DeepSeek-VL

DeepSeek-VL

高性能开源视觉语言模型 多模态理解与复杂场景应用

DeepSeek-VL是一个开源视觉语言模型,为实际应用场景而设计。它能处理逻辑图表、网页、公式、科学文献、自然图像等,并在复杂场景中展现智能。模型提供1.3B和7B两种参数规模,支持基础和对话应用,可用于学术研究和商业用途。DeepSeek-VL采用MIT许可证,为研究人员和开发者提供了强大的视觉语言处理工具。

DeepSeek-VL视觉语言模型多模态理解开源人工智能Github开源项目
<!-- markdownlint-disable first-line-h1 --> <!-- markdownlint-disable html --> <!-- markdownlint-disable no-duplicate-header --> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/4fd454d9-01db-458b-85dd-1b81706afc78.svg" width="60%" alt="DeepSeek LLM" /> </div> <hr> <div align="center"> <a href="https://www.deepseek.com/" target="_blank"> <img alt="主页" src="https://yellow-cdn.veclightyear.com/835a84d5/16572eae-5c7b-4766-b1fd-b2c4ba4fa44b.svg" /> </a> <a href="https://huggingface.co/spaces/deepseek-ai/DeepSeek-VL-7B" target="_blank"> <img alt="聊天" src="https://img.shields.io/badge/🤖%20聊天-DeepSeek%20VL-536af5?color=536af5&logoColor=white" /> </a> <a href="https://huggingface.co/deepseek-ai" target="_blank"> <img alt="Hugging Face" src="https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-DeepSeek%20AI-ffc107?color=ffc107&logoColor=white" /> </a> </div> <div align="center"> <a href="https://discord.gg/Tc7c45Zzu5" target="_blank"> <img alt="Discord" src="https://img.shields.io/badge/Discord-DeepSeek%20AI-7289da?logo=discord&logoColor=white&color=7289da" /> </a> <a href="images/qr.jpeg" target="_blank"> <img alt="微信" src="https://img.shields.io/badge/微信-DeepSeek%20AI-brightgreen?logo=wechat&logoColor=white" /> </a> <a href="https://twitter.com/deepseek_ai" target="_blank"> <img alt="关注Twitter" src="https://img.shields.io/badge/Twitter-deepseek_ai-white?logo=x&logoColor=white" /> </a> </div> <div align="center"> <a href="LICENSE-CODE"> <img alt="代码许可" src="https://img.shields.io/badge/代码许可-MIT-f5de53?&color=f5de53"> </a> <a href="LICENSE-MODEL"> <img alt="模型许可" src="https://img.shields.io/badge/模型许可-模型协议-f5de53?&color=f5de53"> </a> </div> <p align="center"> <a href="#3-model-downloads"><b>📥 模型下载</b></a> | <a href="#4-quick-start"><b>⚡ 快速开始</b></a> | <a href="#5-license"><b>📜 许可证</b></a> | <a href="#6-citation"><b>📖 引用</b></a> <br> <a href="https://arxiv.org/abs/2403.05525"><b>📄 论文链接</b></a> | <a href="https://huggingface.co/papers/2403.05525"><b>🤗 Huggingface论文链接</b></a> | <a href="https://huggingface.co/spaces/deepseek-ai/DeepSeek-VL-7B"><b>👁️ 演示</b></a> </p>

1. 简介

介绍DeepSeek-VL,这是一个为实际视觉和语言理解应用设计的开源视觉语言(VL)模型。DeepSeek-VL具有通用的多模态理解能力,能够处理逻辑图表、网页、公式识别、科学文献、自然图像,以及复杂场景中的具身智能。

DeepSeek-VL:迈向真实世界的视觉语言理解

卢浩宇*、刘文*、张博**、王冰轩、董凯、刘博、孙敬翔、任卓声、李卓书、杨浩、孙耀锋、邓成奇、徐瀚威、谢震达、阮冲(*共同第一作者,**项目负责人)

2. 发布

<details> <summary>✅ <b>2024-03-14</b>:DeepSeek-VL-7B的演示在<a href="https://huggingface.co/spaces/deepseek-ai/DeepSeek-VL-7B">Hugging Face</a>上可用。</summary> <br>请在<a href="https://huggingface.co/spaces/deepseek-ai/DeepSeek-VL-7B">https://huggingface.co/spaces/deepseek-ai/DeepSeek-VL-7B</a>查看DeepSeek-VL-7B的gradio演示。亲身体验其功能! </details> <details> <summary>✅ <b>2024-03-13</b>:支持DeepSeek-VL gradio演示。 </details> <details> <summary>✅ <b>2024-03-11</b>:DeepSeek-VL系列发布,包括<code>DeepSeek-VL-7B-base</code>、<code>DeepSeek-VL-7B-chat</code>、<code>DeepSeek-VL-1.3B-base</code>和<code>DeepSeek-VL-1.3B-chat</code>。</summary> <br>此次发布包括DeepSeek-VL系列中为各种应用定制的多样化模型。这些模型有两种规模:7B和1.3B参数,每种规模都提供基础和聊天变体,以满足不同的需求和集成场景。 </details>

