Janus-Pro 是什么：能看图也能画图的开源模型

它是什么：一个模型，看图和画图都干

Janus-Pro 是深度求索（DeepSeek）在 2025 年 1 月 27 日发布的多模态模型，属于 Janus 系列，是此前 Janus 的升级版。一句话概括：同一个模型既能读懂图片、回答图片相关的问题，也能根据文字描述生成图片，代码和权重都已公开。

旧版 Janus 有两个毛病，官方在论文里讲得很直白：提示词一短，出图就不稳，质量忽高忽低。Janus-Pro 主要就是冲着这件事来的。官方说，这一版同时提升了图文理解和文生图的指令遵循能力，文生图也更稳定。它不是聊天助手那类产品，更接近一个能下载回家折腾的研究型基础模型。

关键规格：1B 和 7B 两档，图片统一 384×384

Janus 系列的核心思路是把“看”和“画”拆开。看图时，用 SigLIP-Large-Patch16-384 把图片编码成语义特征；画图时，用码本大小 16384、下采样 16 倍的 VQ 分词器，把图片变成一串离散编号。两路结果再送进同一个自回归 Transformer。打个比方，同一个大脑配了两副眼镜，读图戴一副，作画戴另一副，省得一副眼镜两头将就。官方认为，这样能缓解理解和生成两个任务互相拉扯的问题。

规模有 1B 和 7B 两档，底座是 DeepSeek-LLM，论文里按 1.5B 和 7B 标注语言模型参数。7B 版 30 层、隐层 4096，1B 版 24 层、隐层 2048，词表约 10 万，上下文窗口 4096 个 token。这意味着它不适合塞长文档，也不适合一长串图片的连续对话。输入可以是图片加文字，输出可以是文字，也可以是 384×384 的图片。知识截止时间官方没有公布。

许可方面，代码用 MIT 协议，模型的使用遵循 DeepSeek Model License。官方仓库写明，在这份条款范围内允许商用，真要上线，建议自己把条款读一遍。

能力和成绩：看懂图提升很实在，画图看指令遵循

理解这边，官方论文给出 7B 版的 MMBench 成绩是 79.2，同一张表里 Janus 是 69.4，13B 的 TokenFlow-XL 是 68.9，MetaMorph 是 75.2。MMMU 为 41.0，MM-Vet 为 50.0，Janus 对应的是 30.5 和 34.3。

生成这边，用的是 GenEval，它测的是数量、颜色、位置这类组合指令能不能画对。7B 版得分 0.80，Janus 是 0.61，DALL-E 3 是 0.67，Stable Diffusion 3 Medium 是 0.74。另一个 DPG-Bench 专门用长而密的提示词考语义对齐，7B 版约 84.2。

这些都是 DeepSeek 团队自己论文里的数字，对手的分数也取自他们列的表。这两个生成榜衡量的是“听不听得懂指令”，不等于图好不好看。官方归结的提升来源有三条：训练策略调整，包括拉长第一阶段、第二阶段不再用 ImageNet 数据；数据扩充，理解侧新增约 9000 万样本，生成侧加入约 7200 万合成美学数据，真实与合成数据比例做到 1:1；模型规模从 1.5B 放大到 7B。

怎么用，多少钱

官方给了三个入口：GitHub 仓库里有代码和技术报告，Hugging Face 上有 Janus-Pro-1B 和 Janus-Pro-7B 两份权重，另外还有一个 7B 的在线演示页。官方没有为它登记 API 名称，仓库里给的是权重和代码，所以谈不上按 token 计价。权重免费，你花的钱是自己的 GPU。

本地跑的话，官方示例要求 Python 3.8 以上，用 pip install -e . 装依赖，模型以 bfloat16 放到 CUDA 显卡上。7B 权重文件合计约 14.8GB，1B 约 4.2GB，所以跑 7B 至少得有一张装得下这些权重的卡，生成图片时还要多留余量。示例代码默认一次并行生成 16 张图，显存紧张就把这个数调小。另外加载时要开 trust_remote_code，装之前最好先扫一眼仓库代码。

和谁比：比上一代强得明显，对手要分开看

跟上一代比，论文表里的 Janus-Pro-1B 就已经高于 1.5B 的 Janus：MMBench 75.5 对 69.4，MMMU 36.3 对 30.5。不过 POPE 是 86.2 对 87.0，略低，所以并不是每一项都涨。

跟同量级的纯理解模型比，LLaVA-v1.5 7B 的 MMBench 是 64.3，POPE 是 85.9，Janus-Pro-7B 是 79.2 和 87.4，GQA 两边都是 62.0，打平。13B 的 TokenFlow-XL 在 GQA 上是 62.7，反而略高，论文也说 7B 版只在这一项没赢它。

文生图这边，GenEval 分数高于 DALL-E 3 和 SD3 Medium，但那是组合指令的准确率，画面质感和分辨率不在这个分数里。它的输出只有 384×384，拿去做成品图，用途会受限。

适合谁：研究和选型值得看，出成品图还早

做研究或技术选型的，值得认真看一眼：结构清晰，权重开放，代码 MIT，有现成的复现和改造空间，拿来当统一多模态的基线很合适。想在本地试试“同一个模型又读又画”的开发者，从 1B 版入手门槛最低。要留意 4096 的上下文和 384 的输入尺寸，密集小字、大图细节大概率会吃亏，用在业务上之前，先拿自己的图测一遍。

做内容的朋友，如果要的是能直接交付的成品图，这个分辨率不够，更适合拿来试玩、出草图，或者研究提示词怎么写。AI主线的看法是：它的价值在于证明了“看和画分开编码、合进一个模型”这条路走得通，而且你能自己下载、复现、改造，至于当日常生产力工具，现在还早。