Bagel

BAGEL 是由 Chaorui Deng、Deyao Zhu、Kunchang Li、Chenhui Gou、Feng Li 等研究者领衔的团队于 2025 年 5 月 20 日发布的开源统一多模态模型。其目标是提供与 GPT-4o、Gemini 2.0 等闭源多模态系统相近的能力，但以开源形式交付，任何人都可以微调、蒸馏与部署。它并非把视觉模型与图像生成器简单拼接，而是从预训练阶段起就是原生多模态。

该模型以混合格式处理图像与文本输入输出，因此同一套系统可以理解图片、进行对话、生成照片级图像、编辑已有图片、迁移风格、在 3D 环境中导航或预测未来视频帧。架构上，BAGEL 采用 Mixture-of-Transformer-Experts 设计，两个编码器分别捕捉像素级与语义级特征，并以 Next Group of Token Prediction 为目标，在数万亿交错的文本、图像、视频与网页 token 上训练。

项目还公布了与 Janus-Pro-7B、Emu3-8B、TokenFlow-XL-13B、BLIP3-o-8B 等开源模型的基准对比。BAGEL 在 MME-P、MMBench、MMMU、MMVet 等理解类基准上表现强劲，并以整体 0.88 分在单物体、双物体、计数、颜色、位置与颜色属性等生成任务中领先。团队也记录了能力的涌现规律：复杂的智能编辑只有在基础理解与生成能力成熟后才出现。