Bagel

BAGEL ist ein quelloffenes, vereinheitlichtes multimodales Modell, das am 20. Mai 2025 von einem Forschungsteam um Chaorui Deng, Deyao Zhu, Kunchang Li, Chenhui Gou, Feng Li und Kollegen veröffentlicht wurde. Ziel ist es, Funktionalität vergleichbar mit proprietären multimodalen Systemen wie GPT-4o und Gemini 2.0 in offener Form bereitzustellen, die jeder fine-tunen, destillieren und deployen kann. Statt ein Vision-Modell mit einem Bildgenerator zu verbinden, ist BAGEL bereits im Vortraining nativ multimodal.

Das Modell verarbeitet Bild- und Texteingaben sowie -ausgaben in gemischtem Format, sodass dasselbe System Bilder versteht, Gespräche führt, fotorealistische Bilder erzeugt, vorhandene Bilder bearbeitet, Stil überträgt, durch 3D-Umgebungen navigiert oder künftige Videoframes vorhersagt. Architektonisch setzt BAGEL auf Mixture-of-Transformer-Experts mit zwei Encodern für Pixel- und Semantikmerkmale, trainiert mit dem Ziel Next Group of Token Prediction auf Billionen verschränkter Sprach-, Bild-, Video- und Web-Tokens.

Das Projekt veröffentlicht Vergleiche mit offenen Modellen wie Janus-Pro-7B, Emu3-8B, TokenFlow-XL-13B und BLIP3-o-8B. BAGEL erzielt starke Werte bei Verständnis-Benchmarks wie MME-P, MMBench, MMMU und MMVet und führt die Generierungstabelle mit 0,88 gesamt bei Einzelobjekt, zwei Objekten, Zählen, Farbe, Position und Farbattribut an. Das Team dokumentiert zudem emergentes Verhalten: Komplexe intelligente Bearbeitung zeigt sich erst, nachdem grundlegende Verstehens- und Generierungsfähigkeiten gefestigt sind.