DeepSeek V2.5系列刚刚收官，深度求索紧接着就放出了一个重磅冲击波——视觉语言模型DeepSeek-VL2。不同于市面上那些走密集型路线的视觉模型，DeepSeek-VL2采用了MoE架构配合动态切图策略，在视觉问答、光学字符识别（OCR）、文档/表格/图表理解以及视觉定位等任务中，表现相当抢眼。可以说，MoE技术正在重新定义视觉模型的玩法。

这次发布的DeepSeek-VL2系列共包含三个版本：Tiny、Small和标准版。其中标准版DeepSeek-VL2基于DeepSeekMoE-27B构建，激活参数仅4.5B，却在激活参数相同甚至更少的情况下，追平甚至超越了现有的开源密集模型和MoE基础模型。

模型亮点及性能

DeepSeek-VL2之所以这么能打，主要归功于三个方面的重磅升级：

• 数据：训练数据量是上一代DeepSeek-VL的两倍，并且加入了梗图理解、视觉定位、视觉故事生成等全新能力。
• 架构：视觉部分采用动态分辨率切图，语言部分则沿用了低计算量、高性能的MoE架构。
• 训练：继承了三阶段训练流程，但针对图像切片数量不定的难题做了负载均衡，对图文数据采用不同的流水并行策略，并引入专家并行，保证了训练效率。

凭借这些技术创新，DeepSeek-VL2在各项评测指标上全面开花，成绩足以与GPT-4V、Claude 3.5 Sonnet等闭源模型掰手腕。

开发者评价

在国内外AI社区，DeepSeek早已是公认的“技术流”代表。这次DeepSeek-VL2一亮相，开发者们的评价就迅速涌来。有网友评价说：“它在每个激活参数上都超越了此前的帕累托前沿，尤其是巧妙的tiling策略、数据集和训练细节。”还有人感叹：“DeepSeek一如既往地了不起。”更有不少人追问：“怎么还没有人提供DeepSeek-VL2的API？”

如今，DeepSeek-VL2已经通过API服务正式开放，开发者们终于可以亲身体验这款模型的实力了。