DeepSeek-VL est la première famille de modèles vision-langage à poids ouverts publiée par DeepSeek. Elle reçoit du texte et des images, puis génère une réponse textuelle permettant de décrire une scène, lire certains contenus visuels, interpréter un graphique ou répondre à une question sur une capture d’écran.
Le nom désigne principalement les quatre modèles publiés en mars 2024 : deux tailles, 1.3B et 7B, chacune disponible en version Base et Chat. Cette famille reste téléchargeable, mais elle n’est plus le dernier développement visuel de DeepSeek. DeepSeek-VL2 constitue son successeur direct, tandis que l’API hébergée actuelle utilise le modèle deepseek-flash pour recevoir des images.
DeepSeek-VL ne doit pas non plus être confondu avec DeepSeek-R1, Janus, DeepSeek-OCR ou un générateur d’images. Le choix correct dépend donc de votre objectif : analyser localement une image avec des poids ouverts, utiliser un modèle visuel plus récent, traiter des documents ou envoyer une image à une API sans gérer de GPU.
DeepSeek-VL en bref
| Élément | Réponse |
|---|---|
| Type de modèle | Modèle vision-langage capable de traiter du texte et des images |
| Publication initiale | Mars 2024 |
| Modèles originaux | 1.3B Base, 1.3B Chat, 7B Base et 7B Chat |
| Sortie principale | Texte généré à partir d’un prompt et d’une ou plusieurs images |
| Utilisation locale | Oui, avec les poids et le code publiés |
| Génération d’images | Non, ce n’est pas sa fonction principale |
| Successeur direct | DeepSeek-VL2 |
| Modèle visuel de l’API actuelle | deepseek-flash, et non deepseek-vl |
Le terme VLM, pour Vision-Language Model, désigne un modèle qui met en relation des informations visuelles et du langage. Contrairement à un modèle de texte classique, il encode également l’image avant de produire une réponse.
DeepSeek présente sa première famille comme un modèle adapté à des situations réelles : images naturelles, pages web, diagrammes, formules, littérature scientifique, OCR et contenus documentaires. Ces capacités ne signifient toutefois pas que chaque extraction est exacte ni que le modèle peut remplacer un moteur OCR spécialisé.
DeepSeek-VL, VL2, Janus et l’API vision : quelles différences ?
Plusieurs modèles DeepSeek acceptent ou produisent des données visuelles, mais ils n’ont ni la même architecture ni le même objectif.
| Famille ou service | Fonction principale | Mode d’utilisation | À retenir |
|---|---|---|---|
| DeepSeek-VL | Compréhension d’images et réponse textuelle | Poids ouverts, principalement en local | Première génération publiée en 2024 |
| DeepSeek-VL2 | Compréhension visuelle améliorée, OCR, documents et visual grounding | Poids ouverts, en local ou sur une infrastructure privée | Successeur direct de DeepSeek-VL |
deepseek-flash | Entrée texte et image via l’API hébergée | API DeepSeek | Modèle à utiliser actuellement pour envoyer des images à l’API |
| Janus et Janus-Pro | Compréhension multimodale et génération d’images | Poids ouverts selon le modèle | Famille distincte destinée notamment à la génération visuelle |
| DeepSeek-OCR et OCR 2 | Reconnaissance et structuration de documents | Déploiement local ou serveur | Plus spécialisés que VL ou VL2 pour l’OCR documentaire |
| DeepSeek-R1 | Raisonnement principalement textuel | API ou poids ouverts selon la variante | Ce n’est pas un autre nom de DeepSeek-VL |
Une erreur fréquente consiste à présenter DeepSeek-VL comme le nom générique de toutes les fonctions visuelles de DeepSeek. En pratique, il faut distinguer la famille de checkpoints publiée en 2024 du modèle multimodal actuellement proposé sur l’API.
Quels sont les quatre modèles DeepSeek-VL originaux ?
