BAGEL बाइटडांस सीड टीम द्वारा एक ओपन सोर्स मल्टी-मोडल यूनिफाइड बेसिक मॉडल (7बी सक्रिय पैरामीटर/14बी कुल पैरामीटर) है। यह मिक्सचर-ऑफ-ट्रांसफॉर्मर-एक्सपर्ट्स (एमओटी) आर्किटेक्चर पर आधारित है और एक ही मॉडल में दृश्य समझ, टेक्स्ट-टू-इमेज जेनरेशन, इमेज एडिटिंग, स्टाइल ट्रांसफर, वर्ल्ड नेविगेशन और मल्टी-राउंड संयुक्त संवाद क्षमताओं को एकीकृत करता है। यह दृश्य समझ बेंचमार्क में Qwen2.5-VL-7B से आगे निकल जाता है, FLUX.1-dev के मुकाबले विंसेंट छवियों की गुणवत्ता को बेंचमार्क करता है, और इसकी छवि संपादन क्षमताएं जेमिनी 2.0 के बराबर हैं। अपाचे 2.0 लाइसेंस, ग्रैडियो वेबयूआई और हगिंगफेस मॉडल वेट प्रदान करता है।

बैगेल

BAGEL के मुख्य पैरामीटर और आँकड़े

BAGEL (Bagel AI) बाइटडांस सीड टीम द्वारा एक ओपन सोर्स मल्टी-मोडल यूनिफाइड बेसिक मॉडल है। इसे आधिकारिक तौर पर "मल्टीमॉडल अंडरस्टैंडिंग एंड जेनरेशन के लिए एकीकृत मॉडल" के रूप में स्थान दिया गया है। इसमें मॉडल वेट के एक सेट के भीतर दृश्य समझ, टेक्स्ट-टू-इमेज जेनरेशन, इमेज एडिटिंग, स्टाइल ट्रांसफर, वर्ल्ड नेविगेशन और मल्टी-राउंड संयुक्त संवाद शामिल हैं। यह एक स्वतंत्र चैटबॉट नहीं है, न ही एक साधारण छवि जनरेटर है, बल्कि एक बुनियादी मॉडल है जो एक ही वास्तुकला के तहत समझ और पीढ़ी को एकीकृत करता है।

प्रोजेक्ट्स	सार्वजनिक सूचना
आधिकारिक स्थिति	मल्टीमॉडल समझ और पीढ़ी के लिए एकीकृत मॉडल
विकास दल	बाइटडांस सीड टीम (चाओरुई डेंग, डेयाओ झू, कुंचांग ली, आदि)
वास्तुकला	ट्रांसफार्मर-विशेषज्ञों का मिश्रण (एमओटी)
मॉडल का आकार	7बी सक्रिय पैरामीटर / 14बी कुल पैरामीटर (15बी कुल वजन)
मूल मॉडल	Qwen2.5-7B-निर्देश पर आधारित फाइन-ट्यून
दृश्य एनकोडर	VAE (पिक्सेल स्तर) + ViT (सिमेंटिक स्तर) डुअल एनकोडर
उत्पादक प्रतिमान	टोकन भविष्यवाणी का अगला समूह
ओपन सोर्स लाइसेंस	अपाचे 2.0
गिटहब स्टार्स	6,100+
गिटहब फोर्क्स	542
हगिंगफेस लाइक्स	1,210+
नवीनतम संस्करण	BAGEL-7B-MoT (2025-05-20)
समर्थित भाषाएँ	अंग्रेजी (मुख्य), समुदाय ने चीनी इंटरफ़ेस का योगदान दिया है
संदर्भ के साथ चलाएँ	12जीबी+ वीआरएएम (एनएफ4 परिमाणीकरण), 32जीबी+ अनुशंसित

दोहरे एनकोडर डिजाइन का वास्तविक अर्थ: वीएई एनकोडर पिक्सेल-स्तरीय विवरण (बनावट, किनारों, रंग ग्रेडिएंट्स) को कैप्चर करने के लिए जिम्मेदार है, और वीआईटी एनकोडर सिमेंटिक-स्तरीय सुविधाओं (ऑब्जेक्ट श्रेणियां, दृश्य संबंध, भावनात्मक वातावरण) को निकालने के लिए जिम्मेदार है। दोनों के बीच सहयोग BAGEL को मूल छवि की बढ़िया संरचना को बनाए रखने और छवि संपादन कार्यों में उपयोगकर्ता के इरादे में अर्थपूर्ण संशोधन लक्ष्य को समझने की अनुमति देता है - यह संपादन बेंचमार्क में अधिकांश प्रतिस्पर्धी उत्पादों को पार करने का तकनीकी आधार है।

BAGEL के उपयोगकर्ता और बाज़ार की पहचान

BAGEL मल्टी-मोडल क्षेत्रों को एकीकृत करने के लिए बाइटडांस सीड टीम द्वारा एक खुला स्रोत प्रयास है। हालाँकि इसे थोड़े समय (मई 2025) के लिए जारी किया गया है, इसने प्रौद्योगिकी समुदाय में महत्वपूर्ण ध्यान आकर्षित किया है और GitHub, HuggingFace और Discord से मिलकर एक प्रारंभिक पारिस्थितिकी तंत्र का गठन किया है।

गिटहब और हगिंगफेस समुदाय प्रतिक्रिया: रिलीज के दो महीनों के भीतर, गिटहब को 6,100+ स्टार और 542 फोर्क्स प्राप्त हुए, और हगिंगफेस मॉडल पेज को 1,210+ लाइक मिले। मॉडल प्रति माह औसतन लगभग 759 बार डाउनलोड होता है। वेयरहाउस ने 142 मुद्दे और 9 पुल अनुरोध उत्पन्न किए हैं, और बाइटडांस ओपन सोर्स परियोजनाओं के बीच सामुदायिक गतिविधि उच्च स्तर पर है।

सामुदायिक व्युत्पन्न पारिस्थितिकी तंत्र: रिलीज के बाद, समुदाय ने तेजी से कई व्युत्पन्न परियोजनाओं और उपकरणों का योगदान दिया - कॉम्फीयूआई नोड एकीकरण (@neverbiasu), DF11 संपीड़ित संस्करण (@LeanModels), INT8 परिमाणित संस्करण (@Gapeleon), विंडोज इंस्टॉलेशन गाइड (@prartio), डॉकर छवि (@davideuler, @jnc-nj) और कई तृतीय-पक्ष हगिंगफेस स्पेस प्रदर्शन उदाहरण। "आधिकारिक रिलीज़ मॉडल + सामुदायिक पूर्णता उपकरण श्रृंखला" का यह मॉडल दर्शाता है कि BAGEL की बुनियादी क्षमताओं को इंजीनियरिंग समुदाय द्वारा मान्यता दी गई है।

उद्योग बेंचमार्क प्रदर्शन: दृश्य समझ आयाम में, BAGEL ने MMBench (85.0), MMStar (67.2), और MathVista (73.1) जैसे बेंचमार्क पर Qwen2.5-VL-7B (83.5/67.1/68.2) और Janus-Pro-7B (79.2/41.0/50.0) को पीछे छोड़ दिया है। विंसेंट ग्राफ़ आयाम में, GenEval का व्यापक स्कोर 0.88 (रीराइटर/सीओटी सहित) है, जो FLUX.1-dev (0.82), SD3-मीडियम (0.74) और जानूस-प्रो-7बी (0.80) से अधिक है। छवि संपादन आयाम में, ImgEdit-Bench (7.36/6.83/6.52) पर BAGEL का प्रदर्शन जेमिनी 2.0 (6.73/6.61/6.32) और GPT-4o (7.85/7.62/7.53) के बीच है। यह ओपन सोर्स मॉडलों के बीच सबसे मजबूत संपादन क्षमताओं वाले समाधानों में से एक है।

