我们提出 BAGEL，一个开源的多模态基础模型，拥有 70 亿活跃参数（总计 140 亿），在大规模交错多模态数据上进行训练。BAGEL 在标准多模态理解排行榜上超越了当前顶尖的开源视觉语言模型（如 Qwen2.5-VL 和 InternVL-2.5），并实现了与强大专用生成器（如 SD3）相当的文本到图像质量。此外，BAGEL 在经典图像编辑场景中展现出优于领先开源模型的定性效果。更重要的是，它扩展至自由形式的视觉操作、多视角合成和世界导航，这些能力构成了超越以往图像编辑模型范畴的“世界建模”任务。下图展示了 BAGEL 的定性性能表现。