DeepSeek Janus模型在GenEval基准测试中的复现问题解析
2025-05-13 17:44:18作者:申梦珏Efrain
引言
DeepSeek团队开源的Janus系列多模态大模型在文本生成图像任务上表现出色,但在实际应用中,研究人员发现其评估结果与论文报告存在差异。本文针对Janus-Pro模型在GenEval基准测试中的复现问题进行了深入分析,揭示了关键影响因素。
问题现象
多位研究人员在复现Janus-Pro模型(包括1B和7B版本)的GenEval评估结果时遇到了困难。主要问题表现为:
- 使用默认参数设置时,评估结果与论文报告存在显著差异
- 1B模型的复现结果差异尤为明显
- 不同研究者使用相同参数却得到不一致的结果
关键发现
经过深入分析,我们发现影响评估结果的关键因素包括:
1. 提示模板差异
Janus和Janus-Pro模型使用了不同的对话模板:
- Janus标准版使用"User"和"Assistant"作为角色标识
- Janus-Pro版则使用"<|User|>"和"<|Assistant|>"作为角色标识
这一细微差别对1B模型的影响尤为显著,而对7B模型影响相对较小,这可能是由于模型容量不同导致的鲁棒性差异。
2. 评估参数设置
正确的评估参数应包括:
- 温度参数(temperature)设置为1.0
- CFG权重(cfg_weight)设置为5
- 图像token数(image_token_num_per_image)设置为576
- 图像尺寸(img_size)设置为384
- 补丁尺寸(patch_size)设置为16
3. 随机性因素
评估过程中的随机种子设置也会影响最终结果,特别是在多轮采样评估场景下。
解决方案
为确保正确复现论文结果,建议采取以下措施:
- 严格区分Janus和Janus-Pro模型的提示模板
- 使用官方推荐的参数配置
- 进行多次评估取平均值以减小随机性影响
- 对于关键研究,建议公开完整的评估脚本和参数设置
实际效果验证
研究人员在修正提示模板后,成功复现了论文报告的评估结果。例如Janus-Pro-1B模型在GenEval基准上的各项指标与论文数据基本吻合:
- 单物体识别准确率达到99%
- 双物体识别准确率约89%
- 颜色识别准确率约90%
- 综合评分达到0.80
结论
本文详细分析了DeepSeek Janus系列模型在GenEval基准测试中的复现问题,揭示了提示模板和参数设置对评估结果的关键影响。这一发现不仅解决了当前的研究困惑,也为后续的多模态模型评估提供了重要参考。建议研究社区在使用开源模型时,特别注意模型版本对应的技术细节差异。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~059CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
53
468

deepin linux kernel
C
22
5

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
878
517

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
336
1.1 K

React Native鸿蒙化仓库
C++
180
264

一个高性能、可扩展、轻量、省心的仓颉Web框架。Rest, 宏路由,Json, 中间件,参数绑定与校验,文件上传下载,MCP......
Cangjie
87
14

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
349
381

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
612
60