DeepSeek、Janus-Pro-7Bをオープンソース化：マルチモーダルAIモデル

中国のAI企業DeepSeekは、今日未明に次世代マルチモーダルモデルJanus-Pro-7Bのオープンソース化を発表しました。このモデルは、画像生成や視覚的質問応答などのタスクにおいて、OpenAIのDALL-E 3やStable Diffusion 3を上回り、「理解-生成デュアルパス」アーキテクチャとミニマリストなデプロイメントソリューションにより、AIコミュニティにセンセーションを巻き起こしています。公式発表を確認

性能：小型モデルが業界の巨人を凌駕

Janus

70億パラメータ（GPT-4の約1/25）しか持たないにもかかわらず、Janus-Pro-7Bは主要なテストで競合を上回りました：

テキストから画像への品質：GenEvalテストで80%の精度を達成し、DALL-E 3（67%）とStable Diffusion 3（74%）を上回りました
複雑な指示の理解：DPG-Benchテストで84.19%の精度を記録し、「青い湖を抱えた雪山」などの複雑なシーンを正確に生成しました
マルチモーダル質問応答：視覚的質問応答の精度がGPT-4Vを上回り、MMBenchテストスコアは79.2で、専門的な分析モデルに近い結果を示しました

技術的ブレークスルー：「Janus」のようなデュアルパス協調

従来のモデルは、理解と生成の両方に同じ視覚エンコーダを使用していましたが、これはシェフにメニューをデザインさせながら同時に料理をさせるようなものです。Janus-Pro-7Bは、視覚処理を2つの独立したパスに分割する革新的なアプローチを採用しています：

理解パス：SigLIP-L視覚エンコーダを使用して、画像から核心情報を迅速に抽出します（例：「これはソファの上のオレンジ色の猫です」）
生成パス：VQトークナイザーを介して画像をピクセル配列に分解し、レゴブロックを組み立てるように詳細を描画します（例：毛並みの質感、照明効果）この「分割統治」設計により、従来のモデルにおける役割の衝突を解決し、7200万枚の合成画像と実データを混合してトレーニングすることで生成の安定性を向上させました。

オープンソースと商用利用

商用利用無料：MITライセンスの下でリリースされ、無制限の商用利用が可能です
ミニマリストなデプロイメント：1.5B（16GB VRAM必要）と7B（24GB VRAM必要）のバージョンを提供し、標準的なGPUで実行可能です
ワンクリック生成：公式のGradioインターフェースを提供；generate_image(prompt="夕日の雪山", num_images=4)を入力して画像をバッチ生成できます

公式リソース：

GitHubリポジトリ：https://github.com/deepseek-ai/Janus
モデルダウンロード：HuggingFace Janus-Pro-7B

応用シナリオ：アートからプライバシー保護まで

クリエイティブ産業：デザイナーがテキストを入力してポスターのプロトタイプを生成；ゲーム開発者がシーンアセットを迅速に構築
教育ツール：教師が地理の授業で火山噴火の動的イラストを生成
企業のプライバシー：病院や銀行がローカルにデプロイし、患者記録や財務データをクラウドにアップロードする必要がありません
文化の普及：世界的なランドマーク（例：杭州の西湖）を認識し、文化的シンボルを持つ画像を生成

DeepSeek Janus公式リソース**

コードリポジトリ：GitHub Janus-Pro-7B
モデルダウンロード：HuggingFaceモデルページ