/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
Своя лицензия
Архитектура
multi_modality · dense
Опубликована
7 мар 2024

deepseek-vl-1.3b-chat

Изображение и текст → текст5 профессий

Компактная мультимодальная чат-модель DeepSeek для ответов на вопросы по изображениям и анализа визуальных материалов.

6 179скачиваний за 30 дней78лайковвеса обновлены15 мар 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DeepSeek-VL-1.3b-chat — компактная модель для совместной обработки изображений и текста, разработанная командой DeepSeek. Это версия с инструкционной настройкой семейства DeepSeek-VL: визуальный энкодер SigLIP-L принимает изображения размером 384 × 384, а языковая часть основана на DeepSeek-LLM-1.3B. Базовая модель DeepSeek-VL обучалась на данных для зрения и языка; чат-версия предназначена для диалога по визуальному содержимому.

Модель подходит для описания изображений и ответов на вопросы о них, а также для анализа логических схем, веб-страниц, формул и научных материалов. Она ориентирована на прикладные сценарии понимания визуальной информации, включая сложные сцены и задачи embodied intelligence. Архитектура — плотная мультимодальная причинная языковая модель; формат весов в репозитории — safetensors.

Вход включает изображения и текст, выход — текст. В README не заявлен конкретный набор поддерживаемых естественных языков. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопутствующими материалами репозитория перед внедрением.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого фотографий
  • анализ логических схем и диаграмм
  • извлечение и распознавание формул на изображениях
  • понимание содержимого веб-страниц и научных материалов

Ограничения

Визуальный энкодер рассчитан на входные изображения 384 × 384. Лицензия указана как other; условия использования нужно уточнить в материалах репозитория.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1. Introduction

Introducing DeepSeek-VL, an open-source Vision-Language (VL) Model designed for real-world vision and language understanding applications. DeepSeek-VL possesses general multimodal understanding capabilities, capable of processing logical diagrams, web pages, formula recognition, scientific literature, natural images, and embodied intelligence in complex scenarios.

DeepSeek-VL: Towards Real-World Vision-Language Understanding

Github Repository

Haoyu Lu*, Wen Liu*, Bo Zhang**, Bingxuan Wang, Kai Dong, Bo Liu, Jingxiang Sun, Tongzheng Ren, Zhuoshu Li, Hao Yang, Yaofeng Sun, Chengqi Deng, Hanwei Xu, Zhenda Xie, Chong Ruan (*Equal Contribution, **Project Lead)

2. Model Summary

DeepSeek-VL-1.3b-chat is a tiny vision-language model. It uses the SigLIP-L as the vision encoder supporting 384 x 384 image input and is constructed based on the DeepSeek-LLM-1.3b-base which is trained on an approximate corpus of 500B text tokens. The whole DeepSeek-VL-1.3b-base model is finally trained around 400B vision-language tokens. The DeepSeek-VL-1.3b-chat is an instructed version based on DeepSeek-VL-1.3b-base.

3. Quick Start

Installation

On the basis of Python >= 3.8 environment, install the necessary dependencies by running the following command:

git clone https://github.com/deepseek-ai/DeepSeek-VL
cd DeepSeek-VL

pip install -e .

Simple Inference Example

import torch
from transformers import AutoModelForCausalLM

from deepseek_vl.models import VLChatProcessor, MultiModalityCausalLM
from deepseek_vl.utils.io import load_pil_images


# specify the path to the model
model_path = "deepseek-ai/deepseek-vl-1.3b-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()

conversation = [
    {
        "role": "User",
        "content": "<image_placeholder>Describe each stage of this image.",
        "images": ["./images/training_pipelines.png"]
    },
    {
        "role": "Assistant",
        "content": ""
    }
]

# load images and prepare for inputs
pil_images = load_pil_images(conversation)
prepare_inputs = vl_chat_processor(
    conversations=conversation,
    images=pil_images,
    force_batchify=True
).to(vl_gpt.device)

# run image encoder to get the image embeddings
inputs_embeds = vl_gpt.prepare_inputs_embeds(**prepare_inputs)

# run the model to get the response
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)

CLI Chat


python cli_chat.py --model_path "deepseek-ai/deepseek-vl-1.3b-chat"

# or local path
python cli_chat.py --model_path "local model path"

4. License

This code repository is licensed under the MIT License. The use of DeepSeek-VL Base/Chat models is subject to DeepSeek Model License. DeepSeek-VL series (including Base and Chat) supports commercial use.

5. Citation

@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 Yaofeng Sun and Chengqi Deng and Hanwei Xu and Zhenda Xie and Chong Ruan},
      year={2024},
      eprint={2403.05525},
      archivePrefix={arXiv},
      primaryClass={cs.AI}
}

6. Contact

If you have any questions, please raise an issue or contact us at service@deepseek.com.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура multi_modality неизвестна transformers в образе рантайма.

Класс архитектуры
MultiModalityCausalLM
Ревизия весов
8f13a8e

0 моделей