बैगेल का लागत लाभ

BAGEL की लागत संरचना को तीन स्तरों में विभाजित किया गया है: मॉडल अधिग्रहण लागत, अनुमान चलाने की लागत और फाइन-ट्यूनिंग/अनुकूलन लागत। प्रत्येक स्तर की लागत विशेषताएँ काफी भिन्न होती हैं।

सी-साइड/व्यक्तिगत उपयोगकर्ता: नि:शुल्क मॉडल, अपनी खुद की कंप्यूटिंग शक्ति लाएं: BAGEL के मॉडल वेट अपाचे 2.0 लाइसेंस के तहत हगिंगफेस पर मुफ्त डाउनलोड के लिए उपलब्ध हैं, बिना किसी लाइसेंस शुल्क के। हालाँकि, व्यक्तिगत उपयोगकर्ताओं को अनुमान चलाने के लिए अपना स्वयं का GPU हार्डवेयर लाना होगा। न्यूनतम कॉन्फ़िगरेशन के लिए 12GB VRAM (NF4 4-बिट परिमाणीकरण का उपयोग करके), 32GB+ VRAM की अनुशंसा की जाती है। एक उदाहरण के रूप में क्लाउड जीपीयू किराये को लेते हुए, 7B मॉडल के अनुमान को चलाने के लिए लगभग 1×A100-80G या 1×RTX 4090 की आवश्यकता होती है, और ऑन-डिमांड किराये की लागत लगभग 5-15 युआन/घंटा है। व्यक्तिगत उपयोगकर्ताओं के लिए जो कभी-कभी इसका उपयोग करते हैं, इसका मतलब है कि प्रत्येक प्रयोग की लागत कुछ युआन से लेकर दर्जनों युआन तक होती है।

डेवलपर/एपीआई एकीकरण: कोई आधिकारिक एपीआई नहीं, आपको अपनी स्वयं की अनुमान सेवा बनाने की आवश्यकता है: BAGEL वर्तमान में होस्टेड वाणिज्यिक एपीआई सेवाएं प्रदान नहीं करता है, और डेवलपर्स को अपने स्वयं के अनुमान समापन बिंदुओं को तैनात करने की आवश्यकता है। परिनियोजन विकल्पों में मूल ग्रैडियो वेबयूआई शामिल है, जिसे हगिंगफेस इंफ़रेंस एंडपॉइंट्स के माध्यम से होस्ट किया गया है, या आपके स्वयं के एप्लिकेशन बैकएंड में एकीकृत किया गया है। परिनियोजन लागत मुख्य रूप से अनुमान हार्डवेयर द्वारा निर्धारित की जाती है - एक एकल कार्ड A100-80G 7B मॉडल के वास्तविक समय अनुमान का समर्थन कर सकता है, और क्लाउड सेवाओं का मासिक पट्टा 5,000-8,000 युआन है। समुदाय द्वारा योगदान किए गए परिमाणित संस्करण (DF11, INT8) अधिक किफायती हार्डवेयर पर चल सकते हैं, लेकिन आउटपुट गुणवत्ता से समझौता किया जाएगा।

उद्यम/निजी परिनियोजन: ओपन सोर्स के लिए कोई लाइसेंस शुल्क नहीं, लेकिन मैन्युअल संचालन और रखरखाव आवश्यक है: उद्यम बिना किसी लाइसेंस शुल्क का भुगतान किए Apache 2.0 लाइसेंस के तहत BAGEL को स्वतंत्र रूप से डाउनलोड, संशोधित और तैनात कर सकते हैं। हालाँकि, निजीकृत तैनाती की वास्तविक लागत तीन पहलुओं में परिलक्षित होती है: GPU कंप्यूटिंग क्लस्टर की खरीद या पट्टे की लागत (इसे 4×A100-80G के साथ शुरू करने की सिफारिश की जाती है, मासिक शुल्क लगभग 20,000-30,000 युआन के साथ); मॉडल फाइन-ट्यूनिंग और अनुकूलन की श्रम लागत (मल्टी-मोडल मॉडल प्रशिक्षण अनुभव वाले इंजीनियरों की आवश्यकता है); और निरंतर संस्करण अपडेट और सामुदायिक ट्रैकिंग की लागत। वाणिज्यिक बंद-स्रोत समाधानों (जैसे GPT-4o API, जिसकी लागत लगभग US$30/मिलियन टोकन इनपुट और US$180/मिलियन टोकन आउटपुट) की तुलना में, BAGEL के ओपन सोर्स मॉडल में उच्च-आवृत्ति कॉलिंग परिदृश्यों में महत्वपूर्ण लागत लाभ हैं, लेकिन इसके लिए उद्यमों के पास संबंधित तकनीकी संचालन और रखरखाव क्षमताओं की आवश्यकता होती है।

लागत आयाम	बैगेल (ओपन सोर्स मॉडल)	वाणिज्यिक बंद स्रोत समाधान (जैसे GPT-4o API)
मॉडल लाइसेंस शुल्क	शून्य लागत (अपाचे 2.0)	टोकन द्वारा बिल किया गया
अनुमान हार्डवेयर	अपना स्वयं का GPU लाएँ (मासिक किराया 5K-8K युआन से शुरू)	शून्य हार्डवेयर लागत
इकाई अनुमान लागत	हार्डवेयर परिशोधन पर निर्भर करता है, उच्च-आवृत्ति परिदृश्यों में बेहद कम	इनपुट ~30 यूएसडी/मिलियन टोकन, आउटपुट ~180 यूएसडी/मिलियन टोकन
फ़ाइन-ट्यूनिंग/अनुकूलन	अपने आप से ठीक किया जा सकता है, लागत कंप्यूटिंग शक्ति + जनशक्ति है	ठीक-ठाक नहीं
संचालन एवं रखरखाव जनशक्ति	आवश्यकताएँ (मॉडल परिनियोजन, निगरानी, ​​​​अद्यतन)	शून्य संचालन एवं रखरखाव
डेटा गोपनीयता	पूर्ण आत्मसंयम	क्लाउड सेवा प्रदाता डेटा नीति पर निर्भरता

बैगेल के मुख्य कार्य

BAGEL की क्षमता रेखा समझ से लेकर पीढ़ी तक संपूर्ण दृश्य-भाषाई रेंज को कवर करती है। निम्नलिखित छह मुख्य क्षमताएं इसके और शुद्ध पाठ मॉडल या शुद्ध जेनरेटर मॉडल के बीच महत्वपूर्ण अंतर हैं।

• विज़ुअल अंडरस्टैंडिंग: छवि और टेक्स्ट इनपुट प्राप्त करें और मल्टी-मोडल वार्तालाप आयोजित करें। BAGEL न केवल छवियों में वस्तुओं और दृश्यों को पहचानता है, बल्कि छवि के भीतर पाठ, ग्राफिक्स, कलात्मक शैली और सांस्कृतिक संदर्भ को भी समझता है। यह MMBench (85.0) और MMMU (55.3) जैसे व्यापक समझ वाले बेंचमार्क पर समान पैरामीटर परिमाण के Qwen2.5-VL-7B से आगे निकल जाता है। उपयोग मूल्य: छवि सामग्री समीक्षा, दृश्य प्रश्न और उत्तर, शैक्षिक सामग्री व्याख्या और अन्य परिदृश्यों के लिए उपयुक्त, जिनके लिए छवि शब्दार्थ की गहन समझ की आवश्यकता होती है।

