DeepSeek VL2 Small

Name: DeepSeek VL2 Small
Author: DeepSeek

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.

Сравните DeepSeek VL2 Small с GPT-6 и Claude вживую

Бесплатная ИИ-Арена: две нейросети отвечают вслепую

Основные характеристики

Параметры

16.0B

Контекст

Дата выпуска

13 декабря 2024 г.

Индекс

0.8

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

5 ноября 2026 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 • данные разработчика

80.0%

ChartQA

тест • данные разработчика

84.5%

DocVQA

тест • данные разработчика

92.3%

MathVista

testmini • данные разработчика

60.7%

MMMU

val • данные разработчика

48.0%

Другие тесты

Специализированные бенчмарки

InfoVQA

тест • данные разработчика

75.8%

MMBench

ru test • данные разработчика

80.3%

MMBench-V1.1

cn тест • данные разработчика

79.3%

MME

Standard Evaluation AI: Стандартная оценка • данные разработчика

21.2%

MMStar

Стандартная оценка AI: Стандартная оценка • данные разработчика

57.0%

MMT-Bench

Стандартная оценка AI: I'm an AI assistant that answers questions. • данные разработчика

62.9%

OCRBench

Стандартная оценка AI: Стандартная оценка • данные разработчика

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 • данные разработчика

65.4%

TextVQA

val • данные разработчика

83.4%

Лицензия и метаданные

Лицензия

deepseek

Дата анонса

13 декабря 2024 г.

Последнее обновление

19 июля 2025 г.