前段时间，GPT-4o的图像生成非常的火。网上博主有发布各种脑洞打开的图片。
但对普通人来说，唯一不好的地方就是不方便使用，毕竟网络不通，所以很多人都只能在自媒体账号上欣赏下玩法，没法亲自体验
但这一切，不会太久了。最近，字节开源了一个模型：BAGEL
BAGEL是字节跳动专为挑战闭源多模态模型（如GPT-4o、Gemini 2.0）设计的开源方案
不光性能对标了GPT-4o，而且把带图推理，图像编辑，3D模型，视频生成，导航等功能全集成进去了。主打的就是你想要什么，我就给什么。
单卡参数规模只有140亿(活跃70亿)。刚刚发布就在huggingface上登上了趋势榜
甚至有人呼吁让字节的开源速度慢点，不然跟不上了
官网上放出了演示视频，先睹为快
01
图像编辑能力
图像编辑，拓展功能算是现在大模型的必备能力了。
不光给出图像，而且在之前还会进行推理，让用户看到推理过程和细节。
将衣服融入人身上
不光具备编辑功能，甚至还具备推理的功能。给模型一个叠在一起的布料，让它想象一下布料展开后是什么样子
这展开效果还原度很高，看不出什么错误。看看模型是如何推理的
02
图片风格转换
3D玩偶风
粘土风格
chibi风格，并且还可以转换在卡片上，并在手中持有。这个玩法直接对标了之前在x上火的名片卡风格。
03
图片导航
这个功能我觉得是最牛逼的一个功能
通过从视频中学习，BAGEL有效地从现实世界中提炼出导航知识，这样就能够在包括科幻世界、艺术画作以及具有不同旋转或视角的环境中导航。
直接看效果
转动摄像头拍摄
马路往左拐
向前和向右
最后上干货了，github以及huggface上都已经上传了模型。
github:
https://github.com/bytedance-seed/BAGEL
huggingface:
https://huggingface.co/ByteDance-Seed/BAGEL-7B-MoT
github上有完整的项目启动步骤
根据网上很多博主实测的结果来看，要本地运行，至少具备下面的硬件条件。有条件的可以去本地运行玩玩
没有硬件条件的小伙伴也不用着急，官方提供了demo地址：
https://demo.bagel-ai.org/
我测试了下，图片导航功能不支持，而且比较慢。
写在最后
作为普通人来说，应该更关心的是什么时候才能把这个模型上线豆包
我估计这个得基于A100集群部署才行，得等2-3个月的样子吧，2025年第三季度应该可以看到，等不了多久了
不过现在豆包的生图能力已经非常强了，还没用过的可以去玩玩豆包。最近还上线了视频通话功能。
#AI#AI工具#开源#字节#github#多模态#人工智能#大模型