字节把GPT-4o级图像生成能力开源了！

字节最近真的猛猛开源啊……

这一次，他们直接开源了 GPT-4o 级别的图像生成能力。

（轻松拿捏 " 万物皆可吉卜力 " 玩法 ~）

不止于此，其最新融合的多模态模型 BAGEL主打一个 " 大一统 "， 将带图推理、图像编辑、3D 生成等功能全都集中到了一个模型。

各种花式玩法 be like：

虽然活跃参数只有 7B（总计 14B），但它已经实现了图像理解、生成、编辑等多冠王，实力超越或媲美一众顶尖开源（如 Stable Diffusion 3、FLUX.1）和闭源（如 GPT-4o、Gemini 2.0）模型。

模型一经发布，不仅迅速登上 Hugging Face 趋势榜，还立即在引发热议。

有网友见此连连感慨，" 字节像领先了整整一代人 "。

OpenAI 研究员也公开赞赏， 字节 Seed 团队在他心目中已经稳居顶级实验室之列。

Okk，我们直接来看 BAGEL 模型有哪些玩法。

一个模型实现所有多模态功能

作为多模态模型，掌握带图推理算是如今的一个入门级挑战。

扔给它叠放整齐的一块布料，让它想象出布料展开后的样子。

可以看到，生成之前 BAGEL 模型会自动进行推理，并规划出可行方案：

最终生成的图片如下，一眼看去布料的拼图和花纹没有明显错误：

换成其他例子，还能看到 BAGEL 模型支持无缝多轮对话。

先是按照文字提示生成符合要求的图片：

然后紧接着生成人物的公仔形象，并推出销售口号。

当然，除了上面这些，懂推理的 BAGEL 模型还支持复杂图像编辑。

最方便的，当属一键试妆了：

展开其思考过程，不难发现它是真懂（doge）。

其他我们相对熟悉的技能，如人物表情转换、凭空造物等更是不在话下。

最后，BAGEL 模型超越传统图像编辑，还具备多视角合成和导航等 " 世界建模 " 能力。

360 ° 全自动观赏装在盒子里的手办：

又或者开局一张图，视角一步步推进，沉浸式走进小巷：

总之，正如字节团队所强调的，BAGEL 模型已经展现出统一多模态能力。

那么接下来的问题是——

它怎么做到的？

重新定义 " 涌现能力 "

据论文介绍，BAGEL 模型采用了 MoT（Mixture-of-Transformer-Experts）架构。

它由两个 Transformer 专家组成，一个专注于多模态理解，另一个专注于多模态生成。作为对应，模型也使用了两个独立的视觉编码器，分别用于捕捉图像的像素级和语义级特征。

简单来说，像素级编码器专注于图像的底层细节，如颜色、纹理等；语义级编码器则关注图像的高层语义，如物体的类别、场景的含义等。

整体框架遵循" 下一个 token 组预测范式 "，即模型根据已有的多模态输入，学习预测后续的 token，从而不断优化自身对多模态数据的理解和生成能力。

顺便一提，BAGEL 基础模型是基于Qwen2.5-7B-Instruct和siglip-so400m-14-384-flash-attn2模型进行微调，并使用了FLUX.1-schnell VAE模型。

基于上述架构，团队在模型训练中得出了一项重要发现。

随着规模化数据与模型参数的双重扩展，BAGEL 模型表现出了一种 " 涌现能力（Emerging Properties）" ——多模态理解和生成能力较早出现，随后是基础编辑能力，而复杂的智能编辑能力则在后期显现。

所谓的涌现能力，其实早已在大型视觉或语言模型中被广泛探讨。不过在论文中，聚焦于统一多模态基础模型的背景下，团队重新定义了涌现能力：

当某种能力在早期训练阶段尚未出现，而在后续预训练中出现时，称其为涌现能力。

结合 BAGEL 模型的表现，团队认为其揭示了一种新兴模式，即高级多模态推理是在完善的基础技能之上逐步形成的，而非某种 " 突变 "。

另外论文中提醒，将 VAE（变分自编码器）与 ViT（视觉 Transformer）特征相结合，可以显著提升智能编辑能力。

最后，更多基准测试结果也展现了 BAGEL 模型领先的图像理解、生成、编辑能力。

例如在图像理解任务中，在激活参数规模相当（7B）的情况下，BAGEL 模型优于现有的统一模型 Janus-Pro。

同时与专用理解模型（如 Qwen2.5-VL 和 InternVL2.5）相比，BAGEL 在大多数基准测试上表现更优。

在 GenEval 和 WISE 这两个评估图像生成能力的测试中，BAGEL 实现了88%的整体得分，优于专用生成模型（FLUX.1-dev：82%、SD3-Medium：74%）和统一模型（Janus-Pro：80%、MetaQuery-XL：80%）。

在图片编辑能力测试中，BAGEL 的表现可与 Step1X-Edit（当前领先的专用图像编辑模型）相媲美，并且优于 Gemini 2.0。

当然，也有更直观的对比：

目前模型已在 Hugging Face 上架，采用相对宽松的 Apache 2.0 许可证。

项目主页：

https://bagel-ai.org/

论文：

https://arxiv.org/abs/2505.14683

开源地址：

https://huggingface.co/ByteDance-Seed/BAGEL-7B-MoT

参考链接：

[ 1 ] https://x.com/_akhaliq/status/1925021633657401517

[ 2 ] https://x.com/giffmana/status/1925194650266354108

—  完  —

 量子位 AI 主题策划正在征集中！欢迎参与专题365 行 AI 落地方案，一千零一个 AI 应用，或与我们分享你在寻找的 AI 产品，或发现的AI 新动向。

也欢迎你加入量子位每日 AI 交流群，一起来畅聊 AI 吧～

一键关注 点亮星标

科技前沿进展每日见

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！