Janus-Pro-1B é um modelo multimodal inovador, focado na compreensão e geração multimodal unificadas. Ele resolve o conflito entre tarefas de compreensão e geração em métodos tradicionais, através da separação do caminho de codificação visual, mantendo simultaneamente uma única arquitetura Transformer unificada. Este design não apenas melhora a flexibilidade do modelo, mas também o permite ter um desempenho excepcional em tarefas multimodais, superando até mesmo modelos específicos para determinadas tarefas. O modelo é baseado em DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base, utiliza SigLIP-L como codificador visual, suporta entrada de imagens de 384x384 e emprega um tokenizer específico para geração de imagens. Sua natureza de código aberto e flexibilidade o tornam um forte candidato para modelos multimodais de próxima geração.