• पाठ-से-छवि निर्माण: पाठ विवरण से उच्च-निष्ठा, फोटोयथार्थवादी छवियां उत्पन्न करें। BAGEL ऑटोरेग्रेसिव पीढ़ी के लिए छवियों को अलग टोकन अनुक्रमों के रूप में प्रस्तुत करने के लिए टोकन भविष्यवाणी प्रतिमान के अगले समूह को अपनाता है। समग्र जेनइवल स्कोर 0.88 (रिराइटर/सीओटी के साथ) है, जो रंग, स्थानिक संबंध और वस्तु गणना जैसे बारीक आयामों में FLUX.1-dev और SD3-Medium से बेहतर है। उपयोग मूल्य: रचनात्मक डिजाइन के शुरुआती चरणों में अवधारणा चित्र तैयार करने, विज्ञापन सामग्री के तेजी से पुनरावृत्ति और उत्पाद प्रोटोटाइप की कल्पना करने के लिए उपयुक्त।

• इंटेलिजेंट इमेज एडिटिंग: BAGEL की सबसे प्रमुख विभेदित क्षमता। वीडियो कैस्केड डेटा पर पूर्व-प्रशिक्षण द्वारा प्राप्त दृश्य पहचान संरक्षण क्षमता के आधार पर, BAGEL प्राकृतिक भाषा निर्देशों के माध्यम से स्थानीय संशोधन, ऑब्जेक्ट प्रतिस्थापन और छवियों के पृष्ठभूमि परिवर्तन जैसे संचालन कर सकता है, और संपादित छवि प्रकाश, बनावट और परिप्रेक्ष्य के मामले में मूल छवि के साथ अत्यधिक सुसंगत रहती है। 7.36/6.83/6.52 के सीएलआईपी स्कोर के साथ ImgEdit-Bench पर अग्रणी ओपन सोर्स मॉडल। उपयोग मूल्य: ई-कॉमर्स उत्पाद छवि पृष्ठभूमि प्रतिस्थापन, पोर्ट्रेट संशोधन, रचनात्मक विज्ञापन पोस्ट-समायोजन, फ़ोटोशॉप जैसे पेशेवर टूल सीखने की कोई ज़रूरत नहीं है।

• शैली स्थानांतरण: इनपुट छवि को एक दृश्य शैली से दूसरी दृश्य शैली में परिवर्तित करें (जैसे कि वास्तविक फ़ोटो को 3डी एनीमेशन में, तेल चित्रकला को जल रंग में), या शैली को "दुनिया" में स्थानांतरित करें (जैसे कि वास्तविक दृश्यों को विज्ञान कथा दुनिया में)। उपयोग मूल्य: सामग्री निर्माताओं के लिए शैलीबद्ध बैच प्रसंस्करण, प्री-फिल्म और टेलीविजन अवधारणा डिजाइन, और सोशल मीडिया विशेष प्रभाव।

• विश्व नेविगेशन: BAGEL वीडियो डेटा से स्थानिक नेविगेशन क्षमताओं को डिस्टिल करता है, और वर्तमान परिप्रेक्ष्य छवि को देखते हुए अग्रेषण और घूर्णन जैसे संचालन करने के बाद अगले फ्रेम की भविष्यवाणी कर सकता है। विज्ञान-फाई दृश्यों, कलात्मक चित्रों और विभिन्न घूर्णन कोणों पर मुफ्त नेविगेशन के लिए उपयुक्त। उपयोग मूल्य: गेम दृश्यों की स्वचालित पीढ़ी, रोबोट विज़ुअल नेविगेशन सिमुलेशन वीआर/एआर सामग्री का प्रारंभिक पूर्वावलोकन।

• रचना और सोच: संवाद के कई दौरों में छवियों के निरंतर निर्माण और संशोधन का समर्थन करता है ("एक योगिनी लड़की उत्पन्न करें → उसे जेलीकैट गुड़िया में बदलें → इस गुड़िया के लिए एक विपणन नारा लिखें")। थिंकिंग मोड चालू करने के बाद, BAGEL पहले एक विस्तृत तर्क प्रक्रिया (<थिंक> टैग के भीतर) उत्पन्न करेगा, और फिर तर्क परिणामों के आधार पर अधिक सटीक दृश्य आउटपुट उत्पन्न करेगा। मूल्य का उपयोग करें: रचनात्मक वर्कफ़्लो जिसमें कई पुनरावृत्तियों की आवश्यकता होती है, उच्च-सटीक पीढ़ी के कार्यों के लिए तर्क और योजना की आवश्यकता होती है।

BAGEL का मॉडल और संस्करण विकास

BAGEL एक आंतरिक अनुसंधान परियोजना से लेकर ओपन सोर्स तक लगभग 2-3 महीने के विकास और सत्यापन चक्र से गुजरा। हालाँकि, सामुदायिक पारिस्थितिकी तंत्र के तेजी से विकास ने इसे कम समय में एक समृद्ध व्युत्पन्न संस्करण प्रणाली बनाने की अनुमति दी है।

मेनलाइन रिलीज़

• बैगेल बीटा (~2025-03): बाइटडांस सीड टीम के आंतरिक अनुसंधान चरण का एक प्रोटोटाइप संस्करण, जो प्रसार मॉडल को एकीकृत करने के अन्वेषण चरण में है। अप्रकाशित, अभी तक कोई आधिकारिक सटीक तारीख नहीं।
• BAGEL-7B-MoT v1.0 (2025-05-20): पहला सार्वजनिक रूप से जारी किया गया संस्करण, जबकि ओपन सोर्स मॉडल वेट (हगिंगफेस), प्रशिक्षण कोड (GitHub), तकनीकी रिपोर्ट (arXiv:2505.14683) और ऑनलाइन डेमो। Qwen2.5-7B-इंस्ट्रक्ट फाइन-ट्यूनिंग पर आधारित, MoT आर्किटेक्चर और डुअल एनकोडर डिज़ाइन, टेक्स्ट-इमेज एकीकृत समझ और पीढ़ी का उपयोग करते हुए।
• BAGEL-7B-MoT निरंतर अपडेट (2025-05 से वर्तमान तक): अधिकारी रिलीज के बाद सक्रिय कोड रखरखाव बनाए रखते हैं, जिसमें मूल्यांकन कोड अपडेट (KRIS-बेंच, RISEBench, ImgEdit-बेंच मूल्यांकन स्क्रिप्ट), प्रशिक्षण गाइड (TRAIN.md) सुधार, अनुमान अनुकूलन (MFU ट्रैकिंग समर्थन, हार्डवेयर पीक FLOPS डिटेक्शन) आदि शामिल हैं। नवीनतम प्रतिबद्धता (a2fa77d) मई 2025 में है।

समुदाय व्युत्पन्न संस्करण

BAGEL का Apache 2.0 लाइसेंस समुदाय को मॉडल को स्वतंत्र रूप से वितरित करने और संशोधित करने की अनुमति देता है, जिसमें रिलीज़ के कुछ ही समय के भीतर कई व्युत्पन्न संस्करण प्रदर्शित होते हैं:

संस्करण प्रकार	योगदानकर्ता	विवरण
DF11 संपीड़ित संस्करण	@LeanModels	भंडारण और लोडिंग ओवरहेड को कम करने के लिए DF11 प्रारूप संपीड़न का उपयोग करें
INT8 परिमाणित संस्करण	@गैपेलियन	8-बिट परिमाणित संस्करण, कम मेमोरी हार्डवेयर पर चल सकता है
कॉम्फीयूआई नोड	@नेवरबियासु	ComfyUI-BAGEL नोड, जिसे ComfyUI वर्कफ़्लो में BAGEL कहा जा सकता है
विंडोज़ इंस्टालेशन गाइड	@प्रार्थियो	Windows 11 के अंतर्गत BAGEL की पूर्ण स्थापना और संचालन योजना
डॉकर छवि	@jnc-nj, @davideuler	संदर्भ कॉन्फ़िगरेशन की कठिनाई को कम करने के लिए पूर्व-संकलित फ़्लैश_एटीएन के साथ डॉकर छवि

