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

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。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
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。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

下拉加载更多