Большинство нейросетей для работы с изображениями умеют что-то одно: одни создают картинки, другие их редактируют, третьи описывают, что на них изображено. BAGEL объединяет всё это в одной модели. Её выпустила исследовательская команда ByteDance Seed в мае 2025 года и сразу открыла веса, код и технический отчёт под лицензией Apache 2.0.
Авторы описывают BAGEL как единую мультимодальную модель, которая и понимает, и создаёт: она принимает текст и изображения вперемешку и так же может отвечать — текстом, картинкой или их сочетанием.
Что умеет модель
Генерация изображений
По описанию BAGEL создаёт фотореалистичные изображения, а также материалы, где картинки чередуются с текстом. Отличительная черта — режим размышления: модель может сначала рассуждать о задаче и только потом рисовать. В официальной демонстрации она таким образом продумывает изображение плюшевого крокодила в свитере.
Редактирование
Модель обучалась в том числе на фрагментах видео, поэтому, по словам разработчиков, естественным образом научилась сохранять внешность персонажей и мелкие детали при правках. Это делает её удобной для изменений, где важно, чтобы герой остался узнаваемым.
Перенос стиля
BAGEL переводит изображение из одного стиля в другой — и даже, как формулируют авторы, переносит сцену в совершенно иной мир, — опираясь на понимание содержания и манеры картинки.
Анализ изображений
Модель построена на базе языковой модели и умеет вести диалог: отвечать на вопросы о загруженной картинке, описывать её содержимое и рассуждать о нём.
Цепочки действий
Все возможности работают через один интерфейс, поэтому их можно комбинировать в многошаговом диалоге. В примере разработчиков изображение сначала кадрируется, затем редактируется, потом меняется сцена и, наконец, применяется новый стиль.
Характеристики
| Разработчик | ByteDance Seed |
|---|---|
| Выпуск | Май 2025 года |
| Тип | Единая мультимодальная модель: понимание и генерация |
| Параметры | 14 млрд всего, 7 млрд активных |
| Архитектура | Mixture-of-Transformer-Experts |
| Вход | Текст и изображения в произвольном сочетании |
| Выход | Изображения, текст и их сочетание |
| Режим размышления | Поддерживается |
| Лицензия | Apache 2.0, открытые веса |
Как устроена модель
Внутри BAGEL два трансформера-эксперта: один отвечает за понимание мультимодальных данных, другой — за генерацию. Им соответствуют два отдельных визуальных кодировщика: один улавливает смысл изображения, другой — его детали на уровне пикселей.
Модель обучали на большом массиве чередующихся данных — текста, изображений, видео и веб-страниц. Команда Seed описывает любопытную закономерность: по мере роста объёма обучения способности проявлялись ступенями. Сначала — базовое понимание и генерация, затем — простое редактирование, и лишь на позднем этапе — сложные правки по свободным инструкциям.
Результаты тестов
Данные из официальных материалов ByteDance Seed на момент выпуска модели:
| Тест | Что измеряет | Результат BAGEL |
|---|---|---|
| GenEval | Соответствие изображения описанию | 88% — выше, чем у FLUX-1-dev (82%) и SD3-Medium (74%) |
| WISE | Генерация с опорой на знания о мире | Второе место после GPT-4o |
| GEdit-Bench | Редактирование изображений | На уровне Step1X-Edit, выше Gemini 2.0 |
| IntelligentBench | Сложное редактирование, требующее рассуждений | 44,9, с режимом размышления — 55,3 |
По пониманию изображений разработчики сообщают о превосходстве над открытыми моделями Qwen2.5-VL и InternVL-2.5. Отдельно стоит отметить вклад режима размышления: с ним результат в WISE вырос с 0,52 до 0,70. Важно учитывать, что сравнения проводились в мае 2025 года — с тех пор вышло много новых моделей.
Возможности за пределами обычной генерации
В исследовательской части разработчики показывают способности, которые выходят за рамки редактора картинок: предсказание следующих кадров по началу видео, вращение объектов в 3D, смена ракурса и «навигация» по сцене — перемещение по окружению по текстовым командам. Команда Seed отмечает, что это работает не только на реальных снимках, но и на кадрах из игр, картинах и мультфильмах. Это скорее демонстрация направления развития, чем отдельные инструменты.
Для каких задач подходит
Задачи, где нужно и понять, и нарисовать
Например, разобрать загруженное изображение, обсудить его и тут же получить изменённую версию — без переключения между разными моделями.
Стилизация
Перевод фотографии в другой художественный стиль или в иной визуальный мир.
Правки с сохранением персонажа
Изменения, при которых герой должен остаться узнаваемым.
Сложные запросы, требующие знаний
Режим размышления помогает там, где для правильного изображения нужно сначала понять, что именно изобразить.
Что учитывать
- Модель вышла в мае 2025 года, и приведённые сравнения относятся к тому времени. С тех пор появились более новые генераторы — например, FLUX.2 [max] и Nano Banana 2. Главная сильная сторона BAGEL — универсальность: генерация, правка и анализ в одной модели.
- Навигация по сцене, предсказание кадров и 3D-манипуляции показаны в исследовании, но как отдельные готовые инструменты они не предлагаются.
- Модель создаёт изображения и текст, но не видео.
Как пользоваться BAGEL на 4Gen
- Зарегистрируйтесь на 4gen.ru и пополните баланс рублями — VPN и зарубежная карта не нужны.
- Откройте AI Studio и выберите BAGEL.
- Напишите запрос и при необходимости загрузите изображение.
- Сохраните результат.
Оплата — только за выполненные запросы, без подписки. Тарифы — на странице цен.
Вопросы о BAGEL
Кто разработал BAGEL?
Исследовательская команда Seed компании ByteDance. Модель выпущена в мае 2025 года с открытыми весами под лицензией Apache 2.0.
Чем BAGEL отличается от обычных генераторов изображений?
Это единая модель: она и создаёт изображения, и редактирует их, и анализирует. Текст и картинки можно свободно сочетать как во входных данных, так и в ответе.
Что такое режим размышления?
Перед генерацией модель рассуждает о задаче. По данным разработчиков, это заметно улучшает результат там, где нужны знания о мире и многошаговая логика.
Можно ли загрузить картинку и задать о ней вопрос?
Да. BAGEL построена на основе языковой модели и умеет описывать и обсуждать изображения, а при необходимости — сразу изменять их.
Насколько качественные изображения создаёт модель?
На момент выхода в мае 2025 года BAGEL опережала FLUX-1-dev и SD3-Medium в тесте GenEval. С тех пор вышли более новые модели, поэтому для финальных изображений имеет смысл сравнить результат с ними на своей задаче.
Нужен ли VPN?
Нет. На 4Gen модель доступна из России, оплата — российскими картами в рублях.