इन व्युत्पन्न संस्करणों को आधिकारिक तौर पर बाइटडांस सीड टीम द्वारा समर्थित नहीं किया गया है, और गुणवत्ता और अनुकूलता का मूल्यांकन उपयोगकर्ताओं द्वारा स्वयं किया जाना चाहिए।

मुख्य मॉडल वास्तुकला विवरण

BAGEL-7B-MoT के समग्र ढांचे में तीन मुख्य घटक शामिल हैं: भाषा बैकबोन (Qwen2.5-7B-Instruct की ट्रांसफार्मर परत MoT में बदल जाती है), दोहरी विज़ुअल एनकोडर (VAE पिक्सेल-स्तरीय सुविधाएँ प्रदान करता है, और ViT सिमेंटिक-स्तरीय सुविधाएँ प्रदान करता है), और प्रक्षेपण परत जो दृश्य और भाषा सुविधाओं को जोड़ती है। प्रशिक्षण को तीन चरणों में विभाजित किया गया है: पूर्व-प्रशिक्षण (बड़े पैमाने पर इंटरलीव्ड मल्टी-मोडल डेटा), निरंतर प्रशिक्षण (उच्च-गुणवत्ता संरेखित डेटा) और पर्यवेक्षित फाइन-ट्यूनिंग (निर्देश डेटा)। इमेजनेट जैसे मानक बेंचमार्क पर, BAGEL लगातार प्रदर्शन दिखाता है जो प्रशिक्षण टोकन की मात्रा बढ़ने के साथ बेहतर होता जा रहा है।

BAGEL के तकनीकी लाभ

BAGEL की तकनीकी मार्ग की पसंद बताती है कि यह एक ही मॉडल के भीतर समझ और निर्माण दोनों क्यों कर सकता है - दो स्वतंत्र मॉड्यूल को "स्प्लिसिंग" करके नहीं, बल्कि वास्तुशिल्प डिजाइन और प्रशिक्षण रणनीतियों के एकीकरण के माध्यम से।

ट्रांसफॉर्मर-एक्सपर्ट्स (एमओटी) आर्किटेक्चर का मिश्रण: एमओटी BAGEL का मुख्य डिजाइन निर्णय है। पारंपरिक MoE (विशेषज्ञों का मिश्रण) FFN परत में कई विशेषज्ञ नेटवर्क का उपयोग करता है, जबकि MoT एक विशेषज्ञ इकाई के रूप में ट्रांसफार्मर की पूरी परत (ध्यान और फ़ीड-फ़ॉरवर्ड नेटवर्क सहित) का उपयोग करता है। यह विभिन्न विशेषज्ञों को विभेदित सूचना प्रसंस्करण मोड सीखने की अनुमति देता है - कुछ विशेषज्ञ दृश्य टोकन के बीच स्थानिक संबंध को संसाधित करने में अच्छे हैं, और कुछ विशेषज्ञ भाषा टोकन के अर्थ संबंधी तर्क में अच्छे हैं। अनुमान के दौरान, प्रत्येक टोकन को केवल शीर्ष -2 विशेषज्ञों के पास भेजा जाता है, और सक्रियण पैरामीटर लगभग 7B (कुल पैरामीटर 14B) होते हैं, जो तर्क दक्षता बनाए रखते हुए उच्च क्षमता बनाए रखते हैं।

दोहरी एनकोडर फ़्यूज़न रणनीति: BAGEL क्रमशः पिक्सेल-स्तर और सिमेंटिक-स्तरीय सुविधाओं को निकालने के लिए दो विज़ुअल एनकोडर, VAE (वैरिएशनल ऑटोएनकोडर) और ViT (विज़ुअल ट्रांसफार्मर) का उपयोग करता है। वीएई एनकोडर किसी छवि के संरचनात्मक विवरणों को संरक्षित करने में अच्छे होते हैं - छवि संपादन कार्यों में, इसका मतलब है कि संशोधित क्षेत्रों के किनारे, बनावट और प्रकाश मूल छवि के साथ सहजता से मिश्रित होते हैं। वीआईटी एनकोडर छवि के समग्र शब्दार्थ को समझने में अच्छा है - यह मॉडल को यह बताता है कि संपादन ऑब्जेक्ट "क्या" है और "इसमें कौन से गुण होने चाहिए"। दोनों की विशेषताएं प्रक्षेपण परत पर संलयन के बाद एमओटी बैकबोन में इनपुट हैं, जिससे "पिक्सेल सटीकता + सिमेंटिक समझ" का दोहरा दृश्य संकेत बनता है। आधिकारिक एब्लेशन प्रयोगों से पता चलता है कि एनकोडर को हटाने से संपादन गुणवत्ता में महत्वपूर्ण गिरावट आती है।

टोकन भविष्यवाणी पीढ़ी प्रतिमान का अगला समूह: टोकन द्वारा टोकन की भविष्यवाणी करने वाले अधिकांश ऑटोरेग्रेसिव मॉडल के विपरीत, BAGEL समूह भविष्यवाणी (समूह भविष्यवाणी) का उपयोग करता है - हर बार कई लगातार टोकन (एक समूह) की भविष्यवाणी करता है। यह अनुमान चरणों की संख्या में वृद्धि किए बिना पीढ़ी थ्रूपुट में सुधार करता है, जबकि टोकन के प्रत्येक समूह का आंतरिक सहसंबंध उत्पन्न छवियों को बेहतर स्थानीय स्थिरता देता है। फ्लो मैचिंग प्रशिक्षण लक्ष्य के प्रसार हानि के साथ, BAGEL टेक्स्ट-टू-इमेज पीढ़ी की गुणवत्ता में समर्पित प्रसार मॉडल के साथ प्रतिस्पर्धी स्तर पर पहुंच जाता है।

वीडियो कैस्केड डेटा द्वारा लाई गई उभरती क्षमताएं: BAGEL को बड़े पैमाने पर इंटरलीव्ड वीडियो डेटा पर पूर्व-प्रशिक्षित किया गया है। वीडियो फ़्रेमों के बीच अस्थायी स्थिरता मॉडल को "दृश्य पहचान संरक्षण" सीखने के लिए मजबूर करती है - अर्थात, विभिन्न देखने के कोणों, प्रकाश व्यवस्था और मुद्राओं के तहत एक ही उपस्थिति बनाए रखने की एक ही वस्तु की क्षमता। यह क्षमता सीधे छवि संपादन परिदृश्यों में स्थानांतरित हो जाती है, जिससे BAGEL को लगातार पहचान बनाए रखते हुए छवि सामग्री (उदाहरण के लिए, वस्तुओं को बदलना, क्रियाओं को बदलना) को महत्वपूर्ण रूप से संशोधित करने की अनुमति मिलती है। आधिकारिक प्रयोगों से पता चलता है कि जैसे-जैसे प्रशिक्षण टोकन की मात्रा बढ़ती है, समझ, पीढ़ी, बुनियादी संपादन और बुद्धिमान संपादन क्षमताएं सामने आती हैं। उनमें से, "बुद्धिमान संपादन" (जिसमें उपयोगकर्ता के इरादे को समझने के बाद रचनात्मक संशोधन की आवश्यकता होती है) प्रदर्शित होने की नवीनतम क्षमता है, और यह BAGEL और शुद्ध जेनरेटर मॉडल के बीच मुख्य अंतर भी है।

