DeepSeek VL: The First-Generation Vision-Language Model, Reviewed

2026年，您是否仍然应该使用DeepSeek VL，或者该领域已经发展了吗？这是一个合理的问题。最初的DeepSeek VL于2024年3月发布，作为1.3B/7B的开源视觉-语言家族——在V4、VL2之前，在多模态成为基本要求之前。两年过去了，许多团队仍在从Hugging Face那里提取OCR试点、设备演示和学术基准的权重，因为小巧的1.3B版本可以在单个消费级GPU上运行，并且许可证允许商业使用。

本文是一篇实践者评论：DeepSeek VL实际上是什么，它的混合SigLIP-plus-SAM编码器是如何工作的，已发布的基准测试说了什么，它在哪些方面不如新的多模态模型，以及今天如何加载它。

DeepSeek VL是什么

DeepSeek VL是DeepSeek AI的第一个开源视觉-语言模型家族，于2024年3月11日发布。发布内容包括DeepSeek-VL-7B-base、DeepSeek-VL-7B-chat、DeepSeek-VL-1.3B-base和DeepSeek-VL-1.3B-chat——两种尺寸，每种尺寸都有基础和聊天变体，以适应不同的集成场景。发布的目标是实用的多模态：一个可以读取网页截图、PDF、图表和自然图像，同时不牺牲从DeepSeek LLM继承的底层语言能力的模型。

DeepSeek VL家族被定位为面向实际应用的视觉-语言聊天机器人，1.3B和7B权重被公开发布，以支持在其之上进行进一步的工作。如今，它已经被 DeepSeek VL2, but the original VL is still the cleanest reference implementation for the hybrid-encoder approach DeepSeek pioneered.

Architecture and lineage

DeepSeek VL 是一种基于密集（非MoE）适配器的 VLM。三个关键组件：

• 混合视觉编码器。 SigLIP-L接受384×384的低分辨率输入，并专注于高级语义特征；基于ViTDet的SAM-B接受1024×1024的高分辨率输入，并捕捉低级细节。选择这两个模型是因为细节和语义在不同分辨率下提取最佳。
• VL 适配器。 高分辨率SAM特征被插值到96×96×256，然后通过两个步长为2的卷积操作，生成一个24×24×1024的特征图，并将其重塑为576×1024。576×1024的低分辨率SigLIP-L特征与这些特征拼接，得到2,048维度的576个视觉标记，这些标记通过GeLU激活层和嵌入层进入语言模型。
• 语言模型。 基于 DeepSeek LLMFFN使用SwiGLU，模型使用旋转嵌入进行位置编码，分词器与DeepSeek-LLM共享。

训练分为三个阶段。第一阶段仅训练VL适配器，视觉编码器和语言模型保持冻结。第二阶段联合训练VL适配器和语言模型。第三阶段是监督微调，在此期间，低分辨率SigLIP-L、VL适配器和语言模型都进行训练。

在训练规模上，1.3B基使用SigLIP-L在384×384输入上构建，基于DeepSeek-LLM-1.3B-base（≈500B文本标记）构建，并最终在约400B视觉-语言标记上进行训练。7B变体基于相应的DeepSeek-LLM-7B基。请注意，技术报告将7B语言骨干称为“可在1.3B和6.7B参数规模下获得”——模型卡上的“7B”是一个四舍五入的数值。

DeepSeek VL在谱系中的位置

VL2是一个有意义的飞跃，而不仅仅是更新。它引入了一种动态分块视觉编码策略，可以处理不同宽高比的图像，在DeepSeek VL的混合编码器之上进行了改进，后者在两个固定的分辨率下提取特征，并且消除了旧固定大小编码器在需要超高分辨率任务（如文档和图表分析）中的限制。如果您关注宽高比或文档保真度，请直接跳转到... VL2.

Benchmarks

DeepSeek VL技术报告（arXiv 2403.05525）报告了在多模态基准测试（如MMBench、MMC、SEEDBench和OCRbench）上的比较。主要发现是DeepSeek VL在MMB、MMC和SEEDBench等基准测试上优于类似规模的开源模型，并接近专有模型——报告指出DeepSeek-VL与GPT-4V在SEEDBench上的表现分别为70.4和71.6，DeepSeek-VL-1.3B显著优于同等规模的模型。

论文中两个与从业者相关的论点：

• 在大多数语言基准测试中，DeepSeek VL 的表现与 DeepSeek-7B 相当或更优——这意味着多模态训练并未削弱文本能力。
• DeepSeek-VL-7B 在数学（GSM8K）方面表现出一定程度的下降，这表明视觉和语言模态之间存在残留的竞争关系，这可能归因于7B模型容量的限制。

对于精确数字，请参阅 arXiv 论文的第 6 表和第 9 表 arXiv 论文 ——该报告将结果按基础与聊天以及基准进行了细分。不要二手引用那些数字：v1和v2之间的表格布局发生了变化。

