Bagel: новая мультимодальная модель с впечатляющими возможностями
Bagel: новая мультимодальная модель с впечатляющими возможностями Модель Bagel способна генерировать и редактировать изображения, а также работать с последовательностями кадров. Авторы утверждают, что по некоторым показателям она превосходит Flux.1-dev и позиционируют её как одну из сильнейших открытых VLM. В основе Bagel — крупный трансформер с двумя башнями: одна для понимания (SigLIP2), другая для генерации (Flux VAE). Для согласования размеров представлений добавлены MLP-адаптеры. Модель использует непрерывные представления вместо дискретных, что улучшает качество работы. Обучение проходило в четыре этапа: алайнмент энкодера, претрейн, продолжение обучения с увеличением разрешения и дообучение с использованием промтов и reasoning-трейсов. В задачах на понимание изображений Bagel показывает топовые результаты, а в генерации превосходит Flux.