प्रदर्शन और थ्रूपुट संदर्भ: BAGEL आधिकारिक तौर पर सटीक अनुमान विलंबता डेटा (TTFT/TPM) का खुलासा नहीं करता है। वास्तविक प्रदर्शन हार्डवेयर कॉन्फ़िगरेशन और परिमाणीकरण योजना पर निर्भर करता है। संदर्भ के रूप में BAGEL-7B-MoT (BF16) पर चलने वाले एकल कार्ड A100-80G को लेते हुए, टेक्स्ट-टू-इमेज जेनरेशन का एकल अनुमान समय लगभग 5-15 सेकंड की सीमा में है (छवि रिज़ॉल्यूशन और डीनोइज़िंग चरणों के आधार पर)। NF4 परिमाणीकरण के साथ RTX 4090 (24GB VRAM) पर चलने से अनुमान विलंबता 30-50% बढ़ जाती है। बैच प्रोसेसिंग परिदृश्यों में, बैच आकार को बढ़ाकर थ्रूपुट को रैखिक रूप से बेहतर बनाया जा सकता है, लेकिन वीडियो मेमोरी की ऊपरी सीमा पर ध्यान दिया जाना चाहिए।

सीमाओं के लिए उपयुक्त नहीं: BAGEL उन परिदृश्यों के लिए उपयुक्त नहीं है जिनके लिए अल्ट्रा-लॉन्ग टेक्स्ट समझ की आवश्यकता होती है (जैसे कि मिलियन टोकन दस्तावेज़ विश्लेषण); वीडियो निर्माण का समर्थन नहीं करता (केवल एकल फ़्रेम पूर्वानुमान का समर्थन करता है); चीनी समझ क्षमता को विशेष रूप से अनुकूलित नहीं किया गया है और यह मुख्य रूप से बेस मॉडल Qwen2.5-7B की चीनी क्षमता से विरासत में मिली है; वाणिज्यिक एपीआई या एसएलए गारंटी प्रदान नहीं करता; उच्च-रिज़ॉल्यूशन छवि निर्माण (>1024×1024) के लिए सीमित समर्थन है।

बैगेल का उपयोग कैसे करें

BAGEL के उपयोग पथ को स्थानीय परिनियोजन और ऑनलाइन अनुभव में विभाजित किया गया है। वर्तमान में, यह होस्टेड वाणिज्यिक एपीआई सेवाएँ प्रदान नहीं करता है।

कैसे उपयोग करें	लोगों के लिए उपयुक्त	विशेषताएँ	लागत
आधिकारिक ऑनलाइन डेमो	त्वरित उपयोगकर्ता अनुभव	Demo.bagel-ai.org पर जाएं, किसी स्थानीय GPU की आवश्यकता नहीं है	मुफ़्त
हगिंगफेस स्पेस	त्वरित परीक्षण उपयोगकर्ता	hf.co/spaces/ByteDance-Seed/BAGEL पर जाएँ	निःशुल्क (एचएफ कोटा सीमा के अधीन)
स्थानीय ग्रैडियो वेबयूआई	डेवलपर/गहन उपयोगकर्ता	स्थानीय जीपीयू चल रहा है, पूर्ण सुविधा का उपयोग	अपना स्वयं का GPU हार्डवेयर लाएँ
स्थानीय कमांड लाइन अनुमान	डेवलपर्स/शोधकर्ता	inference.ipynb या inferencer.py	के माध्यम से कॉल किया गया अपना स्वयं का GPU हार्डवेयर लाएँ
स्व-निर्मित अनुमान सेवा	उद्यम/एकीकरण आवश्यकताएँ	एपीआई समापन बिंदु के रूप में संपुटित, अपने सिस्टम में एकीकृत	अपना स्वयं का GPU हार्डवेयर + संचालन और रखरखाव तैयार करें

स्थानीय रैपिड परिनियोजन (ग्रैडियो वेबयूआई):

# 1. रिपॉजिटरी को क्लोन करें और निर्भरताएं स्थापित करें
गिट क्लोन https://github.com/bytedance-seed/BAGEL.git
सीडी बैगेल
कोंडा क्रिएट -एन बैगेल पायथन=3.10 -y
कोंडा सक्रिय बैगेल
पिप इंस्टॉल -आर आवश्यकताएँ.txt
पिप इंस्टाल फ़्लैश_attn==2.5.8 --नो-बिल्ड-आइसोलेशन

# 2. मॉडल वेट डाउनलोड करें (पायथन स्क्रिप्ट)
पायथन -सी "
हगिंगफेस_हब से स्नैपशॉट_डाउनलोड आयात करें
save_dir = 'मॉडल/BAGEL-7B-MoT'
स्नैपशॉट_डाउनलोड(
    लोकल_डीआईआर=सेव_डीआईआर,
    रेपो_आईडी='बाइटडांस-सीड/बैगेल-7बी-एमओटी',
    local_dir_use_symlinks=गलत,
    बायोडाटा_डाउनलोड=सही,
    अनुमति_पैटर्न=['*.json', '*.safetensors', '*.bin', '*.py', '*.md', '*.txt']
)
"

# 3. ग्रैडियो वेबयूआई प्रारंभ करें
पायथन ऐप.py # 32जीबी+ वीआरएएम या एकाधिक जीपीयू
पायथन ऐप.py --मोड 2 --zh # 22~32जीबी वीआरएएम, आईएनटी8 परिमाणीकरण अनुशंसित, चीनी इंटरफ़ेस
पायथन ऐप.py --मोड 3 # 12~22जीबी वीआरएएम, एनएफ4 परिमाणीकरण की अनुशंसा की जाती है

अनुमान पैरामीटर विवरण: BAGEL पीढ़ी के व्यवहार को नियंत्रित करने के लिए कई समायोज्य अनुमान हाइपरपैरामीटर प्रदान करता है। cfg_text_scale (अनुशंसित 4.0-8.0) नियंत्रित करता है कि मॉडल पाठ संकेतों का कितनी दृढ़ता से पालन करता है; cfg_image_scale (अनुशंसित 1.0-2.0) नियंत्रित करता है कि इनपुट छवि का कितना विवरण संरक्षित किया गया है; cfg_interval (अनुशंसित [0.4, 1.0]) CFG द्वारा लागू डीनोइज़िंग चरणों के अनुपात को नियंत्रित करता है; टाइमस्टेप_शिफ्ट चरणों की संख्या के वितरण बदलाव को नियंत्रित करता है (मान जितना अधिक होगा, लेआउट को प्रभावित करने वाले पिछले चरणों की संख्या उतनी ही अधिक होगी; मूल्य जितना कम होगा, बाद के चरणों की संख्या उतनी ही अधिक होगी, जो विवरण में सुधार करता है); num_timesteps (अनुशंसित 50) डीनोइज़िंग चरणों की कुल संख्या को नियंत्रित करता है।

एपीआई त्वरित संदर्भ: BAGEL एक मानक REST API प्रदान नहीं करता है, लेकिन inferencer.py के आधार पर कस्टम अनुमान सेवाओं को इनकैप्सुलेट कर सकता है। निम्नलिखित एक बुनियादी पायथन कॉलिंग पैटर्न है:

इंफ़रेंसर से बैगेलइंफ़रेंसर आयात करें

मॉडल = बैगेलइंफेरेंसर(
    model_path='मॉडल/BAGEL-7B-MoT',
    dtype='bf16',
    quantize=कोई नहीं # "nf4" या "int8" पर सेट किया जा सकता है
)

