Janus Pro 7B

🚀 Janus-Pro

Janus-Pro是一種新穎的自迴歸框架，它將多模態理解和生成統一起來。該框架解決了以往方法的侷限性，通過將視覺編碼解耦為獨立的路徑，同時仍使用單一、統一的Transformer架構進行處理。這種解耦不僅緩解了視覺編碼器在理解和生成任務中的角色衝突，還增強了框架的靈活性。Janus-Pro超越了以往的統一模型，其性能可與特定任務模型相媲美甚至更優。其簡單性、高靈活性和有效性使其成為下一代統一多模態模型的有力候選者。

🚀 快速開始

項目倉庫

Github倉庫

模型示例圖

✨ 主要特性

Janus-Pro是一個統一的理解和生成多模態大語言模型（MLLM），它將用於多模態理解和生成的視覺編碼解耦。Janus-Pro基於DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base構建。

對於多模態理解，它使用 SigLIP-L 作為視覺編碼器，支持384 x 384的圖像輸入。對於圖像生成，Janus-Pro使用 此處 的分詞器，下采樣率為16。

💻 使用示例

基礎用法

單圖像推理

以下是一個使用單圖像進行視覺理解的示例。

import torch  
from PIL import Image  
import requests  
from transformers import JanusForConditionalGeneration, JanusProcessor  

model_id = "deepseek-community/Janus-Pro-7B"

# Prepare input for generation
messages = [
    {
        "role": "user",
        "content": [
            {'type': 'image', 'url': 'http://images.cocodataset.org/val2017/000000039769.jpg'},
            {'type': 'text', 'text': "What do you see in this image?"}
        ]
    },
]

# Set generation mode to 'text' to perform text generation
processor = JanusProcessor.from_pretrained(model_id)
model = JanusForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    generation_mode="text",
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

output = model.generate(**inputs, max_new_tokens=40, generation_mode='text', do_sample=True)
text = processor.decode(output[0], skip_special_tokens=True)
print(text)

高級用法

文本到圖像生成

Janus還可以通過簡單地將生成模式設置為 image 從提示中生成圖像，如下所示。

import torch
from transformers import JanusForConditionalGeneration, JanusProcessor

model_id = "deepseek-community/Janus-Pro-7B"

# Load processor and model
processor = JanusProcessor.from_pretrained(model_id)
model = JanusForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "A dog running under the rain."}
        ]
    }
]

# Apply chat template
prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(
    text=prompt,
    generation_mode="image",
    return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

# Set number of images to generate
model.generation_config.num_return_sequences = 2

outputs = model.generate(
    **inputs,
    generation_mode="image",
    do_sample=True,
    use_cache=True
)

# Decode and save images
decoded_image = model.decode_image_tokens(outputs)
images = processor.postprocess(list(decoded_image.float()), return_tensors="PIL.Image.Image")

for i, image in enumerate(images["pixel_values"]):
    image.save(f"image{i}.png")

📄 許可證

此代碼倉庫遵循 MIT許可證。Janus-Pro模型的使用需遵循 DeepSeek模型許可證。

📚 詳細文檔

引用信息

@article{chen2025janus,
  title={Janus-Pro: Unified Multimodal Understanding and Generation with Data and Model Scaling},
  author={Chen, Xiaokang and Wu, Zhiyu and Liu, Xingchao and Pan, Zizheng and Liu, Wen and Xie, Zhenda and Yu, Xingkai and Ruan, Chong},
  journal={arXiv preprint arXiv:2501.17811},
  year={2025}
}

聯繫我們

如果您有任何問題，請提出問題或通過 service@deepseek.com 與我們聯繫。