DeepSeek Janus模型在GenEval基准测试中的复现问题解析

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：

1. 使用默认参数设置时，评估结果与论文报告存在显著差异
2. 1B模型的复现结果差异尤为明显
3. 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：

1. 严格区分Janus和Janus-Pro模型的提示模板
2. 使用官方推荐的参数配置
3. 进行多次评估取平均值以减小随机性影响
4. 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。