#दृश्य समझ
प्रतिक्रिया = मॉडल.चैट(
    छवि = "पथ/से/छवि.jpg",
    टेक्स्ट = "इस छवि का विस्तार से वर्णन करें।"
)

# छवि निर्माण के लिए पाठ
छवि = मॉडल.उत्पन्न(
    प्रॉम्प्ट = "मंगल ग्रह पर खड़ी स्पेससूट पहने बिल्ली की एक फोटोरिअलिस्टिक तस्वीर",
    cfg_text_scale=6.0,
    num_timesteps=50
)

ComfyUI एकीकरण: एक समुदाय-योगदान ComfyUI नोड (ComfyUI-BAGEL) ComfyUI वर्कफ़्लो के भीतर BAGEL की पीढ़ी और संपादन क्षमताओं को कॉल करने की अनुमति देता है। कृपया इंस्टॉलेशन विधि के लिए github.com/neverbiasu/ComfyUI-BAGEL पर निर्देश देखें।

बैगेल उत्पाद का मूल्य निर्धारण

BAGEL के पास वर्तमान में कोई वाणिज्यिक मूल्य निर्धारण प्रणाली नहीं है, और इसकी उपयोग लागत पूरी तरह से उपयोगकर्ता के हार्डवेयर चयन और परिनियोजन विधि द्वारा निर्धारित की जाती है।

मॉडल अधिग्रहण लागत: शून्य लागत। BAGEL मॉडल वेट सार्वजनिक रूप से Apache 2.0 लाइसेंस के तहत HuggingFace पर जारी किए जाते हैं, और व्यवसाय, व्यक्ति और डेवलपर्स बिना किसी लाइसेंस शुल्क का भुगतान किए उन्हें स्वतंत्र रूप से डाउनलोड और उपयोग कर सकते हैं। अपाचे 2.0 लाइसेंस के तहत प्रशिक्षण कोड और मूल्यांकन स्क्रिप्ट GitHub पर भी खुला स्रोत हैं।

अनुमान चलने की लागत: हार्डवेयर कॉन्फ़िगरेशन पर निर्भर करता है। सबसे कम कॉन्फ़िगरेशन (NF4 परिमाणीकरण, 12GB VRAM) को उपभोक्ता-ग्रेड GPU (जैसे RTX 3090/4090) के साथ चलाया जा सकता है, और एक कार्ड की मासिक किराये की लागत लगभग 2,000-4,000 युआन है। अनुशंसित कॉन्फ़िगरेशन (बीएफ16, 32जीबी+ वीआरएएम) के लिए ए100-80जी या समकक्ष कंप्यूटिंग शक्ति की आवश्यकता होती है, और क्लाउड जीपीयू मासिक पट्टे की लागत 5,000-8,000 युआन है। मल्टी-इंस्टेंस परिनियोजन या उच्च समवर्ती परिदृश्यों के लिए वास्तविक लोड के आधार पर हार्डवेयर के रैखिक विस्तार की आवश्यकता होती है।

फाइन-ट्यूनिंग और अनुकूलन लागत: BAGEL LoRA-आधारित या पूर्ण-पैरामीटर फाइन-ट्यूनिंग का समर्थन करता है, लेकिन फाइन-ट्यूनिंग के लिए उच्च हार्डवेयर कॉन्फ़िगरेशन (4×A100-80G के साथ शुरू करने के लिए अनुशंसित) और पेशेवर मॉडल प्रशिक्षण अनुभव की आवश्यकता होती है। एक एकल फाइन-ट्यूनिंग प्रयोग की संचालन लागत सैकड़ों से हजारों युआन (डेटा आकार और प्रशिक्षण चरणों की संख्या के आधार पर) तक होती है। समुदाय द्वारा योगदान किए गए परिमाणित संस्करण (DF11, INT8) फाइन-ट्यूनिंग के लिए हार्डवेयर सीमा को कम कर सकते हैं, लेकिन वर्तमान में कोई मानकीकृत फाइन-ट्यूनिंग टूल श्रृंखला नहीं है।

वाणिज्यिक एपीआई के साथ लागत तुलना: ऐसे परिदृश्यों के लिए जहां औसत दैनिक कॉल वॉल्यूम 100,000 गुना से अधिक है, स्व-निर्मित BAGEL अनुमान सेवा की सीमांत लागत वाणिज्यिक एपीआई (जैसे जीपीटी-4ओ) की तुलना में कम है, लेकिन इसके लिए बुनियादी ढांचे और संचालन और रखरखाव क्षमताओं में एक बार के निवेश की आवश्यकता होती है। ऐसे परिदृश्यों के लिए जहां औसत दैनिक कॉल वॉल्यूम 10,000 गुना से कम है, वाणिज्यिक एपीआई के "पे-एज़-यू-गो" मॉडल में अधिक समग्र लागत लाभ हो सकते हैं।

बैगेल के अनुप्रयोग परिदृश्य

BAGEL की मल्टी-मोडल एकीकृत क्षमताएं इसे चार क्षेत्रों में प्रत्यक्ष कार्यान्वयन मूल्य प्रदर्शित करने में सक्षम बनाती हैं: सामग्री निर्माण, ई-कॉमर्स मार्केटिंग, गेम विकास और अकादमिक अनुसंधान।

• सामग्री निर्माण और डिज़ाइन सहायता: BAGEL का "समझें→उत्पन्न करें→संपादित करें→समझें" फ़ंक्शन इसे रचनात्मक वर्कफ़्लो में बहु-गोल पुनरावृत्ति परिदृश्यों के लिए विशेष रूप से उपयुक्त बनाता है। उदाहरण के लिए: डिज़ाइनर पहले उत्पाद अवधारणा मानचित्र तैयार करने के लिए टेक्स्ट का उपयोग करता है, फिर प्राकृतिक भाषा संपादन के माध्यम से स्थानीय विवरणों को संशोधित करता है, और अंत में मॉडल को उत्पन्न छवि की गुणवत्ता का विश्लेषण करने और सुधार के लिए सुझाव देने देता है। इस प्रक्रिया को कई टूल के बीच स्विच किए बिना एक ही बातचीत में पूरा किया जा सकता है। कार्यान्वयन युक्तियाँ: BAGEL का आउटपुट रिज़ॉल्यूशन बेस मॉडल क्षमता (लगभग 1024×1024) द्वारा सीमित है, जो अंतिम उत्पादन के लिए उपयुक्त नहीं है जिसके लिए अल्ट्रा-हाई-डेफिनिशन आउटपुट (जैसे प्रिंट-ग्रेड पोस्टर) की आवश्यकता होती है। यह अवधारणा के मध्यावधि प्रमाण और प्रेरणा अन्वेषण के लिए अधिक उपयुक्त है।

