視覺模型進入MoE時代！DeepSeek開源全新視覺模型VL2，逆向由圖生成代碼、梗圖解析、幾張圖生成一篇童話！ 原創(chuàng)
編輯 | 言征
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
12月13日晚，國內(nèi)開源模型玩家深度求索發(fā)布了視覺模型 DeepSeek-VL2。這次DeepSeek視覺模型給這一領(lǐng)域帶來了不少看新看點：
1、模型層面，視覺模型也可以使用 MoE 架構(gòu)，而且可以配合動態(tài)切圖
2、新增了不少生成玩法，如：視覺定位，模型可以根據(jù)提示識別出物體的邊界范圍，再比如梗圖理解和解析。
3、圖表理解：可以根據(jù)plot圖逆向生成代碼。
4、從OCR到故事生成：可以N張圖一期喂給模型，模型直接生成強相關(guān)的故事。
先上一張圖，讓大家品一品，一句提示，讓大模型明白圖中的人物：誰是淡定姐。
圖片
當(dāng)然，DeepSeek-VL2 肯定是開源的了，具體型號有3B、16B 、 27B。模型和論文均已發(fā)布：
模型下載：https://huggingface.co/deepseek-ai
GitHub主頁：https://github.com/deepseek-ai/DeepSeek-VL2
1.模型新升級
首先看數(shù)據(jù)方面，VL2 比上一代 DeepSeek-VL 多一倍優(yōu)質(zhì)訓(xùn)練數(shù)據(jù)，引入梗圖理解、視覺定位、視覺故事生成等新能力。
在模型架構(gòu)上，視覺部分使用切圖策略支持動態(tài)分辨率圖像，語言部分采用 MoE 架構(gòu)低成本高性能。
圖片
在訓(xùn)練方法上，繼承 DeepSeek-VL 的三階段訓(xùn)練流程，同時通過負載均衡適配圖像切片數(shù)量不定的困難，對圖像和文本數(shù)據(jù)使用不同流水并行策略，對 MoE 語言模型引入專家并行，實現(xiàn)高效訓(xùn)練。
在不少視覺理解測試中，評分結(jié)果跟GPT4o、Qwen打平，甚至更好，關(guān)鍵是VL2可以用更少的參數(shù)量就能達到極好的效果。DeepSeek-VL2 模型展現(xiàn)出了強大能力，在各項評測指標上均取得了極具優(yōu)勢的成績：
圖片
具體的測評結(jié)果如下：
圖片
2.動態(tài)分辨率支持
據(jù)介紹，DeepSeek-VL2 僅使用一個 SigLIP-SO400M 作為圖像編碼器，通過將圖像切分為多張子圖和一張全局縮略圖來實現(xiàn)動態(tài)分辨率圖像支持。這一策略使得 DeepSeek-VL2 最多支持 1152x1152 的分辨率和 1:9 或 9:1 的極端長寬比，這樣就可以適配更多應(yīng)用場景。
圖片
3.圖表理解
更多科研文檔數(shù)據(jù)的學(xué)習(xí)使得 DeepSeek-VL2 可以輕易理解各種科研圖表。
圖片
甚至連內(nèi)涵的梗圖大模型也可以理解到位，由于DeeSeek-VL2用了更大規(guī)模的優(yōu)質(zhì)數(shù)據(jù)，使得模型可以解析各種迷之能力，內(nèi)涵什么的，大模型簡直小菜一碟。
一道調(diào)侃考試難度的梗圖，讓他解釋下為什么好笑——
圖片
4.Plot2Code（逆向：圖生代碼）
DeepSeek-VL2 同時具備圖像理解和代碼生成的功能，可以作為你逆向畫圖的好幫手。
圖片
Prompt: Draw a plot similar to the image in Python.
5.視覺定位：視覺感知+語言推理
DS-VL2這次的一大看點就是視覺定位。用戶可以用一句話描述下物體，然后讓 DeepSeek-VL2 幫在圖像里找到符合描述的部分（注：模型本身只是輸出相應(yīng)物體的邊界框）。
圖片
有了這項功能，就可以讓大模型做很多事情，比如higlight一下孫猴子、葫蘆娃什么的，甚至有幾個葫蘆娃也都可以標出來！
圖片
此外，視覺感知+語言推理，強強聯(lián)手還可以讓模型具備視覺語義的對話能力。
這就是我們之前在GPT-4o發(fā)布視覺對話中的功能，你跟模型視頻，問他哪款甜品適合自己，他能很懂你的需求做出推薦。
圖片
6.故事生成
你也可以輸入多張圖像，讓模型把它們串聯(lián)起來，小老鼠、話多、魔法師、發(fā)光樹，四張圖片一上傳，讓VL2用這些圖片講一個故事，它也不會怵，秒懂圖里的角色，快速講出一篇《雪夜的奇遇》的童話來。
圖片
童話出版物機構(gòu)可以用上一用！
7.寫在最后：如何理解和用好多模態(tài)？
多模態(tài)可以說是今年以來大模型向前演進的一個趨勢，從語言到視覺、聽覺等深入研究，既可以進一步解鎖大模型的通用能力，同時也會讓未來的AI應(yīng)用更加繁榮和落地。
DeepSeek團隊提到，視覺是人類獲取外界信息的主要來源，占據(jù)所有信息量的約 80%。然而在大模型時代，視覺方面的進展卻遠遠落后于語言模型。
“我們堅信，提升模型視覺能力的意義不僅在于支持更多的輸入模態(tài)，更在于全方位提升模型的感知和認知能力。”
本文轉(zhuǎn)載自??51CTO技術(shù)棧??，作者：言征
