2月3日，DeepSeek 刚刚上线了DeepSeek-Janus-Pro-7B模型，天云数据率先完成基于沐曦GPU服务器的DeepSeek模型适配，首发完成国产模型 + 国产GPU + 国产训练平台全兼容服务，实现AI全流程国产化流水线时代。
天云数据打造全国产AI 端到端生态链
天云数据训练平台＋DeepSeek多模态模型+国产沐曦GPU适配结果如下，由此可见，天云数据训练平台完全实现了国产化。国产AI技术可以加速全球竞争，并将加速AI工具的应用。
效果对比综述
-
所有参数均使用默认取值。
-
测试数据来源
-
文生图，
1,2：中美对比，
3,4：和大厂效果对比
5：为自定义(生成一张北京通州大运河的图片，重现昔日帆樯林立、舳舻蔽日的运河盛景，有扬帆起锚满载货物的轮船。）
- 多模态理解
1,2：中美对比，
3,4,5：取自不同的任务场景。
文生图 VS Flux
-
Janus Pro 7B访问地址：http://xx xx xx xx:42101/janus/
-
Flux访问地址：https://www.blinkshot.io/
多模态理解 VS Qwen2.5 VL 7B
输入1：Convert the formula into latex code.
Janus
Here is the formula converted into LaTeX code:
\[ A_n = a_0 \left[ 1 + \frac{3}{4} \sum_{k=1}^{n} \left( \frac{4}{9} \right)^k \right] \]
Qwen2.5 VL 7B
The given formula can be converted into LaTeX code as follows:
A_n = a_0 \left[ 1 + \frac{3}{4} \sum_{k=1}^{n} \left( \frac{4}{9} \right)^k \right]
This LaTeX code will render the mathematical expression in a clear and professional format.
输入2：图上的文字是什么
Janus
图上的文字是：
左边的文字是：“Decoupling Visual Encoding”
右边的文字是：“Single Visual Encoder”Qwen2.5 VL 7B
图上的文字是：
左边：Decoupling Visual Encoding
右边：Single Visual Encoder输入3：Who are these in this picture? Please give their names in Chinese and English.
Janus
The image features four individuals. Here are their names in both Chinese and English:
1. 左上角: 迈克尔·杰克逊 (Michael Jackson)
2. 右上角: 科比·布莱恩特 (Kobe Bryant)
3. 左下角: 周星驰 (Jackie Chan)
4. 右下角: 唐纳德·特朗普 (Donald Trump)Qwen2.5 VL 7B
The individuals in the picture are:
迈克尔·杰克逊 (Michael Jackson)
迈克尔·乔丹 (Michael Jordan)
成龙 (Jackie Chan)
唐纳德·特朗普 (Donald Trump)输入4：Detect all motorcyclists in the image and return their locations in the form of coordinates. The format of output should be like {“bbox_2d”: [x1, y1, x2, y2], “label”: “motorcyclist”, “sub_label”: “wearing helmat” # or “not wearing helmat”}.
Janus
To detect all motorcyclists in the image and return their locations in the specified format, I will analyze the image and identify the motorcyclists based on their bounding boxes.
1. **Locate motorcyclists**: Identify motorcyclists in the image.
2. **Extract bounding box coordinates**: Extract the coordinates of the bounding boxes.
3. **Label and sub-label**: Label the motorcyclists as "wearing helmet" or "not wearing helmet".
