# BAGEL – 字节跳动开源的多模态基础模型

- Link: https://paooo.com/aigc-news/18737/
- Published: 2026-06-08T03:42:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 140亿参数、70亿活跃参数，MoT 双编码器同时建模像素级与语义级特征。
 * 多模态理解基准表现优于 Qwen2.5-VL、InternVL-2.5，生成与编辑能力也很强。
 * 可用于文本生图、自由形式图像编辑、未来帧预测、三维操作与世界导航。

## BAGEL是什么

BAGEL是字节跳动开源的多模态基础模型，拥有140亿参数，其中70亿为活跃参数。采用混合
变换器专家架构（MoT），通过两个独立编码器分别捕捉图像的像素级和语义级特征。BAGEL
遵循“下一个标记组预测”范式进行训练，使用海量多模态标记数据进行预训练，包括语言、
图像、视频和网络数据。在性能方面，BAGEL在多模态理解基准测试中超越了Qwen2.5-VL和InternVL-
2.5等顶级开源视觉语言模型。文本到图像生成质量与SD3相当，在图像编辑场景中也优于许多
开源模型。BAGEL能进行自由形式的图像编辑、未来帧预测、三维操作和世界导航等任务。

阅读目录

 * [BAGEL是什么](https://paooo.com/aigc-news/18737/#bagel%e6%98%af%e4%bb%80%e4%b9%88)
 * [BAGEL的主要功能](https://paooo.com/aigc-news/18737/#bagel%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [BAGEL的技术原理](https://paooo.com/aigc-news/18737/#bagel%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [BAGEL的项目地址](https://paooo.com/aigc-news/18737/#bagel%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [BAGEL的应用场景](https://paooo.com/aigc-news/18737/#bagel%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![BAGEL](https://paooo.com/wp-content/uploads/2026/06/BAGEL-website-1.avif)

## BAGEL的主要功能

 * **图像与文本融合理解**：BAGEL能深入理解图像和文本之间的关系，准确地将图像内容
   与文本描述相结合。
 * **视频内容理解**：BAGEL能处理视频数据，理解视频中的动态信息和语义内容。能捕捉
   视频的关键信息并进行有效的分析。
 * **文本到图像生成**：用户可以通过输入文本描述来生成相应的图像。BAGEL能根据文本
   内容生成高质量、与描述匹配的图像。
 * **图像编辑与修改**：BAGEL支持对现有图像进行编辑和修改。BAGEL能根据指令生成修改
   后的图像，实现自由形式的图像编辑。
 * **视频帧预测**：BAGEL能预测视频中的未来帧。基于视频的前几帧，模型可以生成后续
   的帧内容，恢复视频的完整性。
 * **三维场景理解与操作**：BAGEL能理解和操作三维场景。可以对三维物体进行识别、定位
   和操作，例如在虚拟环境中移动物体、改变物体的属性等。
 * **世界导航**：BAGEL具备世界导航能力，可以在虚拟或现实的三维环境中进行路径规划
   和导航。
 * **跨模态检索**：BAGEL能实现跨模态检索功能，例如根据文本描述检索与之匹配的图像
   或视频，或者根据图像内容检索相关的文本信息。
 * **多模态融合任务**：在多模态融合任务中，BAGEL可以将来自不同模态的数据（如图像、
   文本、语音等）进行有效融合，生成综合的结果。

## BAGEL的技术原理

 * **双编码器设计**：BAGEL采用了混合变换器专家架构（MoT），架构包含两个独立的编码
   器。一个编码器负责处理图像的像素级特征，另一个编码器则专注于图像的语义级特征。
   双编码器设计使模型能同时捕捉图像的低层次细节和高层次语义信息。
 * **专家混合机制**：在MoT架构中，每个编码器内部包含多个专家（Expert）模块。这些
   专家模块可以看作是小的子网络，每个专家专注于处理特定类型的特征或任务。通过在训练
   过程中动态选择最合适的专家组合，模型能更高效地处理复杂的多模态数据。
 * **标记化处理**：BAGEL将输入的多模态数据（如图像、文本）转化为一系列标记（Token）。
   对于图像，模型会将其分割成多个小块（Patch），每个小块被视为一个标记；对于文本，
   每个单词或子词也被视为一个标记。
 * **预测任务**：模型的训练目标是预测下一个标记组。在训练过程中，模型会看到一部分
   标记序列，尝试预测接下来的标记。
 * **压缩与学习**：通过这种预测任务，模型能学习到多模态数据的内在结构和关系。预测
   下一个标记的过程迫使模型压缩和理解输入数据的关键信息，提高其对多模态数据的理解
   和生成能力。
 * **海量数据**：为了训练BAGEL，字节跳动使用了来自语言、图像、视频和网络数据的数
   万亿个多模态标记进行预训练。数据涵盖了各种场景和领域，模型能学习到广泛的多模态
   特征和模式。
 * **优化策略**：在训练过程中，BAGEL采用了先进的优化策略，如混合精度训练、分布式
   训练等，提高训练效率和模型性能。

