DeepSeek Janus：统一的多模态模型，已测试并解释

如果您一直在寻找一个既能*描述*图像又能根据提示*生成*图像的开源模型，那么值得关注的家族是Deep查看k Janus。大多数多模态系统会选择一边：视觉-语言模型读取图片，扩散模型绘制它们。Deep查看k Janus两者都能做到，它使用一个单一的transformer，并附加了两个独立的视觉编码器。当前旗舰产品Janus-Pro-7B于2025年1月27日发布，在Deep查看k自己的评估中，其GenEval和DPG-Bench分数高于DALL-E 3和Stable Diffusion 3 Medium。本指南将介绍Janus的实际内容，其架构与典型视觉-语言模型的区别，相关基准分数的背景，以及如何在本地运行或通过浏览器测试它。

Deep查看k Janus是什么

Deep查看k Janus是一个系列 开放权重多模态模型 在单个自回归transformer内部处理图像理解（看一张图片，回答关于它的问题）和图像生成（文本到图像）。Janus是一个新颖的自回归框架，它统一了多模态理解和生成。通过将视觉编码解耦为单独的路径，它解决了先前方法的局限性，同时仍然利用单一的、统一的transformer架构进行处理。解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。

该模型与Deep查看k的仅文本生成模型不同。如果您需要聊天或编码模型，请参阅 Deep查看k V4-Flash 层级或其前端兄弟 Deep查看k V4-Pro 是正确的入口点。Janus是多模态兄弟——在精神上更接近于 Deep查看k VL2，但增加了图像生成功能。

Architecture and lineage

Janus家族目前已发布三个版本。Janus-Pro于2025年1月27日发布——这是Janus的高级版本，显著提高了多模态理解和视觉生成能力。JanusFlow于2024年11月13日发布——这是一个具有校正流的统一模型。原始的Janus（2024年10月）是一个概念验证；Janus-Pro是今天大多数团队应该关注的版本。

解耦视觉编码——核心技巧

大多数统一多模态模型使用一个图像编码器进行阅读和绘制。Janus团队认为，这两个工作所需的编码是不同的，而单个编码器会迫使做出妥协。Janus架构中的主要设计原则是将多模态理解和生成中的视觉编码解耦。这是通过为每种任务类型利用不同的编码器来实现的。对于图像理解任务，Janus使用SigLIP来编码图像。SigLIP是OpenAI的CLIP模型的改进版本，它从图像中提取语义表示。对于生成，一个单独的VQ标记器将目标图像转换为transformer可以自回归预测的离散ID。

具体来说：为了实现多模态理解，Janus-Pro使用SigLIP-L作为视觉编码器，支持384 x 384的图像输入。在图像生成方面，它使用一个下采样率为16的标记器。这两条路径都输入到同一个共享的Transformer中，该Transformer建立在开放的Deep查看k-LLM主干网络上。

尺寸和参数数量

Janus-Pro有两种尺寸，它们具有相同的架构，仅在主干规模上有所不同。Janus-Pro是一个统一的理解和生成多语言模型（MLLM），它将多模态理解和生成中的视觉编码解耦。Janus-Pro是基于Deep查看k-LLM-1.5b-base/Deep查看k-LLM-7b-base构建的。

基准测试：Janus-Pro实际表现如何

Janus-Pro论文在两种评估方式上对7B模型进行了基准测试：多模态理解（POPE、MME-Perception、GQA、MMMU、MMBench）和文本到图像生成（GenEval、DPG-Bench）。下面的数字来自arXiv上的官方论文（arXiv:2501.17811).

Janus-Pro-7B在多模态理解基准MMBench上取得了79.2的分数，超过了Janus（69.4）、TokenFlow（68.9）和MetaMorph（75.2）等领先的统一多模态模型。在GenEval排行榜上，Janus-Pro-7B得分为0.80，超过了Janus（0.61）、DALL-E 3（0.67）和Stable Diffusion 3 Medium（0.74）。在DPG-Bench上，Janus-Pro取得了84.19的分数，超过了所有其他报道的方法。

一个重要的注意事项：这些是Deep查看k进行的内部测试；预计进一步的独立测试将提供对模型能力的更全面评估。将标题数字视为Deep查看k报告的，而不是第三方验证的，并权衡下一节的内容。

优势——Janus胜在何处

• 单个模型，两项任务。 您不需要同时运行一个视觉-语言模型和单独的扩散模型。一个检查点就涵盖了两者。
• 在文本到图像上具有强大的指令遵循能力。 GenEval和DPG-Bench的数值表明，对于需要特定对象、颜色、数量和位置的提示，Janus-Pro表现更优。
• 真实感开放式权重。 7B模型可以在单个24GB消费级GPU上以bf16格式运行，而1B变体足够小，可以通过WebGPU和Transformers.js在浏览器中运行——确实有公开的演示就是这样做的。
• 解耦架构是真正的工程胜利。 研究人员引入了一种用于视觉理解和生成的解耦架构，有效地利用合成数据来增强训练，并通过数据缩放技术实现了领先的性能。

劣势——不足之处

• 原生分辨率低。 理解编码器接受384×384的输入，生成管道以类似的适度分辨率运行。如果您需要1024×1024的摄影输出，专门的扩散模型在原始保真度上仍然领先。
• 人类很难。 并排比较显示，Janus-Pro-7B在创建逼真图像方面表现更好，但在生成人类形象方面存在显著困难。面部、手部和全身比例是常见的失败模式。
• 没有第一方API。 与V4聊天模型不同，Janus目前还不是付费端点。 api.deepseek.com您可以选择自行托管或使用社区演示。
• 许可证分割。 请参阅下一节——代码是MIT许可，权重则不是。

