01

引言

deepseek近期推出了简单、统一且灵活的多模态框架Janus，它能够统一处理多模态理解和生成任务。与之前的研究不同的是，Janus将视觉编码解耦为独立的路径，并利用单一、统一的transformer架构进行处理。这种方法不仅缓解了视觉编码器在理解和生成任务中的冲突，还增强了框架的灵活性。

Janus采用了独立编码方法将纯文本理解、多模态理解和视觉生成分别转换为特征序列，并通过一个统一的自回归Transformers处理这些特征序列。对于纯文本理解任务，使用预训练模型中的分词器将文本转换为离散ID并获取每个ID对应的特征表示；对于多模态理解任务，使用SigLIP编码器从图像中提取高维语义特征并将它们展平成一维序列，然后使用理解适配器将这些图像特征映射到预训练模型的输入空间；对于视觉生成任务，使用VQ Tokenizer 将图像转换为离散ID，并将ID序列展平成一维序列，然后使用生成适配器将与每个 ID 对应的codebook embedding映射到 LLM 的输入空间中。最后，将这些特征序列连接起来形成一个多模态特征序列，并将其馈送给预训练模型进行处理。整个模型遵循自回归框架，无需特别设计attention mask。

添加图片注释，不超过 140 字（可选）

Janus框架的主要改进在于其简单、统一且灵活的设计。首先，在架构上，Janus采用了独立编码方法将不同类型的输入转换为特征序列，并通过一个统一的自回归transformers处理这些特征序列，从而避免了针对不同类型输入设计不同的模块或attention mask。其次，在训练过程中，Janus采用了三个阶段的训练过程：第一阶段训练adapter和image head，第二阶段进行统一预训练，第三阶段进行监督微调。这种训练方式使得Janus能够逐步学习多模态理解和生成能力，并在各种场景下保持灵活性。

添加图片注释，不超过 140 字（可选）

Janus主要解决了多模态理解与生成的问题。传统的多模态模型通常需要针对不同类型输入设计不同的模块或attention mask，这导致模型复杂度较高且难以扩展。而Janus通过采用独立编码方法将不同类型的输入转换为特征序列，并通过一个统一的自回归transformers处理这些特征序列，实现了多模态的理解与生成，并且具有简单、统一且灵活的特点。此外，Janus还支持多种扩展，例如选择更强的视觉编码器、采用动态高分辨率技术等，以进一步提高模型性能。

02

魔搭最佳实践

模型推理

环境安装

!git clone https://github.com/deepseek-ai/Janus.git
%cd Janus
!pip install -e .

视觉理解

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

# specify the path to the model
model_path = snapshot_download("deepseek-ai/Janus-1.3B")
vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer

vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True
)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()

conversation = [
    {
        "role": "User",
        "content": "<image_placeholder>\nConvert the formula into latex code.",
        "images": ["/mnt/workspace/Janus/images/equation.png"],
    },
    {"role": "Assistant", "content": ""},
]

# load images and prepare for inputs
pil_images = load_pil_images(conversation)
prepare_inputs = vl_chat_processor(
    conversations=conversation, images=pil_images, force_batchify=True
).to(vl_gpt.device)

# # run image encoder to get the image embeddings
inputs_embeds = vl_gpt.prepare_inputs_embeds(**prepare_inputs)

# # run the model to get the response
outputs = vl_gpt.language_model.generate(
    inputs_embeds=inputs_embeds,
    attention_mask=prepare_inputs.attention_mask,
    pad_token_id=tokenizer.eos_token_id,
    bos_token_id=tokenizer.bos_token_id,
    eos_token_id=tokenizer.eos_token_id,
    max_new_tokens=512,
    do_sample=False,
    use_cache=True,
)

answer = tokenizer.decode(outputs[0].cpu().tolist(), skip_special_tokens=True)
print(f"{prepare_inputs['sft_format'][0]}", answer)

显存占用：

添加图片注释，不超过 140 字（可选）

图片生成

import os
import PIL.Image
import torch
import numpy as np
from transformers import AutoModelForCausalLM
from janus.models import MultiModalityCausalLM, VLChatProcessor
from modelscope import snapshot_download


# specify the path to the model
model_path = snapshot_download("deepseek-ai/Janus-1.3B")
vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer

vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True
)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()

conversation = [
    {
        "role": "User",
        "content": "A stunning princess from kabul in red, white traditional clothing, blue eyes, brown hair",
    },
    {"role": "Assistant", "content": ""},
]



sft_format = vl_chat_processor.apply_sft_template_for_multi_turn_prompts(
    conversations=conversation,
    sft_format=vl_chat_processor.sft_format,
    system_prompt="",
)
prompt = sft_format + vl_chat_processor.image_start_tag


@torch.inference_mode()
def generate(
    mmgpt: MultiModalityCausalLM,
    vl_chat_processor: VLChatProcessor,
    prompt: str,
    temperature: float = 1,
    parallel_size: int = 16,
    cfg_weight: float = 5,
    image_token_num_per_image: int = 576,
    img_size: int = 384,
    patch_size: int = 16,
):
    input_ids = vl_chat_processor.tokenizer.encode(prompt)
    input_ids = torch.LongTensor(input_ids)

    tokens = torch.zeros((parallel_size*2, len(input_ids)), dtype=torch.int).cuda()
    for i in range(parallel_size*2):
        tokens[i, :] = input_ids
        if i % 2 != 0:
            tokens[i, 1:-1] = vl_chat_processor.pad_id

    inputs_embeds = mmgpt.language_model.get_input_embeddings()(tokens)

    generated_tokens = torch.zeros((parallel_size, image_token_num_per_image), dtype=torch.int).cuda()

