DeepSeek又一开源模型Janus-Pro 以文生图模型

一 简介

DeepSeek R1 模型，在文字创作，代码编程、数据推理等多方面都具有不俗的表现，但是R1模型并不支持以文生图的功能，DeepSeek在多模态方面已早有布局，其实去年，他们就曾发过一个多模态模型就是Janus，2025年的1月27日，又发布了Janus的pro版本即 Janus-Pro。

二 Janus-Pro

2.1 以文生图功能

Janus-Pro 为DeepSeek开源的最新的多模态模型，主要为以文生图而设计，在同类模型测试中也表现优异，见下测试对比图。 Pro版本相对Janus有几大改进：

1. 提供更好的训练策略；
2. 扩大了训练的数据集；
3. 提供了1B和7B尺寸模型，1B模型甚至可以在浏览器中运行；
4. 提高了生成图像的稳定性和一致性，这个可以通过下面的生成图对比看出来；

通过对比可以看出，Janus-Pro已经跻身最优秀的以文生图的模型之列，同尺寸规模的模型测试中，Janus-Pro-7B的表现最优；右图，在基准测试中，Janus-Pro在GenEval这个模型生成效果测试中得分最高80%，在执行准确度DPG-Bench测试中，也是得到了最高84.2%分；

Janus和Janus-Pro生成图的对比效果如下图，差距还是非常巨大的；

2.2 分析理解图功能

Janus-Pro不光可以以文生图，还可以反过来分析图片中的信息，比如你可以上传图像，让它分析图中的物体，解释图中的文本，分析上下文等。

比如下图的分析效果：

我将官网的测试对比图发送给它官网的在线图片分析模型，进行分析，得到如下结果：

同一句提示词，英文交互给出的分析结果更为详细些：

英文交互分析结果

2.3 以文生图功能对比

在官网中，以文生图更推荐FLUX而不是Janus-Pro，Janus-Pro和FlUX的对比如下： 以下是将图片中的英文转换成中文后的 Markdown 表格：

特性 Janus Pro Flux 主要关注点 多模态任务，文本-图像交互 高质量图像生成 性能 擅长指令执行，多模态任务 高质量图像且生成速度快 训练成本 相对较低的预算 未明确说明，可能更高 图像分辨率 输入：384 x 384 像素，输出：最高 768 x 768 可生成高达 1024 x 1024 像素 社区支持 开源，在 Hugging Face 上可用 拥有强大的社区支持和优化

总结，Flux更擅长高质量的图像快速生成，Janus Pro 是一个可以处理文本和图像的多模态模型。它擅长将数学方程式图像转换为 LaTeX 代码以及根据详细的文本提示生成图像等任务。

我测试了下发现网页版本，两个生成图像的速度都比较慢，也许是高峰期比较拥堵的原因。

2.4 本地运行和体验

如果只是简单的体验，可以直接去https:// 网址来体验在线以文生图和分析图片内容两个功能，不过可能是因为使用者太多的原因，导致生成图片的速度特别慢，所以也可以考虑下本地部署Janus-Pro-1B和Janus-Pro-7B这两个开源版本的模型；

Janus-Pro-1B

1. 适用于资源有限的设备，甚至移动设备，适用个人用户（16GB VRAM的显卡)
2. 生成的图像质量有限,可用于个人测试

Janus-Pro-7B

1. 24GB VRAM 以及以上的显卡（20GB以上也基本可行），比如RTX4090显卡；
2. 高质量图像生成，文字和信息识别基本准确，内容理解完整清晰，但是局部细节有所欠缺；
3. 图像生成速度约15秒/张；
4. 模型支持中文理解和交互；

下载地址

7B模型：https:///deepseek-ai/Janus-Pro-7B1B模型：https:///deepseek-ai/Janus-Pro-1B

三 总结

Janus-Pro作为DeekSeek开源的多模态模型，不光可以以文生图，还具备强大的图像理解能力，无论对个人AI用户，还是对有需要的企业用户，都提供了一种多模态模型的解决方案，期待DeepSeek后续给我们带来更多优秀的模型；

四 AI名词解释和开源语言模型发布平台

4.1 AI交流中常见的术语

• AI（人工智能）：AI即人工智能（Artificial Intelligence），是让机器（如计算机系统）展现出智能的技术 ，使机器能像人一样学习、思考与决策。
• LLM（大语言模型）：LLM也就是大语言模型（Large Language Model），它属于人工神经网络，是一种凭借强大的通用语言生成及自然语言处理任务（如文本分类）能力而备受瞩目的语言模型。
• GenAI（生成式人工智能）：GenAI即生成式人工智能（Generative Artificial Intelligence），也简称GAI 。它运用生成式模型，能依据提示语生成文本、图像、视频等各类数据。
• GPT（生成式预训练变换器）：GPT即Generative Pre-trained Transformer，作为大语言模型的一种，是广为人知的GenAI技术，在语言处理方面表现卓越。
• ChatGPT：这是OpenAI基于GPT技术开发的聊天机器人，专为对话场景优化，能与人自然流畅交流，解答问题、提供建议。
• Autonomous Agent（自主型智能体）：自主型智能体可独立开展工作，具有主动性，不仅能主动和人类沟通，还会给出建设性意见，以高效达成工作目标。
• chat模型：指自带聊天功能的模型，像Qwen/Qwen2.5 - 7B - Instruct、DeepSeek - R1等，能与人进行聊天互动。
• Embedding模型：该模型将文本、图像等数据转化为低维向量，便于计算机理解分析，向量关系反映数据间相似性。

关系图

4.2 开源语言模型发布平台

Hugging Face Hub：https:// 这是世界最大的开源 AI 模型发布平台，可以看做ML的github；https://：开源的LLM服务包括模型和工具，工具提供与OpenAI兼容的API。https://www./home： 可以理解成中国版本的Hugging Face Hub