Le dépôt officiel de DeepSeek-VL répertorie quatre checkpoints. Leur longueur de séquence annoncée est de 4 096 tokens.
| Checkpoint | Type | Utilisation la plus logique | Longueur de séquence annoncée |
|---|---|---|---|
deepseek-vl-1.3b-base | Modèle de base | Recherche, adaptation et expérimentations nécessitant un modèle plus léger | 4 096 |
deepseek-vl-1.3b-chat | Modèle ajusté aux instructions | Questions-réponses sur des images avec moins de ressources que le 7B | 4 096 |
deepseek-vl-7b-base | Modèle de base | Recherche ou adaptation avec une capacité supérieure à la version 1.3B | 4 096 |
deepseek-vl-7b-chat | Modèle ajusté aux instructions | Assistant visuel local et conversations sur des images | 4 096 |
Quelle différence entre Base et Chat ?
Les versions Base sont des modèles préentraînés destinés principalement à la recherche, à l’évaluation et à une éventuelle adaptation. Elles ne sont pas nécessairement les plus pratiques pour poser directement une question à propos d’une image.
Les versions Chat ont reçu un ajustement supplémentaire pour suivre des instructions et produire des réponses conversationnelles. Pour une première utilisation sans entraînement complémentaire, choisissez généralement un checkpoint Chat.
Le suffixe 1.3B ou 7B identifie la taille de la composante linguistique mise en avant dans le nom du modèle. Il ne doit pas être interprété comme une mesure exacte de la mémoire nécessaire, car l’encodeur visuel, les activations, la précision numérique et le contexte consomment également des ressources.
Que peut faire DeepSeek-VL ?
DeepSeek-VL peut être utilisé pour plusieurs tâches de compréhension visuelle, sous réserve de tester sa fiabilité sur vos propres données.
- Décrire une image : identifier les principaux objets, personnes, éléments graphiques ou relations visibles.
- Répondre à une question visuelle : exploiter une image et une consigne textuelle dans la même requête.
- Lire certains textes : extraire ou interpréter du texte présent dans une capture d’écran, une affiche ou un document numérisé.
- Analyser des graphiques : expliquer une tendance, comparer des éléments ou lire des étiquettes visibles.
- Comprendre des pages web : examiner l’organisation d’une interface, ses composants et son contenu apparent.
- Interpréter des formules ou diagrammes : produire une explication textuelle lorsque les détails sont suffisamment lisibles.
- Traiter plusieurs images : les exemples officiels prévoient une conversation contenant plusieurs images et du texte intercalé.
Une capacité démontrée dans un article scientifique ou sur un benchmark ne garantit pas une extraction correcte dans chaque cas réel. Les petites polices, les scans inclinés, les tableaux complexes, les annotations manuscrites et les images fortement compressées restent des sources d’erreur.
DeepSeek-VL peut-il générer des images ?
Non. DeepSeek-VL et DeepSeek-VL2 sont principalement conçus pour comprendre une entrée visuelle et générer du texte ou des coordonnées. Ils ne doivent pas être présentés comme des générateurs d’images généralistes.
Pour la génération d’images au sein de l’écosystème DeepSeek, la famille pertinente est plutôt Janus, qui réunit compréhension multimodale et génération visuelle dans une architecture distincte.
DeepSeek-VL2 : ce que le successeur améliore
DeepSeek-VL2 a été publié en décembre 2024 comme une évolution directe de DeepSeek-VL. Il vise notamment une meilleure efficacité, le traitement d’images à haute résolution et une compréhension plus précise des documents, tableaux, graphiques et éléments localisés.
Trois changements sont particulièrement importants :
- Découpage dynamique des images : l’image peut être divisée en tuiles adaptées à sa résolution et à son rapport largeur-hauteur, au lieu de dépendre uniquement de deux résolutions fixes.
- Architecture Mixture-of-Experts : tous les paramètres ne sont pas activés pour chaque token, ce qui vise à améliorer le rapport entre capacité totale et coût de calcul.