    for i in range(image_token_num_per_image):
        outputs = mmgpt.language_model.model(inputs_embeds=inputs_embeds, use_cache=True, past_key_values=outputs.past_key_values if i != 0 else None)
        hidden_states = outputs.last_hidden_state
        
        logits = mmgpt.gen_head(hidden_states[:, -1, :])
        logit_cond = logits[0::2, :]
        logit_uncond = logits[1::2, :]
        
        logits = logit_uncond + cfg_weight * (logit_cond-logit_uncond)
        probs = torch.softmax(logits / temperature, dim=-1)

        next_token = torch.multinomial(probs, num_samples=1)
        generated_tokens[:, i] = next_token.squeeze(dim=-1)

        next_token = torch.cat([next_token.unsqueeze(dim=1), next_token.unsqueeze(dim=1)], dim=1).view(-1)
        img_embeds = mmgpt.prepare_gen_img_embeds(next_token)
        inputs_embeds = img_embeds.unsqueeze(dim=1)


    dec = mmgpt.gen_vision_model.decode_code(generated_tokens.to(dtype=torch.int), shape=[parallel_size, 8, img_size//patch_size, img_size//patch_size])
    dec = dec.to(torch.float32).cpu().numpy().transpose(0, 2, 3, 1)

    dec = np.clip((dec + 1) / 2 * 255, 0, 255)

    visual_img = np.zeros((parallel_size, img_size, img_size, 3), dtype=np.uint8)
    visual_img[:, :, :] = dec

    os.makedirs('generated_samples', exist_ok=True)
    for i in range(parallel_size):
        save_path = os.path.join('generated_samples', "img_{}.jpg".format(i))
        PIL.Image.fromarray(visual_img[i]).save(save_path)


generate(
    vl_gpt,
    vl_chat_processor,
    prompt,
)

显存占用：

添加图片注释，不超过 140 字（可选）

模型体验

图片理解

Q：<image_placeholder>\nConvert the formula into latex code.

添加图片注释，不超过 140 字（可选）

A：Sure, here is the LaTeX code for the formula:

\[ A_n = a_0 \left[ 1 + \frac{3}{4} \sum_{k=1}^{n} \left( \frac{4}{9} \right)^k \right] \]

图片生成：

prompt：A stunning princess from kabul in red, white traditional clothing, blue eyes, brown hair

生成图片：

添加图片注释，不超过 140 字（可选）

模型微调

我们使用ms-swift对deepseek-janus进行微调。ms-swift是魔搭社区官方提供的大模型与多模态大模型微调推理框架。

ms-swift开源地址：

https://github.com/modelscope/ms-swift

当前ms-swift只支持对deepseek-janus的vision tower、aligner和llm进行微调，暂时不支持对generator部分微调。通常，多模态大模型微调会使用自定义数据集进行微调。在这里，我们将展示可直接运行的demo。我们使用Latex-OCR数据集：https://modelscope.cn/datasets/AI-ModelScope/LaTeX_OCR进行微调。

在开始微调之前，请确保您的环境已准备妥当。

git clone https://github.com/modelscope/ms-swift.git
cd ms-swift
pip install -e .[llm]

微调脚本：

# 默认：微调 LLM & aligner, 冻结 vision encoder
CUDA_VISIBLE_DEVICES=0 swift sft \
  --model_type deepseek-janus-1_3b \
  --model_id_or_path deepseek-ai/Janus-1.3B \
  --sft_type lora \
  --dataset latex-ocr-handwrite#5000 \
  --target_modules ALL

# Deepspeed ZeRO2 
NPROC_PER_NODE=4 \
CUDA_VISIBLE_DEVICES=0,1,2,3 swift sft \
  --model_type deepseek-janus-1_3b \
  --model_id_or_path deepseek-ai/Janus-1.3B \
  --sft_type lora \
  --dataset latex-ocr-handwrite#5000 \
  --deepspeed default-zero2 \
  --target_modules ALL

训练显存占用：

添加图片注释，不超过 140 字（可选）

如果要使用自定义数据集，只需按以下方式进行指定：

# val_dataset可选，如果不指定，则会从dataset中切出一部分数据集作为验证集
    --dataset train.jsonl \
    --val_dataset val.jsonl \
{"query": "<image>55555", "response": "66666", "images": ["image_path"]}
{"query": "<image><image>eeeee", "response": "fffff", "history": [], "images": ["image_path1", "image_path2"]}
{"query": "EEEEE", "response": "FFFFF", "history": [["query1", "response1"], ["query2", "response2"]]}

训练loss:

添加图片注释，不超过 140 字（可选）

微调后推理脚本如下：

CUDA_VISIBLE_DEVICES=0 swift infer \
    --ckpt_dir output/deepseek-janus-1_3b/vx-xxx/checkpoint-xxx \
    --load_dataset_config true

# merge-lora & infer
CUDA_VISIBLE_DEVICES=0 swift infer \
    --ckpt_dir output/deepseek-janus-1_3b/vx-xxx/checkpoint-xxx \
    --load_dataset_config true --merge_lora true

推理效果：

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

 

点击链接👇，即可跳转数据集~

https://modelscope.cn/datasets/AI-ModelScope/LaTeX_OCR

Logo
欢迎加入ModelScope魔搭中文开源社区

ModelScope旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单！

更多推荐

cover

Qwen3：重磅开源，重夺开源第一！（包含详细使用教程）

avatar ModelScope魔搭社区
cover

阿里发布最强开源模型Qwen3，成本仅为DeepSeek-R1三分之一

avatar ModelScope魔搭社区
cover

阿里通义千问Qwen3重磅发布！国产大模型如何颠覆AI行业？

avatar ModelScope魔搭社区