因为昨天Qwen和DeepSeek都开源的多模态模型，Qwen开源的是Qwen2.5-VL模型专注多模态（图像+视频）理解，而DeepSeek开源的是Janus-Pro模型即可以进行图像理解，也可以进行图片生成。
知乎热榜，Janus-Pro也是挂了一天，但我测了一下图像理解能力，真的不太行，我希望请大家不要无脑吹。
声明：我没有贬低Janus-Pro-7B的意思，也没有测试Janus-Pro-7B的图像生成能力，仅从图像理解来进行评价。
再次强调，当然我对图像生成研究不深，我主要是想看看图像理解到底到了什么程度。
为了有对比，我将Qwen2.5-VL与Janus-Pro-7B进行相同测试，比较结果。
先说结论：
与72B模型不同，Qwen2.5-VL-7B在表格解析上效果不理想，应该还是参数量的问题。
Janus-Pro-7B特别爱不回答，并且生成结果乱起八糟。
测试代码分别来自官方Github的HF代码，直接测试，Janus-Pro-7B的结果我一度认为我测试的有问题。
先放结果，后放代码，感兴趣可以check一下。
图像理解测试
先来表格识别，3个共三个表格图片，prompt如下：
## Role 你是一位有多年经验的OCR表格识别专家。 ## Goals 需要通过给定的图片，识别表格里的内容，并以html表格结果格式输出结果。 ## Constrains - 需要认识识别图片中的内容，将每个表格单元格中的内容完整的识别出来，并填入html表格结构中； - 图片中的表格单元格中可能存在一些占位符需要识别出来，例如"-"、"—"、"/"等； - 输出表格结构一定遵循图片中的结构，表格结构完全一致； - 特别注意图片中存在合并单元格的情况，结构不要出错； - 对于内容较多的图片，一定要输出完整的结果，不要断章取义，更不要随意编造； - 最终输出结果需要是html格式的表格内容。 ## Initialization 请仔细思考后，输出html表格结果。
测试1：
结果：Qwen2.5-VL-7B结构错误，Janus-Pro-7B错了，内容都不对。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试2：
结果：Qwen2.5-VL-7B结构错误，Janus-Pro-7B不正面回答，图像已经传了，但是它不理解。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试3：
结果：Qwen2.5-VL-7B结构错误，Janus-Pro-7B根本不回答。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
总结，昨天因为[测试Qwen2.5-VL-72B模型]，表格解析都出来，我以为7B也能出来，不过也没出来，只能说明，还是多模态再做表格解析部分，还是有门槛的。光有相对的训练策略还不够，还需要模型足够大。
再来两道数学题，prompt如下：
请解题。
测试4：
结果：Qwen2.5-VL-7B对了，，Janus-Pro-7B错了。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试5：
结果：Qwen2.5-VL-7B对了，C方程为; ，Janus-Pro-7B错了。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
最后，3道理解题目。
测试6：
query：请逐步详细分析，告诉我在中文数据和英文数据分别占比是多少，并且告诉我总和
结果：Qwen2.5-VL-7B对了，Janus-Pro-7B没识别对。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试7：
query：请逐步详细分析，这张图片里是有两只狗，对吗
结果：Qwen2.5-VL-7B对了，识别一猫一狗，Janus-Pro-7B分析出是了，但是结论是不知道。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试8：
query：请逐步详细分析，输出图片中的文字内容
结果：Qwen2.5-VL-7B错了两个字，但是Janus-Pro-7B生成的幻觉也太夸张了吧。
Qwen2.5-VL-7B结果
Janus-Pro-7B结果
测试代码
我真怕被喷，代码放在这里了，图片和提示词都在上面，大家可以测测看。如果是我的代码有问题请指出。
Qwen2.5-Vl-7B测试代码：
from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor from qwen_vl_utils import process_vision_info model_path = "Qwen/Qwen2.5-VL-7B-Instruct/" model = Qwen2_5_VLForConditionalGeneration.from_pretrained( model_path, torch_dtype="auto", device_map="auto" ) processor = AutoProcessor.from_pretrained(model_path) query = "" image_path = "" messages = [ { "role": "user", "content": [ { "type": "image", "image": image_path, }, {"type": "text", "text": query}, ], } ] text = processor.apply_chat_template( messages, tokenize=False, add_generation_prompt=True ) print("text:", text) image_inputs, video_inputs = process_vision_info(messages) inputs = processor( text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt", ) inputs = inputs.to("cuda") generated_ids = model.generate(**inputs, max_new_tokens=4096) generated_ids_trimmed = [ out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids) ] output_text = processor.batch_decode( generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False ) print("query: ", query) print("output: ", output_text[0])
Janus-Pro-7B测试代码：
import torch from transformers import AutoModelForCausalLM from janus.models import MultiModalityCausalLM, VLChatProcessor from janus.utils.io import load_pil_images # specify the path to the model model_path = "deepseek-ai/Janus-Pro-7B" vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path) tokenizer = vl_chat_processor.tokenizer vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained( model_path, trust_remote_code=True ) vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval() query = "" image_path = "" conversation = [ { "role": "User", "content": "
最后，再次强调，我是一个没有情感的评测机器，只是希望大家理性看待技术。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
大模型 AI 能干什么？大模型是怎样获得「智能」的？用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例：向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示（Embeddings）向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
为什么要做 RAG什么是模型什么是模型训练求解器 & 损失函数简介小实验2：手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身：基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例：如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】