近日，DeepSeek 官方公眾號(hào)發(fā)布了一則令人矚目的消息，宣布其最新研發(fā)的 DeepSeek-VL2 模型已正式開源。據(jù)官方介紹，該模型在多項(xiàng)評(píng)測指標(biāo)上均表現(xiàn)出色，標(biāo)志著 DeepSeek 的視覺模型正式邁入混合專家模型（Mixture of Experts，簡稱 MoE）時(shí)代。
DeepSeek-VL2 相較于其前代 DeepSeek-VL，在訓(xùn)練數(shù)據(jù)上實(shí)現(xiàn)了翻倍的增長，并且引入了梗圖理解、視覺定位、視覺故事生成等一系列新能力。這些改進(jìn)使得 DeepSeek-VL2 在處理復(fù)雜視覺任務(wù)時(shí)更加游刃有余。
在架構(gòu)方面，DeepSeek-VL2 采用了創(chuàng)新的切圖策略，支持動(dòng)態(tài)分辨率圖像。這一策略通過將圖像切分為多張子圖和一張全局縮略圖，實(shí)現(xiàn)了對(duì)不同分辨率和長寬比的圖像的靈活處理。同時(shí)，在語言部分，DeepSeek-VL2 采用了 MoE 架構(gòu)，不僅降低了成本，還提高了性能。
在訓(xùn)練流程上，DeepSeek-VL2 繼承了 DeepSeek-VL 的三階段訓(xùn)練方法，并進(jìn)行了多項(xiàng)優(yōu)化。為了適配圖像切片數(shù)量不定的困難，DeepSeek-VL2 引入了負(fù)載均衡策略。同時(shí)，對(duì)圖像和文本數(shù)據(jù)使用了不同的流水并行策略，對(duì) MoE 語言模型引入了專家并行，從而實(shí)現(xiàn)了高效訓(xùn)練。
DeepSeek-VL2 模型支持高達(dá) 1152x1152 的分辨率和 1:9 或 9:1 的極端長寬比，這使得它能夠適配更多應(yīng)用場景。DeepSeek-VL2 還通過學(xué)習(xí)更多科研文檔數(shù)據(jù)，具備了輕松理解各種科研圖表的能力。更進(jìn)一步的是，它還能通過 Plot2Code 功能，根據(jù)圖像生成 Python 代碼。
DeepSeek-VL2 的這些優(yōu)勢使其在多個(gè)領(lǐng)域都展現(xiàn)出了巨大的潛力。無論是圖像處理、視覺定位還是代碼生成，DeepSeek-VL2 都能夠?yàn)橛脩籼峁└泳珳?zhǔn)、高效的服務(wù)。
目前，DeepSeek-VL2 模型和論文均已公開發(fā)布。用戶可以通過以下鏈接下載模型和訪問 GitHub 主頁：
模型下載：https://huggingface.co/deepseek-ai
GitHub 主頁：https://github.com/deepseek-ai/DeepSeek-VL2
