCE--zG6AJ1pFHqZK4A​​​