DeepSeek-VL2 उन्नत बड़े मिश्रित विशेषज्ञ (MoE) दृश्य भाषा मॉडल की एक श्रृंखला है, जो पिछले DeepSeek-VL की तुलना में उल्लेखनीय रूप से बेहतर है। यह मॉडल श्रृंखला दृश्य प्रश्नोत्तर, ऑप्टिकल कैरेक्टर रिकॉग्निशन, दस्तावेज़/तालिका/चार्ट समझ, दृश्य स्थिति निर्धारण जैसे कई कार्यों में उत्कृष्ट क्षमता प्रदर्शित करता है। DeepSeek-VL2 तीन वेरिएंट से बना है: DeepSeek-VL2-टाइनी, DeepSeek-VL2-स्मॉल और DeepSeek-VL2, जिनमें क्रमशः 1.0B, 2.8B और 4.5B सक्रिय पैरामीटर हैं। समान या कम सक्रिय पैरामीटर के साथ, DeepSeek-VL2 मौजूदा ओपन-सोर्स सघन और MoE-आधारित मॉडल की तुलना में प्रतिस्पर्धी या अत्याधुनिक प्रदर्शन प्राप्त करता है।