(1) Janus（两面神）（DeepSeek 1.3B多模态大模型）

2024.10.21 DeepSeek开源了一个仅1.3B大小的多模态大模型：Janus（两面神），统一了多模态理解和生成。通过将视觉编码解耦成独立的pathway，同时仅使用一个统一的transformer架构进行处理。Janus在多模态理解和生成基准测试中超越了以往的统一模型，作为一个多模态“小”模型具有显著的优势。
　　Janus 是一个统一的多模态理解和生成的大型语言模型（MLLM），它将多模态理解和生成的视觉编码解耦。Janus 基于 DeepSeek-LLM-1.3b-base 构建，该模型训练时使用了大约5000亿个文本token的语料库。在多模态理解方面，它使用 SigLIP-L 作为视觉编码器，支持384 x 384像素的图像输入。在图像生成方面，Janus 使用了LlamaGen的tokenizer，并且具有16倍的下采样率。

推荐文章： 仅1.3B！Janus 统一多模态理解和生成
开源地址：
Paper: https://arxiv.org/abs/2410.13848
Github: https://github.com/deepseek-ai/Janus
Model: https://huggingface.co/deepseek-ai/Janus-1.3B

(2) Stable Diffusion 3.5（StabilityAI文生图大模型）

2024.10.22 StabilityAI最新发布了Stable Diffusion 3.5，这次公开发布包括多个模型，包括Stable Diffusion 3.5 Large和Stable Diffusion 3.5 Large Turbo。此外，Stable Diffusion 3.5 Medium将于10月29日发布。这些模型因其大小而具有高度的可定制性，可以在消费级硬件上运行，并且根据宽容的Stable AI社区许可证，可以免费用于商业和非商业用途。目前已经可以Hugging Face下载模型，同时推理代码也已经开源
　　Stable Diffusion 3.5是Stable Diffusion 3的升级版，主要有三个版本：

• Stable Diffusion 3.5 Large：8B参数大小，具有卓越的出图质量和提示词遵循能力，是Stable Diffusion家族中最强大的模型。这个模型非常适合专业使用案例，尤其是在1百万像素分辨率下。
• Stable Diffusion 3.5 Large Turbo：作为Stable Diffusion 3.5 Large的蒸馏版本，它在仅4步内就能生成高质量图像，并且具有出色的提示词遵循能力，使其比Stable Diffusion 3.5 Large快得多。
• Stable Diffusion 3.5 Medium（将于10月29日发布）：2.5B参数大小，通过改进的MMDiT-X架构和训练方法，旨在在消费级硬件上“即开即用”，在质量和定制便捷性之间取得平衡。它能够生成分辨率在0.25到2百万像素之间的图像。

推荐文章： Flux危，SD 3.5王者归来！个人可以免费商用！
开源地址：
Hugging Face：https://huggingface.co/stabilityai
GitHub：https://github.com/Stability-AI/sd3.5

(3) Mochi 1（Genmo视频生成大模型）

2024.10.23 新的视频生成模型Mochi 1发布并开源，Mochi 1在动作质量上展现了显著的改进，同时也具有极强的提示词遵循能力，而且从评测上超过可灵和Gen-3。在Apache 2.0许可证下，目前放出的Mochi 1的预览版可以免费用于个人和商业用途。
　　Mochi 1的背后是创业公司Genmo，其团队成员包括DDPM、DreamFusion和Emu Video等项目的核心技术成员。而且Genmo已经完成了由NEA领投的2840万美元A轮融资。
　　动作质量和提示词遵循能力是视频生成模型两个最关键的能力。Mochi 1作为一个开源模型，它与领先的封闭商业模型相比也具有非常强的竞争力。具体来说，我们Mochi 1的预览版在以下方面表现出色：

• 提示词遵循能力：与文本提示词保持一致性，确保生成的视频准确地反映给定的指令。这使用户能够对角色、设定和动作进行详细控制。这里使用视觉语言模型作为评判，遵循OpenAI DALL-E 3的协议，通过自动化指标来评估提示词遵循。这里具体使用Gemini-1.5-Pro-002评估生成的视频。
• 动作质量：Mochi 1以每秒30帧的流畅度生成长达5.4秒的视频，具有高时间连贯性和逼真的动作动态。Mochi模拟了流体动力学、毛发和头发模拟等物理现象，并表达出一致、流畅的人类动作，开始跨越恐怖谷。评分者被指示专注于动作而非帧级美学（标准包括动作的有趣性、物理上的合理性和流畅性）。Elo分数是按照LMSYS Chatbot Arena协议计算的。

推荐文章： 超过可灵和Gen-3，10B视频生成模型Mochi 1开源！
开源地址：
模型权重：https://huggingface.co/genmo/mochi-1-preview
在线体验：https://genmo.ai/play
代码：https://github.com/genmo/models