优势 — DeepSeek VL仍然胜出的地方

• 超小体积。 1.3B 变体在单个 8 GB GPU 上以 FP16 运行，体积足够小，适用于笔记本电脑或边缘演示。
• 真实世界数据混合。 训练数据包括网页截图、PDF文件、OCR、图表和基于知识的内容（专家知识、教科书），并从真实用户场景的使用案例分类法构建了指令微调数据集。这在截图和表单阅读任务中有所体现。
• 混合分辨率。 SigLIP-plus-SAM组合在固定的令牌预算下处理1024×1024的细节，这对于这样一个小型模型来说是不寻常的。
• 商业友好型。 使用 DeepSeek VL Base/Chat 模型受 DeepSeek 模型许可协议约束，该系列——包括 Base 和 Chat ——支持商业用途。

Weaknesses

• 固定分辨率编码器。 高度 receipts、宽幅电子表格和高DPI扫描被压缩到1024×1024，导致细节丢失。VL2的动态拼接功能解决了这个问题。
• 数学推理回归。 报告本身记录了7B的GSM8K下降——不要选择DeepSeek VL进行视觉数学。
• 无视频，无音频。 这是一个静态图像VLM。
• 较旧的语料库骨干。 深度探索LLM背后的技术早于V2的MLA和DeepSeekMoE突破，因此推理能力不如其他任何东西。 R1-派生。
• 每回合图像槽位有限。 长篇多图像对话显得尴尬——这也是VL2承认的限制之一，计划在未来的版本中扩展上下文窗口，以实现更丰富的多图像交互。

如何访问DeepSeek VL

DeepSeek VL 不是通过 DeepSeek 的托管API提供服务。当前一代背后 POST /chat/completions on https://api.deepseek.com 是仅文本的 DeepSeek V4 系列 — deepseek-v4-pro and deepseek-v4-flash，发布于2026年4月24日——并且截至本文撰写时，该端点不接受视觉输入。您可以从开源权重自行运行DeepSeek VL。

加载权重

官方路径是 deepseek-ai/DeepSeek-VL GitHub上的存储库以及相应的Hugging Face检查点。7B聊天模型的Python最小加载器，摘自项目README文件：

import torch
from transformers import AutoModelForCausalLM
from deepseek_vl.models import VLChatProcessor, MultiModalityCausalLM
from deepseek_vl.utils.io import load_pil_images

model_path = "deepseek-ai/deepseek-vl-7b-chat"
vl_chat_processor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer

vl_gpt = 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.jpg"]},
    {"role": "Assistant", "content": ""},
]

如果您更喜欢标准的 transformers 深度搜索（DeepSeek）VL的管道接口已作为transformers-port发布 deepseek-community/deepseek-vl-1.3b-base 在Hub上——一个用于视觉语言建模的基础模型，旨在处理文本和图像以生成上下文相关的响应。如果您已经使用Hugging Face管道，那么构建该社区将更加容易。对于端到端设置的帮助，请参阅 install DeepSeek locally 演示步骤应用了相同的模式。

硬件要求

对于尺寸，需要考虑 DeepSeek hardware calculator 精度和批量大小。

许可证

DeepSeek VL采用分许可证：代码遵循MIT许可证，权重遵循单独的DeepSeek模型许可证。使用DeepSeek VL Base/Chat模型受DeepSeek模型许可证约束；该系列支持商业用途。在部署前请阅读模型卡片上的完整文本——模型许可证包含一些条款（特别是关于限制性使用），这些条款在第三方摘要中仅以“MIT”标签简单提及。这与V4系列形成对比，其中代码和权重都遵循MIT许可证。

Best use cases

• 文档和截图理解 ——鉴于训练混合，非常适合。搭配一个 DeepSeek RAG tutorial 用于在PDF上进行检索。
• 教育和辅导演示 —— 小到足以用于教室硬件。参见 DeepSeek for education.
• 学术研究基准 —— VL被广泛引用且可重现。该页面收集了相关工作流程。 DeepSeek for research 在设备上或断网环境下的试点
• —— 1.3B的规模适合大多数多模态模型无法适应的地方。 如果DeepSeek VL在您的候选名单上，您可能正在将其与以下内容进行比较：

对于风险更高的生产工作——需要OCR精确度、动态文档解析或大规模视觉推理的代理——请选择VL2或查看列出的多模态选项。 open-source AI like DeepSeek.

Comparable alternatives

—— 直接继任者，基于MoE的动态分块。

• DeepSeek VL2 —— Qwen-VL是1B-7B规模上最直接的开放权重替代品。
• DeepSeek vs Qwen —— 基于 llama 框架构建的 LLaVA 风格堆栈覆盖了相似领域。
• DeepSeek vs Llama 想要更广泛地了解DeepSeek的多模态工作在家族树中的位置，请参阅

For a broader view of where DeepSeek’s multimodal work sits in the family tree, see the DeepSeek models hub.

Verdict

DeepSeek VL是2024年值得信赖的发布，现在已成为历史基线。如果您需要最小的商业可用VLM并具有真实文档理解训练，请选择1.3B；如果您想要一个具有宽松条款的单GPU多模态聊天模型，请选择7B。对于任何超出试点范围的应用，请转向VL2——并关注DeepSeek的路线图，以了解V4系列是否最终会推出视觉层。

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek documentation and pricing page before committing to a production decision.