本文へスキップ

DeepSeek-VL2

視覚と言語の理解を扱う MoE 型の視覚言語モデル群

公式サイトを見る

DeepSeek-VL2 とは

本モデルは大規模な MoE 型の視覚言語モデル群と紹介され、前の DeepSeek-VL からの向上が説明され、視覚質問応答、文字認識、文書・表・図表の理解、視覚的位置特定を扱う。

できること

  • 画像に関する問いに答える
  • 画像の中の文字を認識する
  • 文書・表・図表の内容を読み解く
  • 画像の中の特定の物体の位置を突き止める

長所と短所

✓ 良い点

  • 視覚情報と言語情報を一つのモデルにまとめる
  • 資料は同程度か少ない活性化パラメータで競争的な性能と説明

! 注意したい点

  • 三つの変種で活性化パラメータの量が異なる
  • 推論は依存関係の導入とモデル経路の読み込みから始まる

よくある質問

三つの変種は?

資料は DeepSeek-VL2-Tiny、DeepSeek-VL2-Small、DeepSeek-VL2 を挙げ、活性化パラメータは 1.0B、2.8B、4.5B。

挙がる課題は?

視覚質問応答、文字認識、文書・表・図表の理解。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法