將兩種架構(gòu)融合在一起

原標(biāo)題：DeepSeek等團(tuán)隊新作JanusFlow: 1.3B大模型統(tǒng)一視覺理解和生成
文章來源：量子位
內(nèi)容字?jǐn)?shù)：5423字

JanusFlow：統(tǒng)一視覺理解與生成的多模態(tài)模型

在多模態(tài)AI領(lǐng)域，JanusFlow模型的提出為視覺理解與生成任務(wù)的有效統(tǒng)一提供了新的思路。該模型由DeepSeek、北大、香港大學(xué)及清華大學(xué)的團(tuán)隊合作研發(fā)，基于預(yù)訓(xùn)練視覺編碼器與多模態(tài)語言模型（MLLM）相結(jié)合的方法，展示了在視覺理解和生成任務(wù)上超越現(xiàn)有同規(guī)模模型的潛力。

1. 模型架構(gòu)

JanusFlow通過將理解框架和生成框架直接融合，實現(xiàn)了端到端的訓(xùn)練。其核心設(shè)計包括：

• 采用解耦的視覺編碼器，分別優(yōu)化理解與生成能力。
• 利用理解端編碼器對生成端特征進(jìn)行表征對齊，提升訓(xùn)練效率。

2. 關(guān)鍵組件

在基礎(chǔ)的1.3B規(guī)模LLM上，JanusFlow引入了以下組件：

• 視覺理解編碼器：使用SigLIP將輸入圖片轉(zhuǎn)換為視覺嵌入，專注于視覺理解。
• 視覺生成編解碼器：基于SDXL-VAE的輕量級模塊，編碼器和解碼器均采用雙層ConvNeXt Block處理特征。
• 注意力機(jī)制：統(tǒng)一采用因果注意力處理理解與生成任務(wù)，提高模型效率。

3. 訓(xùn)練策略

JanusFlow的訓(xùn)練分為三個階段：Adaptation、Pre-Training和Supervised Fine-Tuning。為了平衡理解與生成能力，預(yù)訓(xùn)練階段采用非對稱數(shù)據(jù)配比策略（理解：生成=2:8）。

4. 解耦與表征對齊

通過解耦理解與生成的視覺編碼器，JanusFlow能夠有效緩解在視覺編碼層面的沖突。利用REPA方法進(jìn)行表征對齊，進(jìn)一步提升生成任務(wù)的收斂效率。

5. 消融實驗

團(tuán)隊進(jìn)行了六組對照實驗，驗證了模型各組件的有效性。實驗結(jié)果表明，采用解耦編碼器并使用SigLIP作為理解模塊能夠顯著提升模型在理解和生成任務(wù)上的性能。

6. 實驗結(jié)果與評價

JanusFlow在多個評測標(biāo)準(zhǔn)上均取得了優(yōu)異成績，超越了一些同規(guī)模的純理解模型和生成模型，展現(xiàn)出強(qiáng)勁的競爭力。該模型成功構(gòu)建了一個統(tǒng)一的視覺理解與生成框架，具有簡潔的架構(gòu)設(shè)計。

總結(jié)

JanusFlow通過融合自回歸LLM與Rectified Flow，顯著提升了多模態(tài)任務(wù)的整體表現(xiàn)，為未來的多模態(tài)AI研究提供了新的方向。

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關(guān)注科技行業(yè)新突破