DeepSeekが深夜に新しいマルチモーダルAIモデルを発表：Janus-ProとJanusFlow 261

DeepSeek が発表した Janus-Pro と JanusFlow は、マルチモーダル ai 分野における大きなブレークスルーであり、これら2つのモデルは画像理解と生成能力を向上させるように設計されており、特にテキストから画像への生成タスクにおいて優れた性能を発揮します。

Janus-Proモデル

Janus-Proは、マルチモーダル理解と生成を統合したフレームワークです。そのアーキテクチャは、視覚エンコーディングを分離する方式により、異なるタスクにおけるモデルの適応性と性能を大幅に向上させます。DeepSeekの報告によると、Janus-Proは複数のベンチマークテストで優れた性能を発揮しており、特にテキストから画像への生成能力において、精度は80%と84.2%に達し、OpenAIのDALL-E 3などの競合製品を超えています。

さらに、Janus-Proの設計は柔軟性と効率性も重視しており、視覚的質問応答や画像キャプションなど、さまざまなマルチモーダルシナリオに適応できます。これにより、広告、ゲーム、アート制作など、高品質な画像生成が必要な分野での実用化において幅広い可能性を秘めています。

JanusFlowモデル

Janus-Proと相補的な関係にあるJanusFlowは、生成フローと自己回帰言語モデルを融合したフレームワークです。その設計理念は、視覚理解と生成の統合を実現することで、理解タスクで優れた性能を発揮しつつ、高品質な画像を生成することです。JanusFlowの極めてシンプルなアーキテクチャにより、学習と推論のプロセスにおいてより効率的であり、大規模アプリケーションに適しています。

技術的なハイライトとイノベーション

Janus-Pro：

• 視覚エンコーディングの分離：視覚エンコーディングプロセスを独立したパスに分割し、マルチモーダル理解と生成タスクをそれぞれ処理することで、従来のモデルにおける視覚エンコーダーの2つのタスク間の機能的競合を解決し、モデルの適応性と性能を大幅に向上させています。

• 統一されたTransformerアーキテクチャ：単一のTransformerアーキテクチャを採用してマルチモーダルタスクを処理し、モデル設計を簡素化するとともに拡張能力を向上させています。

• 高性能：GenEvalおよびDPG-Benchベンチマークテストにおいて、Janus-Pro-7Bの精度はそれぞれ80%と84.2%に達し、OpenAIのDALL-E 3およびStable Diffusionを超えています。

JanusFlow：

• 生成フローと言語モデルの融合：生成フロー（Rectified Flow）を自己回帰言語モデルと組み合わせることで、JanusFlowは極めてシンプルでありながら強力なマルチモーダルフレームワークを実現し、複雑な改造なしに高品質な画像を生成できます。

• 高い柔軟性と拡張性：マルチタスクの拡張をサポートし、统一されたマルチモーダルフレームワークとして優れた選択肢となっています。

性能

画像生成能力：Janus-ProとJanusFlowはいずれも384x384解像度の画像生成をサポートしており、生成品質が高く、さまざまなアプリケーションシナリオに適応できます。

マルチモーダル理解能力：視覚的質問応答や画像キャプションなどのタスクにおいて、両モデルともタスク専用モデルを超える性能を示し、強力な汎用性を発揮しています。

ベンチマークテスト結果：GenEvalおよびDPG-Benchテストにおいて、Janus-Pro-7Bの性能はDALL-E 3およびStable Diffusionを大幅に上回り、現在のマルチモーダル分野のリーディングモデルとなっています。

Janus-ProとJanusFlowモデルのリリースは、技術的に革新的であるだけでなく、性能面においても顕著な優位性を示しています。