测试 DeepSeek Janus-Pro 的图像理解与生成能力

DeepSeek 发布了多模态模型 Janus-Pro，它既能回答有关图像的问题，也能生成图像。我在 2025 年 2 月测试了 70 亿参数版本。模型权重可以获取，但它能否方便地在某台本地计算机上运行，取决于内存、软件和硬件。

DeepSeek 报告称，在其评估中，Janus-Pro-7B 的 GenEval 得分为 80%，DALL-E 3 为 67%，Stable Diffusion 3 Medium 为 74%。这是论文特定条件下的一项基准结果，不能证明 Janus-Pro 在所有情况下生成的图像都更好（[技术报告](https://arxiv.org/abs/2501.17811)）。作者还报告了 DPG-Bench 的成绩。

看到单个模型兼具理解和生成能力令我兴奋，但它并非第一个尝试二者兼顾的研究系统：[Janus 论文](https://arxiv.org/abs/2410.13848)讨论的早期统一系统包括 Chameleon 和 Emu3。[Janus 仓库](https://github.com/deepseek-ai/Janus)提供了代码，模型使用则受单独的 DeepSeek 模型许可约束；应检查适用条款。

Vultr 参与赞助了这段视频。我在 Vultr 托管的 AMD Instinct MI300X 上通过 Gradio 界面运行 Janus-Pro，并指出服务器也可以提供 API。这是云端演示，不是本地计算机速度测试，也没有单独衡量模型或硬件各自对性能的贡献。

首先，我上传一张描绘 DeepSeek 与 OpenAI 竞争的表情包，要求模型解释。模型识别出这是一种竞争关系的视觉笑点，但部分描述并不准确。我展示的环境没有启用网络搜索。

接下来，我要求模型将一张猜数字流程图转换为可运行的 Python。我粘贴并运行它生成的代码，多次猜测后程序报告我获胜。这是针对这个简单例子的成功演示，并不能证明生成的程序总能符合任意流程图。

然后我提供一张电子表格截图，要求模型输出 CSV。我目视检查后觉得结果正确，但没有展示逐单元格的独立核对。在第二张对比初创公司和大公司的表情包中，模型没有理解笑点，将大公司一侧描述为高效和协调，而不是理解其中的批评。

在展示的界面中，我没有加载其他模型，直接切换到图像生成，请它先生成一名身处丛林、色彩柔和的宇航员，再生成反光表面上的一杯红酒。我认为图片效果还不错，但并不出众。这两个例子属于主观演示，不是完整的图像质量评估。

我的结论是这个小模型很有前景，随后再次推广 Vultr 托管的 AMD 硬件。我提到前 30 天可获得 300 美元促销额度；该优惠属于 2025 年的合作内容，目前是否可用及具体条件应向服务商核实。