¿Qué es BAGEL-7B-MoT?
BAGEL es el modelo multimodal unificado y abierto de ByteDance Seed, publicado el 20 de mayo de 2025. Un solo modelo entiende imágenes y también las genera: responde preguntas sobre fotos, convierte texto en imágenes y edita imágenes a partir de instrucciones. Tiene 14.000 millones de parámetros, 7.000 millones activos, con un diseño Mixture-of-Transformer-Experts en el que pesos expertos separados se ocupan de la comprensión y de la generación.
Está ajustado a partir de Qwen2.5-7B-Instruct y del codificador de visión SigLIP so400m, y usa el VAE de FLUX.1-schnell para producir píxeles; los tres son Apache 2.0, igual que BAGEL. ByteDance lo entrenó con billones de tokens intercalados de texto, imagen, vídeo y web, e informa de que la edición y el razonamiento visual en varios pasos surgieron tarde en ese entrenamiento.
ByteDance no ha publicado un sucesor, y el código de GitHub se actualizó por última vez en mayo de 2026. El repositorio tiene unas 6.200 estrellas; los pesos en Hugging Face sumaron unas 6.900 descargas en los últimos 30 días.
¿Merece la pena BAGEL-7B-MoT?
El argumento de BAGEL es la amplitud en un único checkpoint Apache 2.0. En la ficha de ByteDance obtiene 85,0 en MMBench y 73,1 en MathVista frente a 83,5 y 68,2 de Qwen2.5-VL-7B, 0,88 en la prueba de texto a imagen GenEval frente a 0,82 de FLUX.1-dev y 0,74 de SD3-Medium, y 7,36 en coherencia semántica en la edición de GEdit-Bench frente a 7,09 de Step1X-Edit. Pocos modelos abiertos cubren las tres tareas, y menos aún bajo Apache 2.0.
El problema son las comparaciones. Todos los rivales de la ficha son de 2024 o principios de 2025: Qwen2.5-VL, Janus-Pro, SD3, Gemini 2.0. Qwen2.5-VL-7B ya lo supera en MMMU (58,6 frente a 55,3), y en la prueba de edición con mucho razonamiento IntelligentBench Gemini 2.0 obtuvo 57,6 frente a 44,0 de BAGEL, o 55,3 con la cadena de razonamiento activada. Los modelos actuales dedicados a imagen y visión han avanzado desde entonces.
Además es pesado para un modelo con 7B activos. El README pide una GPU de 32 GB o varias GPU a precisión completa; las tarjetas de 12 a 32 GB necesitan la cuantización NF4 de la comunidad, y no se recomienda INT8 para 22 a 32 GB. No hay API alojada ni vía con llama.cpp u Ollama, y la instalación implica clonar el repositorio e instalar flash-attention.
Eso deja a BAGEL como base para investigación y prototipos más que como opción de producción. Es el modelo abierto que conviene ajustar si necesitas una sola red que vea y dibuje, por ejemplo para generación intercalada de imagen y texto o experimentos de navegación por mundos, que destaca su artículo.
Dónde se gana su sitio
Un investigador de aprendizaje automático en un laboratorio universitario de visión
Estudiar cómo un mismo modelo aprende a ver y a dibujar con el mismo entrenamiento
Parte de los pesos y la guía de entrenamiento publicados bajo Apache 2.0. Las ablaciones del artículo sobre combinar rasgos de VAE y ViT dan una línea base lista; prevé una GPU de 32 GB o un nodo con varias GPU.
Un ingeniero de prototipos en un estudio de videojuegos
Generar y luego editar imágenes conceptuales a partir de instrucciones en un mismo bucle
Ejecuta la app Gradio o el nodo de ComfyUI con una versión NF4 en una tarjeta de 24 GB. La generación con 0,88 en GenEval basta para maquetas; cuenta con que los modelos de imagen actuales dedicados se vean mejor para el arte final.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio de GitHub, instala los requisitos y flash-attention, descarga los pesos de Hugging Face y ejecuta la app Gradio o el notebook. Hay Dockerfiles de la comunidad y una guía para Windows 11.
- Integraciones
- Código Python de inferencia y entrenamiento, app Gradio, nodo de ComfyUI de la comunidad y versiones comprimidas DF11 e INT8 de la comunidad.
- Datos y privacidad
- Solo autoalojado, así que prompts e imágenes se quedan en tu hardware. Apache 2.0 permite uso comercial, modificación y redistribución.
- Coste a escala
- Los pesos son gratuitos; el coste es una GPU de 32 GB o más por instancia a precisión completa, o una tarjeta de 12 a 32 GB con cuantización NF4.
- Límites
- Sin endpoint alojado, sin salida de vídeo, y las versiones cuantizadas vienen de la comunidad, no de ByteDance.
Lo bueno
- Entiende, genera y edita imágenes en un solo checkpoint
- 0,88 en GenEval, por encima del 0,82 de FLUX.1-dev (datos propios)
- Apache 2.0 para los pesos y todos los componentes
- Código y guía de entrenamiento publicados
Lo malo
- Comparado con modelos de 2024 y principios de 2025
- Necesita una GPU de 32 GB a precisión completa
- Sin API alojada ni soporte de llama.cpp u Ollama
- Sin sucesor ni actualización desde mayo de 2025
Ideal para
Investigadores y equipos de prototipado que necesitan un modelo abierto que lea y genere imágenes y están dispuestos a ajustarlo.
Alternativas a BAGEL-7B-MoT
BAGEL-7B-MoT: preguntas frecuentes
- ¿Merece la pena BAGEL-7B-MoT?
- BAGEL sigue siendo el modelo abierto más útil para entender, generar y editar en un solo sitio, pero tiene 18 meses y se nota. Le damos un 3.6 sobre 5.
- ¿Cuánto cuesta BAGEL-7B-MoT?
- Pesos y código gratuitos bajo Apache 2.0. Sin API alojada propia; hay una demo pública gratuita.
- ¿Qué inconvenientes tiene BAGEL-7B-MoT?
- Comparado con modelos de 2024 y principios de 2025; necesita una GPU de 32 GB a precisión completa; sin API alojada ni soporte de llama.cpp u Ollama; sin sucesor ni actualización desde mayo de 2025.
- ¿Para quién es BAGEL-7B-MoT?
- Investigadores y equipos de prototipado que necesitan un modelo abierto que lea y genere imágenes y están dispuestos a ajustarlo.
- ¿Cuánto cuesta BAGEL-7B-MoT para un equipo o en producción?
- Los pesos son gratuitos; el coste es una GPU de 32 GB o más por instancia a precisión completa, o una tarjeta de 12 a 32 GB con cuantización NF4.
- ¿Es BAGEL-7B-MoT seguro para los datos de la empresa?
- Solo autoalojado, así que prompts e imágenes se quedan en tu hardware. Apache 2.0 permite uso comercial, modificación y redistribución.
- ¿Cuáles son las mejores alternativas a BAGEL-7B-MoT?
- Las alternativas más cercanas que hemos analizado son Qwen-Image-Edit-2511, FLUX.2 [dev], Qwen3.8-27B y HunyuanImage 3.0 Instruct.
Respuestas comprobadas el 7 nov 2026.