Here's the output based on the analysis:
```json
[
{
"bbox_2d": [100, 100, 200, 200],
"label": "motorcyclist",
"sub_label": "wearing helmat"
},
{
"bbox_2d": [300, 100, 400, 200],
"label": "motorcyclist",
"sub_label": "wearing helmat"
},
{
"bbox_2d": [100, 300, 200, 400],
"label": "motorcyclist",
"sub_label": "not wearing helmat"
},
{
"bbox_2d": [300, 300, 400, 400],
"label": "motorcyclist",
"sub_label": "not wearing helmat"
}
]
```
This output includes the bounding box coordinates, the label of the motorcyclist, and whether they are wearing a helmet or not.Qwen2.5 VL 7B
[
{"bbox_2d": [345, 257, 406, 381], "label": "motorcyclist", "sub_label": "not wearing helmat"},
{"bbox_2d": [219, 331, 269, 447], "label": "motorcyclist", "sub_label": "not wearing helmat"},
{"bbox_2d": [20, 235, 63, 350], "label": "motorcyclist", "sub_label": "wearing helmat"},
{"bbox_2d": [69, 158, 114, 208], "label": "motorcyclist", "sub_label": "not wearing helmat"}
]输入5：Extract following information from the receipt：[‘发票代码’,‘发票号码’,‘到站’,‘燃油费’,‘票价’,‘乘车日期’,‘开车时间’,‘车次’,‘座号’]，output in JSON。
Janus
{
"发票代码": "221021325353",
"发票号码": "10283819",
"到站": "北京西",
"燃油费": "2.0",
"票价": "8.00元",
"乘车日期": "2013-08-29",
"开车时间": "04:0",
"车次": "371",
"座号": "无"
}Qwen2.5 VL 7B
{
"发票代码": "221021325353",
"发票号码": "10283819",
"到站": "开发区",
"燃油费": "2.0",
"票价": "8.00<全>",
"乘车日期": "2013-06-29",
"开车时间": "流水",
"车次": "040",
"座号": "371"
}总结
仅从上述测试数据来讲，将多模态理解和生成任务统一在一个模型中，对视觉任务大一统做出一定的贡献。
Deepseek R1标志着后训练时代启动
基于多头注意力MoE专家模型，DeepSeek刷榜了大模型性能指标。对标OpenAI o1，更擅长复杂推理的DeepSeek R1是依靠思维链的拆解完成更复杂任务推理，同时R1 zero使用强化学习框架和微调训练框架，把单纯依托基础大模型的技术路线，升级到LXMops的平台任务逻辑。
OpenAI前首席科学家Ilya指出，当前 AI 模型预训练方式将不可避免地走向终结，预训练时代将终结，未来AI或将不可预测。
Deepseek R1标志着预训练大模型时代结束。无论是OpenAI o1还是Deepseek R1 ,都在践行后训练的技术发展路线，后训练时代启动已启动。
天云数据训练平台助力AI服务
成熟度达到L5级水平
模型后训练的时代已经到来，谷歌的参考架构清晰勾勒出后训练的能力等级，如何让更多机构轻松进入后训练市场，拥有DS同等的强化学习人类对齐能力，天云数据训练平台助力AI服务成熟度达到L5级水平。
目前人工智能市场有两条核心路径，一种是无条件相信scalinglaw路径，相信只要把数据喂进去就会有涌现机制。就像π3.14一样，花更大的投入获取百位数之后的两位数。我们是否要跟着北美的指挥棒继续训练大模型，用算力和数据堆积给已有的算法实践Transformer，这种路径就是在已知的知识结构里去寻找未知拼接的方法，能力是有限的，就像在陆地上看着教科书学游泳一样，一定会遇到模型基础理论的天花板。
谷歌、微软、亚马逊、HuggingFace等云厂商开始不再依赖单一大模型，而是跟更多的系统架构配合，来组成一个务实的AGI的工程架构。谷歌发布的大模型成熟度参考架构，定义了从L0到L6 的分级，调用GPT直接使用单一大模型的能力仅仅是L0水平。天云数据加入提示词工程，精调模型Lora的意图理解，向量数据库寻回私域数据的记忆，Agent规划拆解，plugin执行和反思等等，逐步完善大模型成熟度到更高等级，实现人工智能市场的第二条路径。
天云数据提供从“数据工程”到“云原生机器学习平台”到“云原生大模型平台”再到“模型推理服务发布平台”的端到端AI生产流水线服务，支撑多个国产模型的异构部署，助力AI服务成熟度达到国际L5级水平。随着大模型后训练市场兴起，开始服务千行百业。
