多模态Janus-Pro-7B，发布即开源。
在Geneval和DPG-Bench基准测试中击败了DALL-E 3和Stable Diffusion。
想必大家这几天完全被DeepSeek刷屏了吧。
它长时间霸榜热搜第一，甚至AI第一股英伟达直接被干崩了 最大跌幅近17%，一夜蒸发5890亿美元（约合人民币4.24万亿元），创下美股单日跌幅最大纪录。
而Deepseek神话还在继续，春节假期中全国人民都开始体验了，Deepseek服务器还一度卡到宕机。
值得一提，同一夜，阿里旗下大模型通义千问Qwen也更新了自己的开源家族：
视觉语言模型Qwen2.5-VL，包括3B、7B 和 72B三种尺寸。
真~今夜杭州都不睡，起舞竞速大模型。
DeepSeek连夜发布新模型
先来看看DeepSeek新模型，这其实是此前Janus、JanusFlow的高级版本和延续。
一作为博士毕业于北大的陈小康。
具体来说，它基于DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base构建的，是一个统一理解和生成的多模态大模型。整个模型采用自回归框架。
它通过将视觉编码解耦为单独的路径来解决以前方法的局限性，同时仍然使用单一、统一的转换器架构进行处理。
这种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。
对于多模态理解，它使用SigLIP-L作为视觉编码器，支持 384 x 384 图像输入。对于图像生成，Janus-Pro使用LIamaGen中的VQ标记器，将图像转换为离散的ID，下采样率为16。
ID序列被扁平化为一维后，他们使用生成适配器将每个ID对应的代码库嵌入映射到 LLM 的输入空间中。然后，将这些特征序列连接起来，形成一个多模态特征序列，随后将其输入 LLM 进行处理。
除了 LLM 内置的预测头，还在视觉生成任务中使用随机初始化的预测头进行图像预测。
相较于前一个版本Janus的三个训练阶段，团队发现这一训练策略并不理想，会大大降低计算效率。
对此，他们做了两处大的修改。
第一阶段Stage I的长时间训练：增加了第一阶段的训练步骤，以便在 ImageNet 数据集上进行充分的训练。研究结果表明，即使在 LLM 参数固定的情况下，模型也能有效地模拟像素依赖性，并根据类别名称生成合理的图像。
第二阶段Stage II:的集中训练：在第二阶段，放弃了 ImageNet 数据，直接利用常规文本到图像数据来训练模型，以生成基于密集描述的图像。
此外在第三阶段的监督微调过程中，还调整了不同类型数据集的数据比例，将多模态数据、纯文本数据和文本图像数据的比例从 7:3:10 调整为 5:1:4。
通过略微降低文本到图像数据的比例发现，这一调整可以让在保持强大的视觉生成能力的同时，提高多模态理解性能。
最终结果显示，实现了与现有视觉理解生成SOTA模型持平的水准。
△Geneval基准
△DPG-Bench基准
与上一个版本 Janus相比，它可以为简短提示提供更稳定的输出，具有更好的视觉质量、更丰富的细节以及生成简单文本的能力。
更多多模态理解和视觉生成能力的定性结果。
DeepSeek征服全球用户
想必这两天一定是被DeepSeek刷屏了
是科技圈非科技圈、七大姑八大姨都搁那讨论的程度。
像同为杭州六小龙的游戏科学，其创始人CEO、《黑神话：悟空》制作人也专门发微博支持：顶级科技成果，六大突破。
还有DeepSeek自称MOSS，也被流浪地球导演郭帆注意到了。
好好好，DeepSeek是不是直接预订下一部主角了（Doge）。
而这故事的一开始，正是前几天刚刚开源的推理模型R1，以其低廉的成本、免费的使用以及完全不输o1的性能，征服了全球用户，直接引发行业地震。
仅仅花费560万美元训练的R1，相当于meta GenAI团队任一高管的薪资，在很多AI基准测试中已经达到甚至超越OpenAI o1模型。
而且DeepSeek是真的免费，而ChatGPT虽然在免费榜上，但要是想解锁它的完全体，还是要掏上200美元。
于是乎，大家开始纷纷转向DeepSeek来 构建一切 ，也就迅速登顶美区苹果应用商店免费App排行第一，超越了ChatGPT和meta的Threads等热门应用。
用户量的激增也导致DeepSeek服务器多次宕机，官方不得不紧急维护。
而聚焦于行业内，大家对于DeepSeek的关注，在于如何在有限的资源成本情况下，实现与OpenAI持平的水准。
相比于国外动辄百亿千亿美元成本、几十上百万张卡这种粗放的模式，用DeepSeek很多技术细节都放在如何降低成本开销上。
比如蒸馏。R1总共开源了6个在R1数据上的蒸馏小模型，蒸馏版Qwen-1.5B都能在部分任务上超过GPT-4o。
还有就是纯强化学习，抛弃SFT环节，通过数千次的强化学习来提升模型的推理能力，然后在AIME 2024上的得分与OpenAI-o1-0912的表现相当。
也正因为这样，让人不免想到OpenAI前几天砸5000亿美元建数据中心以及英伟达长时间以来在高端GPU的垄断地位。
拿5000亿美元建数据中心，是有必要的吗？
大规模的AI算力投资，是有必要的吗？
这样的讨论，在资本市场得到了响应。美股开盘后，英伟达股价暴跌17%，创下自2020年3月以来最大跌幅，市值蒸发近6000亿美元，老黄自己的个人财富一夜之间也缩水了超130亿美元。
博通、AMD等芯片巨头也纷纷大幅下跌。
对此，英伟达公开回应称，DeepSeek是一项卓越的人工智能进展，也是测试时扩展的绝佳范例。DeepSeek的研究展示了如何运用该技术，借助广泛可用的模型以及完全符合出口管制规定的算力，创建新模型。推理过程需要大量英伟达 GPU和高性能网络。如今我们有三条扩展定律：持续适用的预训练和后训练定律，以及新的测试时扩展定律。
同样被动摇的还有meta、OpenAI。
meta内部甚至成立了专门的研究小组，试图剖析DeepSeek的技术细节，以改进其Llama系列模型，并且新年计划中预算4000亿起步搞AI，年底AI算力将达130万卡。
奥特曼也紧急透露新模型o3-mini即将免费上线ChatGPT的消息，试图挽回一点市场热度。
现在有了新模型发布，关于DeepSeek的讨论还在继续。
DeepSeek新版本疑似很快发布，时间是2025年2月25日。
杭州昨夜不眠
同一个夜晚，同一个杭州。
就在DeepSeek新模型发布不久，Qwen也更新了自己的开源家族：
Qwen2.5-VL。
这个标题怎么有三体那味了。
它有3B、7B 和 72B三种尺寸，可以支持视觉理解事物、Agent、理解长视频并且捕捉事件，结构化输出等等。
（详情内容可以参考下一篇推文）
ps，最后，继杭州六小龙之后，广东AI三杰也出现了。
（杭州六小龙分别是游戏科学、DeepSeek、宇树科技、云深处科技、强脑科技和群核科技）
他们分别是湛江人梁文锋（DeepSeek创始人），汕头人杨植麟（月之暗面、Kimi创始人）以及AI学术大佬广州人何恺明。