许可证——部署前请阅读

这可能会让人感到困惑。Janus代码库采用MIT许可证。Janus-Pro模型的使用受Deep查看k模型许可证约束。因此，框架是宽容的，但权重本身携带Deep查看k定制的模型许可证——该许可证在其条款下允许商业使用，但与MIT不同。如果您的法律团队需要MIT许可证的权重，V4系列是一个更好的选择；对于Janus，请在Hugging Face仓库上阅读模型许可证，并确认它覆盖了您的部署。关于开源角度的更多背景信息在我们的 Deep查看k开源指南.

如何访问Deep查看k Janus

没有官方Deep查看k托管的Janus API。您有三个实际选项。

1. Hugging Face Spaces（无需安装）

最快的测试路径。Hugging Face Spaces 演示版允许您在浏览器中直接输入提示并生成文本或图像。这无需安装或设置。非常适合检查 Janus-Pro 是否接近您所需的功能。

2. 本地Python（Hugging Face Transformers）

从 deepseek-ai/Janus-Pro-7B 并使用项目自带的加载器运行它们。官方仓库中的最小 Python 模式如下：

import torch
from transformers import AutoModelForCausalLM
from janus.models import MultiModalityCausalLM, VLChatProcessor
from janus.utils.io import load_pil_images

model_path = "deepseek-ai/Janus-Pro-7B"
vl_chat_processor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer
vl_gpt = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True
)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()

要更全面地了解如何在您的硬件上运行Deep查看k模型，请参阅 install Deep查看k locally and the Deep查看k hardware calculator 来确定GPU大小。

3. 通过Transformers.js浏览器访问（仅限1B）

1B 变体足够小，可以在客户端运行。1B 模型通过 Transformers.js 在浏览器中使用 WebGPU 运行。适用于演示，但不适用于生产。

Janus如何与API其他部分相关联

它不直接这样做。Deep查看k的商业API公开了V4系列——聊天请求会触 POST /chat/completions, the OpenAI-compatible endpoint at https://api.deepseek.com. 两者 deepseek-v4-pro (1.6T total / 49B active) and deepseek-v4-flash （284B / 13B 活跃）是于 2026 年 4 月 24 日以 MIT 许可证发布的开放权重 MoE 模型，默认上下文窗口为 1,000,000 个令牌，最多输出 384,000 个令牌。在这些模型上的思考模式是一个请求参数（reasoning_effort="high" with extra_body={"thinking": {"type": "enabled"}})，不是单独的模型ID，并且响应返回 reasoning_content alongside the final content.

Legacy IDs deepseek-chat and deepseek-reasoner still work and currently route to deepseek-v4-flash until they retire on 2026-07-24 at 15:59 UTC。API 本身是无状态的——您需要随每个请求重新发送对话历史，与网页和应用程序不同，它们为您保留会话状态。Janus 则不是这样：它是一个独立的、自托管的视觉模型。如果您需要以编程方式使用 Deep查看k 的文本模型，请从 Deep查看k API documentation.

Pricing snapshot

Janus拥有 无Deep查看k托管价格标签 开始——成本就是您运行它所花费的 GPU 时间。仅供参考，以下是截至 2026 年 4 月 Deep查看k 自己定价页面上的当前文本模型 API 成本（始终在 最新Deep查看k API定价页面 在做出承诺之前）：

9月5日，高峰时段折扣结束，尚未重新引入。

Janus的最佳用例

• 在一个工作流程中实现交错理解和生成。 接收一个草图，描述它，然后从精炼的提示中生成变体——无需同时操作两个模型API。
• 教育和研究演示。 浏览器中的1B模型是教学工具的理想选择。
• 合成数据管道。 用于训练其他模型的标题后渲染循环。
• 轻量级内容原型设计。 查看 Deep查看k for content creation 用于相邻的工作流程。

在哪里Janus是错误的工具：高分辨率的真实感输出，对高DPI文档的长文本视觉语言推理（这是R1的工作） Deep查看k VL2 或更大的前沿多模态模型），或者任何需要具有服务等级协议（SLA）的托管API的场景。

Comparable alternatives

如果Janus不太合适，有明显的相邻选择可供权衡：

• 用于仅文本的聊天或推理工作负载 ——比较 Deep查看k vs ChatGPT or Deep查看k vs Claude.
• 用于更广泛的多模态选项 — the open-source AI like Deep查看k 汇总涵盖了Qwen-VL、Llama 3.2 Vision、InternVL等。
• For the full Deep查看k line-up ——浏览 Deep查看k models hub.

Verdict

Deep查看k Janus是过去十二个月内发布的最有意思的开放重量级统一多模态模型。Janus-Pro-7B的GenEval和DPG-Bench数据是可信的，解耦编码器设计是一项真正的架构贡献，1B变体是送给任何教师或演示者的礼物。它不是替代精炼的托管图像API，也不是高分辨率真实感或人物图像的正确模型——但对于研究、原型设计和自托管多模态管道，它在工具箱中占有一席之地。

Deep查看k AI Guide is an independent resource and is not affiliated with Deep查看k or its parent company. Model IDs, pricing and API behaviour change; check the official Deep查看k documentation and pricing page before committing to a production decision.