Janus-Pro 是什么：DeepSeek 同时会看图和画图的模型

它是什么

Janus-Pro 是深度求索（DeepSeek）在 2025 年 1 月 27 日开源的统一多模态模型，有 1B 和 7B 两个尺寸。“统一”指的是一个模型同时做两件事：看懂图片并回答问题（多模态理解），以及根据文字生成图片（文生图）。它是 2024 年 Janus 的升级版，发布时正赶上 DeepSeek-R1 引发全球关注的那一周，因此也受到了很多讨论。

核心设计：解耦视觉编码

Janus 系列的名字来自罗马神话里有两张脸的门神，对应的正是它的核心思路。过去的统一模型往往用同一个视觉编码器同时服务理解和生成，问题是两种任务需要的信息不一样：理解需要高层语义（这是一只猫，在沙发上），生成需要细粒度的像素细节。共用一个编码器，两头都做不好。Janus 把视觉编码拆成两条路：理解用 SigLIP 这类语义编码器，生成用 VQ 分词器把图像变成离散 token，两条路最后由同一个自回归 Transformer 统一处理。

Pro 版改进了什么

相比 Janus，Janus-Pro 做了三方面改进：优化训练策略、扩充训练数据、把模型规模扩大到 7B。效果是多模态理解和文生图指令遵循能力都有明显提升，文生图的稳定性也更好了。官方论文里，7B 版本在 GenEval 和 DPG-Bench 这两个文生图指令遵循基准上的成绩超过了当时的 DALL-E 3 和 Stable Diffusion 3 Medium。官方还修复过一次 bug：早期版本导致无分类器引导没有正常生效，生成质量偏差，更新后才恢复正常。

局限

Janus-Pro 生成图片的分辨率只有 384×384，细节和画质远不如专门的扩散模型，更适合作为研究统一架构的样本，而不是生产级的绘图工具。理解方面也受限于输入分辨率，看小字和复杂图表能力一般。同一仓库里还有一个 JanusFlow，用整流流（rectified flow）来做图像生成，是另一条探索路线。

适合谁

研究多模态统一架构的研究者和学生，是它最主要的受众，1B 版本在普通显卡上就能跑起来做实验。想要一个本地的轻量图像理解模型，也可以试试 7B。需要高质量出图的，应该选专门的图像生成模型。AI 主线的看法是：Janus-Pro 的意义在于验证了“理解和生成用不同的眼睛看图”这个思路，后来不少统一多模态模型都沿用了类似的拆分设计。