• ई-कॉमर्स और विज्ञापन सामग्री उत्पादन: ई-कॉमर्स परिदृश्य में मुख्य दर्द बिंदु "एकाधिक एसकेयू × एकाधिक दृश्य × एकाधिक शैलियों" के सामग्री संयोजन का विस्फोट है। BAGEL की स्टाइल माइग्रेशन और छवि संपादन क्षमताएं "एक उत्पाद छवि → एन पृष्ठभूमि शैलियों" के बैच विस्तार का एहसास कर सकती हैं, जिससे एकल SKU के सामग्री उत्पादन चक्र को दिनों से घंटों तक छोटा किया जा सकता है। सोशल मीडिया संचालन और बड़े प्रमोशन पेज डिज़ाइन के लिए, जिसमें मार्केटिंग विज़ुअल्स में लगातार बदलाव की आवश्यकता होती है, BAGEL का थिंकिंग मोड ग्राफिक्स और टेक्स्ट के एकीकृत आउटपुट को प्राप्त करते हुए, उत्पन्न छवियों के लिए स्वचालित रूप से मार्केटिंग कॉपी भी लिख सकता है। कार्यान्वयन युक्तियाँ: BAGEL द्वारा उत्पन्न छवियां ब्रांड तत्वों (लोगो, मानक रंग) को पुनर्स्थापित करने में विशेष ब्रांड डिज़ाइन टूल जितनी सटीक नहीं हो सकती हैं। BAGEL आउटपुट को मूल सामग्री के रूप में उपयोग करने और फिर बाद के चरण में ब्रांड विनिर्देश जोड़ने की अनुशंसा की जाती है।

• गेम और वर्चुअल वर्ल्ड डेवलपमेंट: BAGEL की वर्ल्ड नेविगेशन और स्टाइल ट्रांसफर क्षमताएं गेम डेवलपर्स को तेजी से प्रोटोटाइप सत्यापन के साधन प्रदान करती हैं। डिज़ाइनर वैचारिक दृश्य ग्राफ़ इनपुट कर सकते हैं और मॉडल को विभिन्न दृष्टिकोणों ("विज़ुअल 3डी पूर्वावलोकन" के बराबर) से छवियों की भविष्यवाणी करने दे सकते हैं, या प्रभावों की तुलना करने के लिए विभिन्न कला शैलियों के बीच त्वरित रूप से स्विच कर सकते हैं। स्वतंत्र खेल टीमों और प्रोटोटाइप चरण के लिए, यह आउटसोर्सिंग अवधारणा कला के खर्च को काफी कम कर सकता है। लैंडिंग युक्तियाँ: BAGEL का विश्व नेविगेशन वर्तमान में केवल सीमित परिप्रेक्ष्य परिवर्तन (आगे और पीछे की गति, रोटेशन) का समर्थन करता है और संपूर्ण 3D दृश्यों के निःशुल्क रोमिंग का समर्थन नहीं करता है। यह 2डी क्षैतिज संस्करण या निश्चित परिप्रेक्ष्य गेम प्रकारों के लिए अधिक उपयुक्त है।

• अकादमिक अनुसंधान और शिक्षा: अपाचे 2.0 लाइसेंस के तहत लाइसेंस प्राप्त एक ओपन सोर्स मॉडल के रूप में, BAGEL मल्टीमॉडल एआई अनुसंधान के लिए एक प्रतिलिपि प्रस्तुत करने योग्य, परिवर्तनीय आधार रेखा प्रदान करता है। शोधकर्ता BAGEL के आधार पर एकीकृत मल्टी-मोडल आर्किटेक्चर, विज़ुअल सिमेंटिक फ़्यूज़न रणनीतियों और उभरती क्षमताओं की ट्रिगरिंग स्थितियों के स्केलिंग कानून का पता लगा सकते हैं। शिक्षा के क्षेत्र में, BAGEL की दृश्य समझ और संवाद क्षमताओं का उपयोग इंटरैक्टिव शिक्षण सहायकों के निर्माण के लिए किया जा सकता है - उदाहरण के लिए, छात्र एक सर्किट आरेख अपलोड करते हैं, और मॉडल का विश्लेषण पाठ उत्पन्न करने और प्रमुख घटकों को चिह्नित करने के लिए किया जाता है। कार्यान्वयन युक्तियाँ: BAGEL की चीनी क्षमताओं को विशेष रूप से अनुकूलित नहीं किया गया है। शैक्षिक परिदृश्यों में जहां चीनी मुख्य भाषा है, अंग्रेजी इनपुट का उपयोग करने या स्वयं चीनी-अंग्रेजी द्विभाषी संस्करण को ठीक करने की अनुशंसा की जाती है।

बैगेल लोगों के लिए उपयुक्त है

BAGEL की गैर-वाणिज्यिक स्थिति और ओपन सोर्स टेक्नोलॉजी स्टैक यह निर्धारित करती है कि यह आउट-ऑफ-द-बॉक्स उत्पादों की तलाश करने वाले अंतिम उपयोगकर्ताओं के बजाय स्व-तैनाती क्षमताओं वाली टीमों और शोधकर्ताओं के लिए अधिक उपयुक्त है।

• एआई शोधकर्ता और मल्टीमॉडल डॉक्टरेट छात्र: BAGEL वर्तमान ओपन सोर्स समुदाय में कुछ एकीकृत मल्टीमॉडल मॉडल में से एक है, जो "समझ और पीढ़ी के एकीकरण", "दृश्य-अर्थ संयुक्त प्रतिनिधित्व" और "उभरती क्षमता" का अध्ययन करने के लिए एक आदर्श प्रयोगात्मक मंच प्रदान करता है। अपाचे 2.0 लाइसेंस मुफ्त संशोधन और पुनर्वितरण की अनुमति देता है, और उद्धरण आधार रेखा बरकरार है। आवश्यकताएँ: बड़े मॉडल प्रशिक्षण और अनुमान में इंजीनियरिंग अनुभव आवश्यक है; हार्डवेयर 4×A100-80G या इससे ऊपर की अनुशंसा की जाती है।

• एआई एप्लिकेशन डेवलपर्स और उद्यमशील टीमें: डेवलपर्स बीएजीईएल (जैसे स्मार्ट फोटो एलबम संपादन उपकरण, ई-कॉमर्स डिजाइन सहायक, शैक्षिक सामग्री जेनरेटर) के आधार पर लंबवत परिदृश्यों के लिए मल्टी-मोडल एप्लिकेशन बना सकते हैं, और साथ ही एक ही तर्क पाइपलाइन में दृश्य समझ और पीढ़ी क्षमताओं को प्राप्त कर सकते हैं, इंजीनियरिंग जटिलता से बच सकते हैं और कई स्वतंत्र मॉडलों को एकीकृत करने के कारण होने वाली देरी सुपरपोजिशन से बच सकते हैं। आवश्यकताएँ: मॉडल परिनियोजन और एपीआई इनकैप्सुलेशन क्षमताओं की आवश्यकता है; व्यवसाय मॉडल में GPU लागत की स्थिरता का मूल्यांकन करने की अनुशंसा की जाती है।

• सामग्री निर्माता और डिजाइनर (तकनीकी): जो निर्माता कमांड लाइन और पायथन से परिचित हैं, वे स्थानीय निर्माण के लिए सीधे BAGEL के ग्रेडियो वेबयूआई का उपयोग कर सकते हैं, असीमित मुफ्त पीढ़ी के समय और पूर्ण डेटा गोपनीयता (स्थानीय रनिंग) का आनंद ले सकते हैं। क्लाउड सेवाओं की तुलना में, हालांकि स्थानीय तैनाती के लिए एक बार के हार्डवेयर निवेश की आवश्यकता होती है, दीर्घकालिक उपयोग लागत कम है और सेवा प्रदाता की सामग्री समीक्षा नीति के अधीन नहीं है। आवश्यकताएँ: आपको अपना स्वयं का GPU हार्डवेयर (RTX 4090 या इससे ऊपर अनुशंसित) लाना होगा; बुनियादी कमांड लाइन संचालन क्षमताओं की आवश्यकता है।

