Janus-Pro 多模态理解与生成模型

一个模型，两个方向

Janus-Pro 是 DeepSeek 于 2025 年 1 月 27 日发布的多模态模型，是此前 Janus 模型的进阶版本^[1]。它的特点在于，同一个模型同时承担两件方向相反的事：多模态理解——输入图片、输出文字；以及文生图（text-to-image）——输入文字、输出图片^[2]。

Janus 系列的核心做法是「解耦」。模型没有强迫理解和生成共用同一套视觉编码，而是把视觉编码拆成两条各自独立的通路，一条服务理解，一条服务生成，同时保留一个统一的 Transformer 作为主干^[1]。换成平实的说法：负责「看懂一张图并把它讲出来」的部分，和负责「根据描述画出一张图」的部分，不必再为了共用一套表示而互相迁就；而真正做序列处理的 Transformer 仍然是共享的。

从哪来

Janus 这条线在 Janus-Pro 之前已经走过两步：更早的 Janus-1.3B 出现在 2024 年 10 月，JanusFlow 于 2024 年 11 月 13 日发布^[1]。Janus-Pro 是这条线上的下一步，改动可以归为三方面：优化的训练策略、扩充的训练数据，以及更大的模型规模^[2]。这三项改动带来的结果是多模态理解更好、文生图对指令的遵循更好、生成更稳定^[2]。DeepSeek 的发布说明称，Janus-Pro 显著提升了多模态理解与视觉生成^[1]；arXiv 摘要的说法是，它在多模态理解和文生图指令遵循两方面都取得了显著进展^[2]。

技术报告于 2025 年 1 月 29 日发布到 arXiv，距离模型发布两天^[2]。

规模与输出

Janus-Pro 有两个规模：Janus-Pro-1B 和 Janus-Pro-7B，序列长度都是 4,096 个 token^[1]。文生图输出默认是 384x384 像素，每张图用 576 个图像 token 表示^[1]；示例配置用的 patch 大小是 16^[1]。这笔算术很容易核对：384x384 的图按 16 像素切成小块，得到 24x24 的网格，正好 576 块，也就是 576 个 token——token 数由分辨率和 patch 大小直接决定。把一张图压到 576 个 token，文本提示加上图像才能一起装进 4,096 的序列长度里。

授权与位置

代码以 MIT 许可证开源，模型本身的使用由 DeepSeek Model License 规范，该许可证允许商用^[1]。对想真正跑起模型、而不只是读论文的人来说，这两条都很实际：代码许可宽松，模型许可允许商业部署，接入的门槛因此降低。

放到更大的图景里看，Janus-Pro 的位置是「统一模型」：它既不是专门的图像生成器，也不是专门的视觉语言模型，而是一个同时训练两个方向的系统——该分开的地方（视觉编码）分开，该共用的地方（Transformer 主干）共用。它的文生图默认输出为 384x384 像素，默认生成的图尺寸不大，使用前需要知道这个默认设定。