O que é BAGEL-7B-MoT?
BAGEL é o modelo multimodal unificado e aberto da ByteDance Seed, lançado em 20 de maio de 2025. Um só modelo entende imagens e também as gera: responde perguntas sobre fotos, transforma texto em imagens e edita imagens a partir de instruções. Tem 14 bilhões de parâmetros, 7 bilhões ativos, com um desenho Mixture-of-Transformer-Experts em que pesos especialistas separados cuidam da compreensão e da geração.
Foi ajustado a partir do Qwen2.5-7B-Instruct e do codificador de visão SigLIP so400m, e usa o VAE do FLUX.1-schnell para produzir pixels; os três são Apache 2.0, assim como o BAGEL. A ByteDance o treinou com trilhões de tokens intercalados de texto, imagem, vídeo e web, e relata que a edição e o raciocínio visual em várias etapas surgiram tarde nesse treinamento.
A ByteDance não lançou um sucessor, e o código no GitHub foi atualizado pela última vez em maio de 2026. O repositório tem cerca de 6.200 estrelas; os pesos tiveram cerca de 6.900 downloads no Hugging Face nos últimos 30 dias.
BAGEL-7B-MoT vale a pena?
O argumento do BAGEL é a amplitude num único checkpoint Apache 2.0. Na ficha da ByteDance, ele marca 85,0 no MMBench e 73,1 no MathVista contra 83,5 e 68,2 do Qwen2.5-VL-7B, 0,88 no teste de texto para imagem GenEval contra 0,82 do FLUX.1-dev e 0,74 do SD3-Medium, e 7,36 em consistência semântica na edição do GEdit-Bench contra 7,09 do Step1X-Edit. Poucos modelos abertos cobrem as três tarefas, e menos ainda sob Apache 2.0.
O problema são as comparações. Todos os rivais da ficha são de 2024 ou do início de 2025: Qwen2.5-VL, Janus-Pro, SD3, Gemini 2.0. O Qwen2.5-VL-7B já o supera no MMMU (58,6 a 55,3), e no teste de edição com muito raciocínio IntelligentBench o Gemini 2.0 marcou 57,6 contra 44,0 do BAGEL, ou 55,3 com a cadeia de raciocínio ligada. Os modelos atuais dedicados a imagem e visão avançaram desde então.
Ele também é pesado para um modelo com 7B ativos. O README pede uma GPU de 32 GB ou várias GPUs em precisão total; placas de 12 a 32 GB precisam da quantização NF4 da comunidade, e INT8 não é recomendado para 22 a 32 GB. Não há API hospedada nem caminho por llama.cpp ou Ollama, e a instalação significa clonar o repositório e instalar o flash-attention.
Isso deixa o BAGEL como base de pesquisa e prototipagem, não como escolha de produção. É o modelo aberto para ajustar se você precisa de uma única rede que veja e desenhe, por exemplo para geração intercalada de imagem e texto ou experimentos de navegação em mundos, que o artigo destaca.
Onde ele se destaca
Um pesquisador de aprendizado de máquina num laboratório universitário de visão
Estudar como um modelo aprende a ver e desenhar a partir do mesmo treinamento
Comece pelos pesos e pelo guia de treinamento publicados sob Apache 2.0. As ablações do artigo sobre combinar características de VAE e ViT dão uma base pronta; reserve uma GPU de 32 GB ou um nó com várias GPUs.
Um engenheiro de protótipos num estúdio de games
Gerar e depois editar imagens conceituais a partir de instruções num mesmo ciclo
Rode o app Gradio ou o nó do ComfyUI com uma versão NF4 numa placa de 24 GB. A geração com 0,88 no GenEval basta para rascunhos; espere que os modelos de imagem dedicados atuais fiquem melhores na arte final.
Antes de decidir
- Configuração
- Clone o repositório do GitHub, instale as dependências e o flash-attention, baixe os pesos do Hugging Face e rode o app Gradio ou o notebook. Existem Dockerfiles da comunidade e um guia para Windows 11.
- Integrações
- Código Python de inferência e treinamento, app Gradio, nó do ComfyUI da comunidade e versões comprimidas DF11 e INT8 da comunidade.
- Dados e privacidade
- Só auto-hospedado, então prompts e imagens ficam no seu hardware. Apache 2.0 permite uso comercial, modificação e redistribuição.
- Custo em escala
- Os pesos são gratuitos; o custo é uma GPU de 32 GB ou mais por instância em precisão total, ou uma placa de 12 a 32 GB com quantização NF4.
- Limites
- Sem endpoint hospedado, sem saída de vídeo, e as versões quantizadas vêm da comunidade, não da ByteDance.
O que é bom
- Entende, gera e edita imagens num só checkpoint
- 0,88 no GenEval, acima dos 0,82 do FLUX.1-dev (dado próprio)
- Apache 2.0 para os pesos e todos os componentes
- Código e guia de treinamento publicados
O que não é
- Comparado com modelos de 2024 e do início de 2025
- Precisa de GPU de 32 GB em precisão total
- Sem API hospedada, sem suporte a llama.cpp ou Ollama
- Sem sucessor nem atualização desde maio de 2025
Ideal para
Pesquisadores e equipes de prototipagem que precisam de um modelo aberto que leia e gere imagens e estão dispostos a ajustá-lo.
Alternativas ao BAGEL-7B-MoT
BAGEL-7B-MoT: perguntas frequentes
- BAGEL-7B-MoT vale a pena?
- O BAGEL ainda é o modelo aberto mais útil para entender, gerar e editar num só lugar, mas tem 18 meses e isso aparece. Damos nota 3.6 de 5.
- Quanto custa BAGEL-7B-MoT?
- Pesos e código gratuitos sob Apache 2.0. Sem API hospedada própria; há uma demo pública gratuita.
- Quais são as desvantagens de BAGEL-7B-MoT?
- Comparado com modelos de 2024 e do início de 2025; precisa de GPU de 32 GB em precisão total; sem API hospedada, sem suporte a llama.cpp ou Ollama; sem sucessor nem atualização desde maio de 2025.
- Para quem BAGEL-7B-MoT é indicado?
- Pesquisadores e equipes de prototipagem que precisam de um modelo aberto que leia e gere imagens e estão dispostos a ajustá-lo.
- Quanto custa BAGEL-7B-MoT para uma equipe ou em produção?
- Os pesos são gratuitos; o custo é uma GPU de 32 GB ou mais por instância em precisão total, ou uma placa de 12 a 32 GB com quantização NF4.
- BAGEL-7B-MoT é seguro para dados da empresa?
- Só auto-hospedado, então prompts e imagens ficam no seu hardware. Apache 2.0 permite uso comercial, modificação e redistribuição.
- Quais são as melhores alternativas ao BAGEL-7B-MoT?
- As alternativas mais próximas que analisamos são Qwen-Image-Edit-2511, FLUX.2 [dev], Qwen3.8-27B e HunyuanImage 3.0 Instruct.
Respostas verificadas em 7 de nov. de 2026.