## BAGEL的项目地址

 * **项目官网**：[https://bagel-ai.org/](https://bagel-ai.org/?utm_source=ai-bot.cn)
 * **Github仓库**：[https://github.com/bytedance-seed/BAGEL](https://github.com/bytedance-seed/BAGEL)
 * **HuggingFace模型库**：[https://huggingface.co/ByteDance-Seed/BAGEL-7B-MoT](https://huggingface.co/ByteDance-Seed/BAGEL-7B-MoT)
 * **arXiv技术论文**：[https://arxiv.org/pdf/2505.14683](https://arxiv.org/pdf/2505.14683)

## BAGEL的应用场景

 * **内容创作与编辑**：用户可以通过输入文本描述生成高质量的图像。BAGEL能对现有图像
   进行编辑和修改。
 * **三维场景生成**：BAGEL能生成三维场景，为VR和AR应用提供丰富的视觉内容。
 * **可视化学习**：BAGEL可以将复杂的概念通过图像或视频形式展示出来，帮助学生更好
   地理解。
 * **创意广告生成**：广告商可以用BAGEL生成吸引人的广告图像和视频。例如，根据产品
   特点生成创意广告海报或短视频。
 * **用户交互体验**：在电商平台上，BAGEL可以生成产品的3D模型和虚拟展示，提升用户
   的购物体验。

❓ 常见问题解答（FAQ）

BAGEL 是什么模型？

BAGEL 是字节跳动开源的多模态基础模型，拥有 140 亿参数、70 亿活跃参数。它采用混合
变换器专家架构（MoT），可同时处理图像、文本、视频等多模态数据，并支持理解与生成任务。

BAGEL 和其他开源视觉语言模型相比怎么样？

文章提到，BAGEL 在多模态理解基准测试中超越了 Qwen2.5-VL 和 InternVL-2.5 等顶级开
源视觉语言模型；在文本到图像生成上与 SD3 相当，图像编辑场景也优于许多开源模型。

BAGEL 能做哪些实际任务？

BAGEL 可用于文本到图像生成、图像编辑、视频内容理解、未来帧预测、三维场景理解与操作、
世界导航，以及跨模态检索等任务，适合内容创作、可视化学习和虚拟交互场景。

🔬 语宙深潜追问 · 进阶实操拆解

MoT 双编码器架构的优势在哪？

它把像素级细节和语义级抽象分开建模，既保留视觉细节，又提升跨模态理解能力。对编辑、
生成和视频任务来说，这种分工能减少信息互相干扰，通常比单一路径更稳。

开源多模态模型落地，先做哪类任务？

优先做图文理解、检索问答和轻量编辑，因为这些任务对数据闭环和评测更友好。等基础对
齐稳定后，再扩展到视频预测、三维操作等高复杂度场景。

🗳️ 读者观点微投票 · 您的实战立场是？

多模态基础模型，先拼理解还是生成？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [BGE-VL – 智源研究院联合多所高校开源的多模态向量模型](https://paooo.com/aigc-news/21243/)
 * [AIMv2 – 苹果开源的多模态自回归预训练视觉模型](https://paooo.com/aigc-news/21468/)
 * [VARGPT – 北大推出的多模态理解生成统一模型](https://paooo.com/aigc-news/22532/)
 * [字节跳动Lance开源：3B参数统一模型，一模型搞定图像视频理解生成编辑全链路](https://paooo.com/aigc-news/10488/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/18737/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
