字節跳動旗下的Seed團隊近期公布了一項重大技術進展，他們宣布開源了一個名為BAGEL的統一多模態理解與生成模型。這一模型能夠同時處理文本、圖像和視頻數據，實現跨模態的信息交互與生成。
據悉，BAGEL模型擁有70億個激活參數（總參數量達到140億），并在海量交錯多模態數據上進行了深度訓練。在多項標準測試中，BAGEL的表現超越了當前頂尖的開源多模態模型，如Qwen2.5-VL和InternVL-2.5，甚至在文本到圖像的生成質量上，也能與專業級生成器SD3相媲美。
除了在多模態理解方面取得突破，BAGEL在圖像編輯領域同樣展現出了非凡的能力。它不僅在經典編輯場景中優于其他開源模型，還進一步擴展到自由形式的視覺操作、多視圖合成以及世界導航等高級任務。這些能力標志著BAGEL在“世界建模”這一前沿領域邁出了重要一步。
BAGEL基于先進的大語言模型進行訓練，因此具備基礎的推理和對話能力。它能夠接收混合了圖像和文本的輸入，并以同樣混合的格式輸出結果。這種靈活性使得BAGEL在處理復雜多模態信息時更加得心應手。
在生成高質量、逼真的圖像和視頻方面，BAGEL同樣表現出色。它還引入了長思維鏈（COT）模式，使得模型在生成內容之前能夠進行更為深入的“思考”。這種能力不僅提升了生成內容的質量，還增加了生成過程的可控性和可預測性。
由于在大規模交錯多模態數據上的預訓練，BAGEL自然而然地學會了保留視覺特征和細微細節。它能夠從視頻中捕捉到復雜的視覺運動，這一能力使得它在圖像編輯方面更加高效且準確。BAGEL還能基于少量對齊數據實現圖片風格的切換和場景轉換。
更令人矚目的是，BAGEL還具備世界模型的基礎能力。它能夠進行世界導航、未來幀預測以及3D世界生成等挑戰性任務。通過不同角度的旋轉或視角切換，BAGEL能夠展現出強大的泛化能力。不僅在真實場景中表現出色，它還能在游戲、藝術作品以及卡通動畫等虛擬環境中實現導航。
基于以上強大的能力，BAGEL通過一個統一的多模態接口，實現了各項能力的復雜組合和多輪對話。用戶可以通過簡單的指令，讓BAGEL完成從圖片剪切到智能編輯，再到場景轉換和風格轉換等一系列操作，極大地提升了工作效率和創作自由度。