- Multi-head Latent Attention : le modèle compresse une partie du cache Key-Value afin de réduire certains coûts d’inférence.
| Variante | Paramètres totaux du LLM annoncés | Paramètres activés annoncés pour l’ensemble | Longueur de séquence du dépôt |
|---|---|---|---|
| DeepSeek-VL2-Tiny | Environ 3B | Environ 1.0B | 4 096 |
| DeepSeek-VL2-Small | Environ 16B | Environ 2.8B | 4 096 |
| DeepSeek-VL2 | Environ 27B | Environ 4.5B | 4 096 |
Les paramètres activés ne correspondent ni à la taille du téléchargement ni à la quantité exacte de VRAM requise. L’encodeur visuel, les poids non activés, les buffers, le cache, les images et l’implémentation influencent aussi la consommation de mémoire.
Qu’est-ce que le visual grounding ?
Le visual grounding associe une expression textuelle à une zone précise de l’image. Par exemple, le modèle peut recevoir la consigne « localise la girafe à l’arrière » et retourner des coordonnées décrivant une boîte englobante.
Dans l’implémentation officielle de VL2, les jetons <|ref|> et <|/ref|> sont réservés à la localisation d’objets. Le jeton <|grounding|> peut être ajouté pour demander une réponse combinant description et localisation. Ces jetons ne sont pas nécessaires pour une conversation visuelle ordinaire.
Les coordonnées retournées doivent être interprétées avec le code fourni par le dépôt et vérifiées sur l’image réelle. Elles ne constituent pas une garantie de localisation au pixel près.
Quel modèle DeepSeek visuel choisir ?
| Besoin | Option à évaluer | Pourquoi |
|---|---|---|
| Découvrir la famille originale avec un modèle plus léger | DeepSeek-VL-1.3B-chat | Checkpoint conversationnel le plus petit de la première génération |
| Utiliser la version originale avec davantage de capacité | DeepSeek-VL-7B-chat | Modèle Chat plus grand, au prix d’exigences matérielles supérieures |
| Tester le successeur localement | DeepSeek-VL2-Tiny | Plus petite variante de VL2 et point de départ logique pour cette génération |
| Analyser des documents ou utiliser le visual grounding | DeepSeek-VL2 | Architecture conçue pour la haute résolution, l’OCR et la localisation visuelle |
| Éviter l’installation et la gestion d’un GPU | deepseek-flash | Modèle hébergé actuel acceptant les images via l’API officielle |
| Convertir des documents complexes en texte structuré | DeepSeek-OCR 2 | Famille spécialisée dans la reconnaissance documentaire |
| Générer de nouvelles images | Janus ou Janus-Pro | Famille conçue pour la compréhension et la génération multimodales |
Le modèle le plus récent ou le plus grand n’est pas toujours le meilleur choix. Un projet d’OCR documentaire peut bénéficier d’un modèle spécialisé, tandis qu’une application web qui analyse ponctuellement des captures d’écran sera généralement plus simple à développer avec l’API.
Quelle configuration matérielle faut-il ?
Il n’existe pas une quantité de RAM ou de VRAM valable pour toutes les installations. La consommation dépend notamment du checkpoint, de la précision numérique, du nombre d’images, de leur résolution, du contexte, du moteur d’inférence et des optimisations employées.
L’exemple officiel de DeepSeek-VL2 utilise CUDA et charge le modèle en bfloat16. Il suppose donc une carte graphique compatible et un environnement PyTorch correctement configuré.
Le dépôt indique que son script natif non optimisé peut nécessiter environ 80 Go de mémoire GPU pour VL2-Small, et davantage pour le modèle complet. Il propose parallèlement un mécanisme d’incremental prefilling permettant d’exécuter VL2-Small sur une carte de 40 Go, avec une possible baisse de vitesse.
