字节把GPT-4o级图像生成能力开源了！
一水 发自 凹非寺
量子位 | 公众号 QbitAI
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。
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：
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
