DeepSeek-VL2-Small

Modelo de lenguaje visual avanzado de gran tamaño y experto mixto

Producto ComúnImagenPreguntas y respuestas visualesReconocimiento óptico de caracteres

DeepSeek-VL2 es una serie de modelos de lenguaje visual avanzados de gran tamaño y expertos mixtos (MoE) que presentan mejoras significativas con respecto a la generación anterior, DeepSeek-VL. Esta serie de modelos demuestra una capacidad excepcional en diversas tareas, incluyendo preguntas y respuestas visuales, reconocimiento óptico de caracteres (OCR), comprensión de documentos/tablas/gráficos y localización visual. DeepSeek-VL2 consta de tres variantes: DeepSeek-VL2-Tiny, DeepSeek-VL2-Small y DeepSeek-VL2, con 1.000 millones, 2.800 millones y 4.500 millones de parámetros activados, respectivamente. DeepSeek-VL2 alcanza un rendimiento competitivo o de vanguardia en comparación con los modelos existentes de código abierto, tanto densos como basados en MoE, con un número similar o menor de parámetros activados.

Best AI Websites & Tools

DeepSeek-VL2-Small

DeepSeek-VL2-Small Situación del tráfico más reciente

DeepSeek-VL2-Small Tendencia de visitas

DeepSeek-VL2-Small Distribución geográfica de las visitas

DeepSeek-VL2-Small Fuentes de tráfico

DeepSeek-VL2-Small Alternativas

DeepSeek-VL2-Small — Modelo de lenguaje visual avanzado de gran tamaño y experto mixto

EAGLE — Exploración del espacio de diseño de modelos de lenguaje grandes multimodales

Moonlight — Moonlight es un modelo de experto mixto (MoE) de 16B parámetros, entrenado con el optimizador Muon, que ofrece un rendimiento excepcional.

SmolVLM-500M-Instruct — SmolVLM-500M es un modelo multimodal ligero que puede procesar entradas de imagen y texto y generar salidas de texto.

PaliGemma2-3b-pt-224 — PaliGemma 2 es un potente modelo de lenguaje visual que admite tareas de procesamiento de imágenes y texto en varios idiomas.

PaliGemma2-3b-pt-448 — PaliGemma 2 es un potente modelo de lenguaje visual que admite diversas tareas de lenguaje visual.

InternVL2_5-26B-MPO — Modelo de lenguaje grande multimodales que mejora la interacción entre la visión y el lenguaje.

Aria-UI — Modelo multimodal para la localización visual de instrucciones de GUI

InternVL2_5-1B-MPO — Modelo de lenguaje grande multimodal que mejora la comprensión integral de la visión y el lenguaje.

InternViT-300M-448px-V2_5 — Versión mejorada de InternViT-300M-448px, que mejora la capacidad de extracción de características visuales.

Florence-VL — Herramienta de mejora de modelos de lenguaje visual, que combina un codificador visual generativo y una técnica de fusión de profundidad y amplitud.

LLaVA-o1 — Modelo de lenguaje visual capaz de realizar razonamiento paso a paso.

PPLLaVA — Modelo de implementación de GPU para la comprensión de secuencias de vídeo

Tencent-Hunyuan-Large — Modelo de experto mixto grande y de código abierto líder en el sector

Agente S — Agente S: un marco de agente abierto que permite a las computadoras usar computadoras como humanos.

FakeShield — Detección y localización de imágenes explicables basada en modelos de lenguaje grandes multimodales

mPLUG-DocOwl 1.5 — Modelo de aprendizaje de estructura unificada para la comprensión de documentos sin OCR

LLaVA-Video — Investigación en ajuste fino de instrucciones de video y datos sintéticos

Pixtral-12B-2409 — Modelo multimodal de 12B parámetros, que combina un codificador visual para procesar imágenes y texto.

LongLLaVA — Modelo de lenguaje extenso multimodal de alta eficiencia escalable a 1000 imágenes

SlowFast-LLaVA — Modelo de lenguaje grande sin entrenamiento para comprensión e inferencia de video.

Llama3-s v0.2 — Punto de control multimodal más reciente, mejora la capacidad de comprensión del habla.

llama3-s — Un modelo de lenguaje abierto de código abierto en entrenamiento, con capacidad de "audición".

MAVIS — Modelo de ajuste de instrucciones de visión matemática

LongVA — Modelo de transformación de contexto largo de lenguaje a visión

MG-LLaVA — MLLM innovador con ajuste fino de instrucciones visuales multigranulares

4M — Marco de entrenamiento de modelos multimodales y multitarea

Stable Diffusion 3 Gratuito Online — Modelo avanzado de generación de imágenes a partir de texto

VideoLLaMA2-7B — Modelo de lenguaje grande para video, que ofrece respuestas a preguntas visuales y generación de subtítulos de video.

VideoLLaMA2-7B-Base — Modelo de lenguaje de video grande que ofrece respuestas a preguntas visuales y generación de subtítulos de video.