Ces nombres décrivent des chemins d’exécution précis et ne constituent pas des minimums universels. Une quantification ou un moteur tiers peut réduire la mémoire, mais peut aussi modifier les performances, la précision et le niveau de support. Pour une première installation, commencez par le plus petit modèle adapté à votre tâche et mesurez la consommation réelle.
Installer DeepSeek-VL2 localement
Le tutoriel suivant utilise deepseek-vl2-tiny, le dépôt officiel et son implémentation PyTorch. Il s’agit d’un exemple basé sur la documentation du projet, et non d’un benchmark exécuté sur toutes les configurations.
Le code officiel exige actuellement Python 3.8 ou une version ultérieure. Vérifiez aussi que votre installation de PyTorch détecte correctement CUDA et que votre GPU prend en charge le format utilisé.
1. Cloner le dépôt officiel
git clone https://github.com/deepseek-ai/DeepSeek-VL2.git
cd DeepSeek-VL2
python -m venv .venvSous Linux ou macOS, activez l’environnement avec :
source .venv/bin/activateSous PowerShell :
.venv\Scripts\Activate.ps1Installez ensuite le projet et ses dépendances depuis le dépôt cloné :
pip install --upgrade pip
pip install -e .N’installez pas automatiquement le paquet nommé deepseek-vl trouvé sur PyPI. Le paquet portant ce nom n’est pas publié par le compte officiel DeepSeek. Les instructions officielles demandent de cloner le dépôt puis d’utiliser pip install -e ..
2. Préparer une image
Placez une image nommée image.jpg dans le dossier du projet. Utilisez une image fictive ou autorisée, sans données personnelles inutiles.
3. Créer le script d’inférence
from pathlib import Path
import torch
from transformers import AutoModelForCausalLM
from deepseek_vl2.models import (
DeepseekVLV2ForCausalLM,
DeepseekVLV2Processor,
)
from deepseek_vl2.utils.io import load_pil_images
MODEL_ID = "deepseek-ai/deepseek-vl2-tiny"
IMAGE_PATH = Path("image.jpg")
if not IMAGE_PATH.is_file():
raise FileNotFoundError(
f"Image introuvable : {IMAGE_PATH.resolve()}"
)
processor: DeepseekVLV2Processor = (
DeepseekVLV2Processor.from_pretrained(MODEL_ID)
)
tokenizer = processor.tokenizer
model: DeepseekVLV2ForCausalLM = (
AutoModelForCausalLM.from_pretrained(
MODEL_ID,
trust_remote_code=True,
)
)
model = model.to(torch.bfloat16).cuda().eval()
conversation = [
{
"role": "<|User|>",
"content": (
"<image>\n"
"Décris cette image en français. "
"Cite uniquement les éléments visibles "
"et signale ce qui reste incertain."
),
"images": [str(IMAGE_PATH)],
},
{
"role": "<|Assistant|>",
"content": "",
},
]
pil_images = load_pil_images(conversation)
inputs = processor(
conversations=conversation,
images=pil_images,
force_batchify=True,
system_prompt="",
).to(model.device)
with torch.inference_mode():
inputs_embeds = model.prepare_inputs_embeds(**inputs)
outputs = model.language.generate(
inputs_embeds=inputs_embeds,
attention_mask=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=300,
do_sample=False,
use_cache=True,
)
answer = tokenizer.decode(
outputs[0].cpu().tolist(),
skip_special_tokens=False,
)
print(answer)Enregistrez le fichier sous le nom analyse_image.py, puis exécutez :
python analyse_image.pyLe premier lancement télécharge les poids depuis Hugging Face si ceux-ci ne sont pas déjà présents. La durée et l’espace nécessaires dépendent du modèle et de votre connexion.
Le paramètre trust_remote_code=True autorise l’exécution du code Python fourni avec le dépôt du modèle. Utilisez uniquement le dépôt officiel, examinez le code si votre environnement l’exige et épinglez une révision précise pour un déploiement contrôlé.