3. 模型下载

我们向公众发布了DeepSeek-VL系列,包括1.3B-base、1.3B-chat、7b-base和7b-chat模型,以支持学术和商业社区内更广泛、更多样化的研究。请注意,本模型的使用受许可证部分中概述的条款约束。根据这些条款,允许商业使用。

Huggingface

模型序列长度下载链接
DeepSeek-VL-1.3B-base4096🤗 Hugging Face
DeepSeek-VL-1.3B-chat4096🤗 Hugging Face
DeepSeek-VL-7B-base4096🤗 Hugging Face
DeepSeek-VL-7B-chat4096🤗 Hugging Face

4. 快速入门

安装

在Python 3.8或更高版本的环境中,运行以下命令安装必要的依赖项:

pip install -e .

简单推理示例

import torch from transformers import AutoModelForCausalLM from deepseek_vl.models import VLChatProcessor, MultiModalityCausalLM from deepseek_vl.utils.io import load_pil_images # 指定模型路径 model_path = "deepseek-ai/deepseek-vl-7b-chat" vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path) tokenizer = vl_chat_processor.tokenizer vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True) vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval() ## 单图对话示例 conversation = [ { "role": "User", "content": "<image_placeholder>描述这张图片的每个阶段。", "images": ["./images/training_pipelines.jpg"], }, {"role": "Assistant", "content": ""}, ] ## 多图(或上下文学习)对话示例 # conversation = [ # { # "role": "User", # "content": "<image_placeholder>前景中的狗没有穿任何东西," # "<image_placeholder>一只戴着圣诞帽的狗," # "<image_placeholder>一只穿着巫师服装的狗,以及" # "<image_placeholder>这只狗穿着什么?", # "images": [ # "images/dog_a.png", # "images/dog_b.png", # "images/dog_c.png", # "images/dog_d.png", # ], # }, # {"role": "Assistant", "content": ""} # ] # 加载图片并准备输入 pil_images = load_pil_images(conversation) prepare_inputs = vl_chat_processor( conversations=conversation, images=pil_images, force_batchify=True ).to(vl_gpt.device) # 运行图像编码器获取图像嵌入 inputs_embeds = vl_gpt.prepare_inputs_embeds(**prepare_inputs) # 运行模型获取响应 outputs = vl_gpt.language_model.generate( inputs_embeds=inputs_embeds, attention_mask=prepare_inputs.attention_mask, pad_token_id=tokenizer.eos_token_id, bos_token_id=tokenizer.bos_token_id, eos_token_id=tokenizer.eos_token_id, max_new_tokens=512, do_sample=False, use_cache=True ) answer = tokenizer.decode(outputs[0].cpu().tolist(), skip_special_tokens=True) print(f"{prepare_inputs['sft_format'][0]}", answer)

命令行聊天

python cli_chat.py --model_path "deepseek-ai/deepseek-vl-7b-chat" # 或本地路径 python cli_chat.py --model_path "本地模型路径"

Gradio演示

pip install -e .[gradio] python deepseek_vl/serve/app_deepseek.py

玩得开心!

5. 许可证

此代码仓库采用MIT许可证。DeepSeek-VL Base/Chat模型的使用受DeepSeek模型许可证约束。DeepSeek-VL系列(包括Base和Chat)支持商业使用。

6. 引用

@misc{lu2024deepseekvl,
      title={DeepSeek-VL: Towards Real-World Vision-Language Understanding},
      author={Haoyu Lu and Wen Liu and Bo Zhang and Bingxuan Wang and Kai Dong and Bo Liu and Jingxiang Sun and Tongzheng Ren and Zhuoshu Li and Hao Yang and Yaofeng Sun and Chengqi Deng and Hanwei Xu and Zhenda Xie and Chong Ruan},
      year={2024},
      eprint={2403.05525},
      archivePrefix={arXiv},
      primaryClass={cs.AI}
}

7. 联系方式

如果您有任何问题,请提出issue或通过service@deepseek.com联系我们。

编辑推荐精选

扣子-AI办公

扣子-AI办公

职场AI,就用扣子

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

堆友

堆友

多风格AI绘画神器

堆友平台由阿里巴巴设计团队创建,作为一款AI驱动的设计工具,专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图,显著提升设计品质和效率。平台不仅提供工具,还是一个促进创意交流和个人发展的空间,界面友好,适合所有级别的设计师和创意工作者。

图像生成热门AI工具AI图像AI反应堆AI工具箱AI绘画GOAI艺术字堆友相机
码上飞

码上飞

零代码AI应用开发平台

零代码AI应用开发平台,用户只需一句话简单描述需求,AI能自动生成小程序、APP或H5网页应用,无需编写代码。

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码,轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。

AI工具使用教程AI营销产品酷表ChatExcelAI智能客服
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

数据安全AI助手热门AI工具AI辅助写作AI论文工具论文写作智能生成大纲
博思AIPPT

博思AIPPT

AI一键生成PPT,就用博思AIPPT!

博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。

热门AI工具AI办公办公工具智能排版AI生成PPT博思AIPPT海量精品模板AI创作
潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

下拉加载更多