论文阅读笔记——Janus，Janus Pro

Janus

Janus 论文

• 理解任务（VQA）需要高层语义特征如物体类别、关系（信息压缩）
• 生成任务依赖细粒度细节如局部纹理，去模拟数据的分布（信息扩展）
• 单一编码器无法同时满足两种要求，导致性能受限（尤其在理解任务）
  Janus 的创新点在于通过视觉编码解耦同时优化多模态理解和生成任务，理解上采用 SigLIP 提取全局语义特征，生成上用 VQ-GAN，保留局部细节信息。
  

任务类型	编码方法	特征
纯文本理解	LLM 内置的文本分词器	文本->离散ID->LLM词嵌入特征
多模态理解	SigLIP 编码器	图像->SigLIP->展平1D->Adapter 映射
视觉生成	VQ-GAN 编码器	图像->VQ 离散 ID 序列->展平1D->Adapter 映射 Codebook

• Stage 1：训练 Adapter 与图像头，让视觉和文本在 Embedding Space 上建立联系，数据上 1.25M 来自 ShareGPT4V 的 image-text pair 标注（$<image><text>$），1.2M ImageNet-1K 图片用于生成($<category\_name><image>$)。
• Stage 2：训练除 Encoder 之外的所有部分，视频生成上分两步。第一步（前 66.67% step）用 ImageNet-1k，类别作为 prompt，让模型学习像素级依赖关系；第二部加入文本-图像数据，提升复杂语义对齐能力。数据包括 DeepSeek-LLM 的纯文本数据、WikiHow 和 WIT 文本-图像数据集、对 COCO 等数据集用开源大模型 Image caption 数据（QA 对形式）、DeepSeek-VL 表格数据（$<question><answer>$）、LAION 和 Conceptual 等视觉生成数据，比例上为 3:2:2:1:2。（类似 PixArt）
• Stage 3：使用指令微调数据对预训练模型进行微调，以增强其遵循指令和对话能力。（KaTeX parse error: Undefined control sequence: \textbackslash at position 22: …Input Message> \̲t̲e̲x̲t̲b̲a̲c̲k̲s̲l̲a̲s̲h̲ ̲n Assistant:<Re…）
• 使用 CE Loss，生成任务仅计算图像 token 的 loss，理解任务仅计算文本 token 的 loss。
• 使用 CFG，$l_g=l_u+s(l_c-l_u),s=5$ 其中 $l_c$ 为条件 logit，$l_u$ 为无条件 logit。训练时，以 10% 概率用空 token 替换。
• 训练在 8 卡 A100 16节点集群，耗时 7 天。

实验结果

多模态理解

图片生成


消融实验

Janus Pro

Janus Pro 论文
主要改进在于训练策略、数据、模型大小。

• Stage 1：Janus 的 Stage 1 训练步数较少，仅建立初步视觉-语言关联，Janus Pro 大幅增加训练步数。作者发现不更新 LLM 参数下，模型已经能建模像素依赖关系，可以减少后续对低质量类别标签（ImageNet短文本）的依赖。
• Stage 2：移除 Janus 中 ImageNet 数据，使用高质量文本-图像数据（避免冗余的像素依赖学习）增强开放域生成能力。
• Stage 3：多模态数据由 Janus 的 7:3:10 调整至 5:1:4（与MetaMorph类似，同样数据量下，增加理解任务数据对生成任务的提升 > 增加生成任务数据对生成任务的提升）
  数据规模上，增加约 900 万的多模态理解数据，新增 MEME 理解数据、中文对话数据以及对话体验优化数据集。生成任务引入合成数据，大概 70M，真实数据和合成数据将近1:1。
  模型大小由 Janus 的 1.5B 提升至 7B，多模态任务损失收敛速度提升 40%，证明了 Scaling Law。

实验结果

多模态理解

图片生成

总结：Janus 和 Janus Pro 在理解生成任务上迈出了很好的一步，在单独的多模态理解任务上可能还是比不过 InternVL2.5，但他的工作还是很有意义的。