/ Модель

Характеристики

Лицензия
MIT
Базовая модель
DeepSeek-V4.1-Flash
Библиотека
transformers
Опубликована
17 сен 2026

DeepSeek-ViT

Эмбеддинги изображенийИзображение → embedding3 профессии

DeepSeek-ViT — визуальная башня DeepSeek-V4.1-Flash с MLP-проектором для извлечения признаков изображений.

36скачиваний за 30 дней0лайковвеса обновлены17 сен 2026

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-ViT — пакет весов визуальной башни DeepSeek-V4.1-Flash и двухслойного MLP-проектора, подготовленный Immanuel Peter на основе чекпойнта DeepSeek. Модель предназначена для извлечения признаков из изображений и передачи визуальных представлений в мультимодальные системы.

Визуальная башня DeepSeekV41ViT содержит 32 слоя, скрытый размер 1024, 16 голов внимания и промежуточный размер 2816; используются патчи размером 14 и 2D-RoPE. Перед проектором выполняется сжатие токенов через pixel-unshuffle с дополнением. Веса сохранены в формате BF16 внутри файлов Safetensors. Репозиторий не содержит файлов моделирования Transformers или конфигурации препроцессора, поэтому AutoModel.from_pretrained не загружает его; для извлечения признаков README указывает пример inference.py.

Модель подходит для получения визуальных признаков в составе мультимодальных конвейеров. Лицензия — MIT. README сообщает, что веса башни и проектора сверены с родительским чекпойнтом побитовым сравнением.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • подготовка представлений изображений для мультимодальной модели
  • сжатие визуальных токенов перед передачей в языковую модель

Ограничения

В репозитории нет реализации модели для Transformers и конфигурации препроцессора, поэтому AutoModel.from_pretrained не работает; для инференса требуется код vision.py из репозитория. README не описывает ограничения качества или диапазон поддерживаемых изображений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek-ViT

This repository packages DeepSeek-ViT and the two-layer MLP projector from DeepSeek-V4.1-Flash.

Contents

FileTensorsWhat it holds
model.safetensors259DeepSeek-ViT Tower, extracted from source shard 1
projector.safetensors4Two-layer MLP Aligner
config.jsonVision-only DeepSeekV41ViT
vision.pyStandalone ViT and Aligner used by examples/inference.py

This repository does not include Transformers modeling files or a preprocessor config. AutoModel.from_pretrained will not work.

Architecture

ComponentDetails
Tower32 layers, 1024 hidden, 16 heads, 2816 intermediate, patch size 14, 2D-RoPE
Token compression3x3 unfold / pixel-unshuffle with padding
AlignerLinear(9216, 5120), GELU, Linear(5120, 5120), both with bias

Usage

See examples/inference.py for image feature extraction. AutoModel.from_pretrained will not load this repository. The example uses vision.py in this repo.

Validation

The parity script compares all 259 Tower tensors and 4 Aligner tensors with the pinned parent checkpoint using torch.equal.

Reproduction

The export script reads vision.* and aligner.* from shard 1 of deepseek-ai/DeepSeek-V4.1-Flash, removes the prefixes, and writes the original BF16 tensors.

Credits

DeepSeek released the DeepSeek-V4.1-Flash weights. DeepSeek-ViT is described in DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression.

License

MIT License, the same license as the source model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Архитектура DeepSeekV41ViT неизвестна transformers в образе рантайма.

Класс архитектуры
DeepSeekV41ViT
Ревизия весов
eef4a2a

0 моделей