DeepSeek, la empresa china responsable del chatbot del mismo nombre que ha desbancado a ChatGPT en la App Store, ha lanzado Janus Pro, un nuevo modelo de generación de imágenes que mejora la comprensión multimodal y la estabilidad de la generación de imagen a texto para ofrecer resultados “altamente realistas” y con detalle pese a su baja resolución.

Janus Pro es el último integrante de la familia de modelos generativos Janus, una versión mejorada que, como explica la compañía en el repositorio de GitHub, “incorpora una estrategia de entrenamiento optimizada, datos de entrenamiento ampliados y escalabilidad a un tamaño de modelo mayor”.

En su base se encuentra el modelo de lenguaje visual DeepSeek VL2, con 4500 millones de parámetros activados. Según la compañía, “logra un rendimiento competitivo o de última generación con parámetros activados similares o menores en comparación con los modelos densos y basados en MoE de código abierto existentes”.

Janus Pro se ofrece en dos tamaños, con mil millones de parámetros (1B) y 7000 millones de parámetros (7B). Este último ofrece una mejor comprensión multimodal y mejora la estabilidad de la generación de texto a imagen.

So DeepSeek dropped an open-source multi-modal model that does image understanding and generation "Janus-Pro-7B".

People on X were saying it beats Dalle-3 so had to give it a spin.

Unfortunately, I think the hype was overblown:

Left: Janus-Pro-7B. Right: Dalle-3 pic.twitter.com/Ienru7r8KD

En concreto, en comprensión multimodal, sus creadores aseguran que supera a TokenFlow XL (13B), algo que atribuyen a “la disociación de la codificación visual para la comprensión y la generación multimodales, que mitiga el conflicto entre estas dos tareas”.

En lo que respecta a la generación de texto a imagen, en los test GenEval y DPG-Bench, Janus Pro 7B muestra una precisión general del 80 por ciento en la primera evaluación, donde supera a Dall-E 3 (67%), como resultado de su enfoque para las capacidades de seguir instrucciones. En DPG-Bench alcanza una puntuación de 84.19.

DeepSeekがオープンソースの画像生成AIモデル「Janus-Pro-7B」を発表。OpenAIの「DALL-E 3」と「Stable Diffusion」を上回ってるとの誇大表現勃発中。安く作られてる部分は良いけどクオリティは？↓

一旦に何も考えずにリプ欄のデモを試した結果。お、うんスゴイね。

←Midjourney Janus→ pic.twitter.com/5HVO7K9j9y

DeepSeek también destaca la calidad de los resultados: imágenes “altamente realistas” que contienen gran detalle pese a la resolución de 384 x 384 píxeles, si bien esta baja resolución es todavía una limitación del modelo.

DeepSeek se ha popularizado este lunes después de que su chatbot, del mismo nombre, alcanzara el primer puesto en las descargas de aplicaciones gratuitas en la App Store. En su base se encuentra el DeepSeek V3, que ha sido entrenado con 2048 GPU Nvidia H800 y un coste de 5,6 millones de dólares y ofrece un rendimiento similar o superior al de modelos de vanguardia, como Claude 3.5 Sonnet, Llama 3.1 40B y GPT 4o.

La firma china lanzó recientemente otra familia de modelos de razonamiento, DeepSeek-R1-Zero y DeepSeek-R1. Este último, y según la compañía, con capacidad para alcanzar “un rendimiento en tareas de razonamiento comparable a OpenAI o1”.