BAGEL：字节跳动开源的统一多模态基础模型

字节跳动Seed团队近期开源了BAGEL（Bagel AI Generated Everything Lab），这是一个拥有70亿活跃参数（总计140亿参数）的统一多模态基础模型。该模型在标准多模态理解基准上超越Qwen2.5-VL和InternVL-2.5，文生图质量可与SD3竞争，还具备自由形式视觉操控、多视角合成、世界导航等"世界建模"能力，为多模态AI应用开辟新可能。

BAGEL的核心能力涵盖三大方向：

1. 多模态理解：在MME、MMBench、MMMU等标准基准上超越现有开源模型，推理能力与Gemini 2.0相当；
2. 文本到图像生成：质量可与专业模型SD3竞争，实现理解与生成任务的统一；
3. 图像编辑与世界建模：不仅在传统编辑场景表现优异，更扩展至自由形式操控、多视角合成、世界导航等超越传统模型的任务。

BAGEL采用Mixture-of-Transformers（MoT）架构，140亿总参数中70亿为活跃参数，兼顾能力与推理效率。其统一多模态设计（而非分离编码器/解码器）带来三大优势：

• 更一致的多模态表示空间；
• 高效的知识迁移（理解→生成）；
• 简洁部署（单一模型替代多专用模型）。

BAGEL在多项基准测试中表现突出：

• 多模态理解：在MME、MMBench、MMMU、MM-Vet、MathVista等基准上超越Qwen2.5-VL-7B等模型；
• 推理能力：KRIS-Bench和RISEBench上与Gemini 2.0性能相当；
• 文生图：质量可与SD3竞争； 评估代码已开源，便于复现与对比。

安装与部署：

1. 克隆仓库：git clone https://github.com/bytedance-seed/BAGEL.git；
2. 环境配置：conda创建环境并安装依赖；
3. 模型下载：通过Hugging Face Hub获取；
4. WebUI启动：支持不同显存配置（如32GB+直接启动，12-32GB用NF4量化）。 推理调优：核心参数包括cfg_text_scale（文本引导强度）、cfg_image_scale（图像细节保留）等，可根据需求调整以优化生成效果。

BAGEL存在以下待改进方向：

• 计算资源需求较高（完整精度推理需大显存）；
• 复杂场景多视角合成偶尔出现视角不一致；
• 复杂长文本提示的理解准确性有待提升；
• 部分编辑任务的细粒度控制需优化。 团队鼓励社区分享"坏案例"，以指导后续迭代。

社区生态：BAGEL开源后催生量化版本（DF11、INT8）、ComfyUI节点、Docker支持、Windows安装指南等衍生项目，官方提供Hugging Face Space在线Demo与文档。 结语：BAGEL标志着开源多模态模型进入新阶段，统一架构同时胜任理解与生成任务，为研究者、开发者、创作者提供强大工具，未来生态将持续成长。