DeepSeek-VL2

收录理由

DeepSeek-VL2 是一组开源的视觉语言模型，采用混合专家架构设计，1.0B、2.8B 和 4.5B 三个版本在每次请求时只激活一小部分参数。这样一来，计算开销接近小模型，却依然能处理视觉问答、OCR 和物体定位等任务，适合那些想要多模态能力、又不想为稠密大模型付出高昂算力成本的团队。仓库提供了简洁的 Hugging Face 集成，Python 调用路径很短：加载权重，传入一张或几张图片，就能得到文本输出，以及用于 grounding 任务的边界框。对于文档理解、视觉搜索或图像描述这类场景，如果你希望自己运行并微调模型，这是一个很实际的选择。