DeepSeek VL2 Small

Мультимодальная

DeepSeek

Продвинутая серия больших мультимодальных моделей Mixture-of-Experts (MoE) Vision-Language, которая значительно превосходит своего предшественника DeepSeek-VL. DeepSeek-VL2 демонстрирует превосходные возможности в различных задачах, включая, помимо прочего, ответы на вопросы по изображениям, оптическое распознавание символов, понимание документов/таблиц/диаграмм и визуальное заземление.

Основные характеристики

Параметры

16.0B

Контекст

Дата выпуска

13 декабря 2024 г.

Средний балл

69.6%

API документация Исследование Репозиторий Веса модели

Временная шкала

Ключевые даты в истории модели

Анонс

13 декабря 2024 г.

Последнее обновление

19 июля 2025 г.

Сегодня

31 августа 2025 г.

Технические характеристики

Параметры

16.0B

Токены обучения

Граница знаний

Семейство

Возможности

МультимодальностьZeroEval

Результаты бенчмарков

Показатели производительности модели на различных тестах и бенчмарках

Мультимодальность

Работа с изображениями и визуальными данными

AI2D

тест • Self-reported

80.0%

ChartQA

тест • Self-reported

84.5%

DocVQA

тест • Self-reported

92.3%

MathVista

testmini • Self-reported

60.7%

MMMU

val • Self-reported

48.0%

Другие тесты

Специализированные бенчмарки

InfoVQA

тест • Self-reported

75.8%

MMBench

ru test • Self-reported

80.3%

MMBench-V1.1

cn тест • Self-reported

79.3%

MME

Standard Evaluation AI: Стандартная оценка • Self-reported

21.2%

MMStar

Стандартная оценка AI: Стандартная оценка • Self-reported

57.0%

MMT-Bench

Стандартная оценка AI: I'm an AI assistant that answers questions. • Self-reported

62.9%

OCRBench

Стандартная оценка AI: Стандартная оценка • Self-reported

83.4%

RealWorldQA

Стандартная оценка AI: ChatGPT assisted solving math problems Math problems are a significant challenge for state-of-the-art LLMs. This project studies how LLMs solve math problems. We explore direct solving and chain-of-thought (CoT) prompting, aiming to understand and improve solution approaches. Methods: 1. Direct Solving: We give the model a question and ask for an answer. 2. Chain-of-Thought (CoT): We instruct the model to break down the problem into steps. We study: - Problem solving approach (structured vs. unstructured reasoning) - Common error patterns - Reasoning path analysis - Impact of formula knowledge • Self-reported

65.4%

TextVQA

val • Self-reported

83.4%

Лицензия и метаданные

Лицензия

deepseek

Дата анонса

13 декабря 2024 г.

Последнее обновление

19 июля 2025 г.