6 月 3 日消息，字節跳動 Seed 團隊上周宣布開源統一多模態理解和生成模型 BAGEL，該模型支持文本、圖像和視頻的統一理解和生成。

BAGEL 具有 70 億個激活參數（總共 140 億個），并在大規模交錯多模態數據上進行訓練。BAGEL 在標準多模態理解排行榜上超越了當前頂級的開源 VLMs，如 Qwen2.5-VL 和 InternVL-2.5，并且提供了與專業生成器如 SD3 競爭的文本到圖像質量。

此外，BAGEL 在經典的圖像編輯場景中展示了比領先的開源模型更好的定性結果。更重要的是，它擴展到了自由形式的視覺操作、多視圖合成和世界導航，這些能力構成了超出以往圖像編輯模型范圍的“世界建模”任務。

具體來看，BAGEL 基于大語言模型進行訓練，具備基礎的推理和對話能力，能夠處理圖像和文本的混合輸入，并以混合格式輸出。

▲ 混合輸入-混合輸出

BAGEL 可生成較高質量、逼真的圖像、視頻或圖文交錯的內容。此外，還引入了長思維鏈 COT（Chain-of-Thought）模式，模型在生成之前可先“思考”。

▲ BAGEL 通過“思考”生成了一個穿著毛衣的鱷魚玩偶

基于交錯的多模態數據預訓練，BAGEL 自然地學會了保留視覺特征和細微細節，并且能從視頻中捕捉復雜的視覺運動，這些能力使得 BAGEL 在圖像編輯上更為高效。

▲ 基于同一人物形象進行圖像編輯

基于對視覺內容和風格的理解，BAGEL 僅使用較少的對齊數據，即可實現圖片的風格切換，甚至還可轉換至不同場景中。

▲ BAGEL 實現多種風格遷移

此外，BAGEL 還具備世界模型的基礎能力，可實現世界導航、未來幀預測、3D 世界生成等更具挑戰性的任務，并進行不同角度的旋轉或視角切換。同時，BAGEL 還具備較強的泛化能力，不僅在各類真實場景中，還能在游戲、藝術作品、卡通動畫等場景中實現導航。

基于以上能力，BAGEL 還可通過一個統一的多模態接口，實現各項能力的復雜組合，進行多輪對話。

▲ 圖片剪切-智能編輯-場景轉換-風格轉換組合功能

附 BAGEL 開源地址：

官網及體驗入口：

GitHub 代碼：

模型權重：

研究論文：