• अनुपयुक्त लोग: BAGEL निम्नलिखित चार प्रकार के उपयोगकर्ताओं के लिए उपयुक्त नहीं है - ① गैर-तकनीकी उपयोगकर्ता जो आउट-ऑफ़-द-बॉक्स उपयोग करते हैं (BAGEL के पास कोई मोबाइल ऐप नहीं है, कोई प्रबंधित API नहीं है, और इसे स्वयं ही तैनात करने की आवश्यकता है); ② ऐसे उद्यम जिन्हें वाणिज्यिक-ग्रेड SLA और ग्राहक सहायता की आवश्यकता होती है (BAGEL एक समुदाय-संचालित ओपन सोर्स प्रोजेक्ट है जिसमें कोई आधिकारिक तकनीकी सहायता नहीं है); ③ जिन उपयोगकर्ताओं को वीडियो निर्माण या लंबी वीडियो समझने की क्षमताओं की आवश्यकता होती है (BAGEL समय क्षमताएं एकल-फ्रेम भविष्यवाणी और छोटी दूरी के नेविगेशन तक सीमित हैं); ④ जिन उपयोगकर्ताओं को अति-उच्च-गुणवत्ता वाले चीनी आउटपुट की आवश्यकता होती है (BAGEL की चीनी क्षमताएं बेस मॉडल Qwen2.5 से आती हैं और चीनी दृश्यों के लिए विशेष रूप से ठीक नहीं की गई हैं)।

सारांश और आउटलुक

एकीकृत मल्टीमॉडल मॉडल के क्षेत्र में BAGEL की मुख्य दक्षताएँ और वर्तमान सीमाएँ बिल्कुल स्पष्ट हैं। इसका मूल्य प्रस्ताव और जोखिम विशेषताएँ इस प्रकार हैं।

मुख्य दक्षताएँ: BAGEL वर्तमान ओपन सोर्स समुदाय में बहुत कम मल्टी-मोडल मॉडल में से एक है जो एक ही वास्तुकला के तहत "समझ + पीढ़ी + संपादन" की तीन प्रमुख क्षमताओं का एहसास करता है। MoT आर्किटेक्चर और डुअल-एनकोडर रणनीति प्रौद्योगिकी के मामले में अग्रगामी हैं - वे कई समर्पित मॉडलों को "स्प्लिसिंग" पर निर्भर नहीं करते हैं, बल्कि एकल मॉडल को बहु-आयामी क्षमताओं के साथ उभरने की अनुमति देने के लिए प्रशिक्षण रणनीतियों का उपयोग करते हैं। छवि संपादन के प्रमुख खंड में, BAGEL का ओपन सोर्स प्रदर्शन क्लोज्ड सोर्स बिजनेस मॉडल (GPT-4o, जेमिनी 2.0) के स्तर के करीब या पहुंच रहा है, जो डेटा-संवेदनशील परिदृश्यों (मेडिकल इमेजिंग, अनुपालन समीक्षा, आंतरिक डिजाइन सिस्टम) के लिए पर्याप्त मूल्य है जो वाणिज्यिक एपीआई का उपयोग नहीं कर सकते हैं।

वर्तमान सीमाएँ: BAGEL अभी भी एक ओपन सोर्स प्रोजेक्ट के शुरुआती चरण में है, और इंजीनियरिंग परिपक्वता, दस्तावेज़ीकरण पूर्णता और पारिस्थितिक उपकरण श्रृंखला के संदर्भ में इसके और परिपक्व परियोजनाओं के बीच एक अंतर है। GitHub रिपॉजिटरी में औपचारिक रिलीज़ रिलीज़ प्रक्रिया नहीं है, और संस्करण प्रबंधन अपारदर्शी है; अधिकारी वाणिज्यिक एपीआई और सहायता सेवाएँ प्रदान नहीं करता है, और उद्यम पूरी तरह से अपनी तकनीकी क्षमताओं पर निर्भर करते हैं; मॉडल की चीनी भाषा क्षमताएं, उच्च-रिज़ॉल्यूशन आउटपुट और वीडियो निर्माण क्षमताएं सभी में कमियां हैं; समुदाय द्वारा योगदान किए गए व्युत्पन्न संस्करणों की गुणवत्ता असमान है और आधिकारिक सत्यापन तंत्र का अभाव है।

प्रौद्योगिकी विकास दिशा: आर्क्सिव पेपर में सीड टीम द्वारा बताए गए स्केलिंग कानून विश्लेषण के अनुसार, BAGEL अधिक प्रशिक्षण टोकन के साथ प्रदर्शन में सुधार की प्रवृत्ति दिखाना जारी रखता है। ध्यान देने योग्य अनुवर्ती विकास दिशाओं में शामिल हैं: उच्च रिज़ॉल्यूशन पीढ़ी क्षमताओं का विस्तार, वीडियो पीढ़ी क्षमताओं की शुरूआत (वीडियो कैस्केड डेटा ने इस दिशा की नींव रखी है), चीनी और बहु-भाषा क्षमताओं का विशेष अनुकूलन, और अधिक कुशल अनुमान त्वरण समाधान (जैसे सट्टा डिकोडिंग, समानांतर पीढ़ी)।

खरीद और गोद लेने का जोखिम मूल्यांकन: स्व-तैनाती क्षमताओं और तकनीकी टीमों वाले संस्थानों के लिए, BAGEL का कम जोखिम वाला अपनाने का मार्ग है - ① एकल कार्ड A100-80G या RTX 4090 पर एक PoC सत्यापन कोर परिदृश्य बनाएं (इसे छवि संपादन और वेन्शेंग आरेख के साथ शुरू करने की अनुशंसा की जाती है); ② व्यावसायिक परिदृश्यों में वास्तविक प्रभाव का मूल्यांकन करने के लिए घरेलू ओपन सोर्स मल्टी-मोडल मॉडल जैसे कि टेनसेंट हुनयुआन और ज़िपु जीएलएम-4वी के साथ क्षैतिज तुलना करें; ③ यदि सत्यापन पारित हो जाता है, तो इसे मल्टी-इंस्टेंस परिनियोजन और फ़ाइन-ट्यूनिंग अनुकूलन तक विस्तारित किया जा सकता है। ध्यान देने योग्य तीन अनुपालन जांचें हैं: अपाचे 2.0 लाइसेंस के तहत अपने स्वयं के व्युत्पन्न मॉडल को प्रशिक्षित करते समय, आपको मूल कॉपीराइट विवरण को बनाए रखना होगा; BAGEL द्वारा उत्पन्न व्यावसायिक सामग्री का उपयोग करते समय आपको सामग्री अनुपालन की ज़िम्मेदारी उठानी होगी; मॉडल को Qwen2.5 के आधार पर फाइन-ट्यून किया गया है और इसे टोंगी कियानवेन की उपयोग की अतिरिक्त शर्तों का पालन करना होगा। जीपीयू बुनियादी ढांचे के बिना या बड़े मॉडलों को संचालित करने और बनाए रखने की क्षमता की कमी वाली टीमों के लिए, प्रबंधित एपीआई के साथ वाणिज्यिक मल्टी-मोडल समाधानों को प्राथमिकता देने की सिफारिश की जाती है।

संबंधित उपकरण: <एक्सलिंक प्रकार='टूल' स्लग='मिडजर्नी'>, <एक्सलिंक प्रकार='टूल' स्लग='स्थिर-प्रसार'>

संस्करण जानकारी

• BAGEL-7B-MoT ：पहला सार्वजनिक संस्करण, एकीकृत मल्टी-मोडल समझ और पीढ़ी मॉडल, 7बी सक्रिय पैरामीटर/14बी कुल पैरामीटर, एमओटी आर्किटेक्चर। （2025-05-20）
• बैगेल बीटा ：आंतरिक परीक्षण संस्करण, अभी तक कोई आधिकारिक सटीक तारीख नहीं। （~2025-03）