Le script ne présente pas de sortie prédéfinie, car la réponse réelle dépend de l’image et de l’environnement. Vérifiez toujours la description produite au lieu de considérer le texte généré comme un relevé exact.
Utiliser la vision DeepSeek par API
Vous n’avez pas besoin d’installer DeepSeek-VL ou VL2 pour envoyer une image à l’API officielle. Le modèle actuellement documenté pour la vision est deepseek-flash, correspondant à la version de production la plus récente de DeepSeek V4.1 Flash au moment de la vérification.
Le nom historique deepseek-v4-flash-vision-exp reste temporairement accepté, mais le modèle correspondant est retiré et les requêtes sont acheminées vers le Flash actuel. N’utilisez pas deepseek-vl comme identifiant d’API : il ne s’agit pas du nom du modèle hébergé actuel.
Exemple Python avec une image locale
Installez le SDK et définissez votre clé dans la variable d’environnement DEEPSEEK_API_KEY :
pip install --upgrade openaiimport base64
import mimetypes
import os
from pathlib import Path
from openai import OpenAI
IMAGE_PATH = Path("image.jpg")
API_KEY = os.environ.get("DEEPSEEK_API_KEY")
if not API_KEY:
raise RuntimeError(
"Définissez la variable DEEPSEEK_API_KEY."
)
if not IMAGE_PATH.is_file():
raise FileNotFoundError(IMAGE_PATH)
mime_type, _ = mimetypes.guess_type(IMAGE_PATH.name)
formats_acceptes = {
"image/jpeg",
"image/png",
"image/gif",
"image/webp",
}
if mime_type not in formats_acceptes:
raise ValueError(
"Utilisez une image JPEG, PNG, GIF ou WebP."
)
encoded_image = base64.b64encode(
IMAGE_PATH.read_bytes()
).decode("utf-8")
client = OpenAI(
api_key=API_KEY,
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-flash",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Décris cette image en français. "
"Distingue les observations certaines "
"des interprétations."
),
},
{
"type": "image_url",
"image_url": {
"url": (
f"data:{mime_type};base64,"
f"{encoded_image}"
)
},
},
],
}
],
)
print(response.choices[0].message.content)Cette requête est traitée sur l’infrastructure DeepSeek et peut être facturée. La clé doit rester côté serveur ou dans un environnement sécurisé ; ne l’intégrez pas dans du JavaScript exécuté dans le navigateur.
Formats et limites utiles
| Élément | Règle actuellement documentée |
|---|---|
| Formats | JPEG, PNG, GIF et WebP |
| Image transmise en Base64 ou par URL | 32 Mio maximum par image |
Image référencée par file_id | 64 Mio maximum |
| Corps d’une requête inline | 48 Mio maximum |
| Nombre maximal d’images | 600 par requête, sous réserve des autres limites |
| Dimension maximale | 8 192 pixels par côté, réduite à 4 096 à partir de 15 images |
| Sortie | Texte ; l’API vision ne génère pas une nouvelle image |
Les images sont converties en tokens et facturées avec les tokens textuels. Le guide officiel indique actuellement une limite supérieure de 1 024 tokens par image après le redimensionnement automatique. Consultez toujours la page officielle des tarifs avant d’estimer un coût.
DeepSeek-VL peut-il lire un PDF ?
Les exemples locaux de DeepSeek-VL et VL2 utilisent des fichiers image. De même, l’API vision actuelle accepte des images JPEG, PNG, GIF ou WebP, mais son guide ne présente pas le PDF brut comme format visuel pris en charge.
Pour analyser un PDF, choisissez le workflow selon son type :
- PDF contenant du vrai texte : extrayez d’abord le texte avec une bibliothèque PDF. Cette méthode est généralement plus précise et moins coûteuse que l’OCR.
- PDF scanné : rendez les pages en images PNG ou JPEG à une résolution suffisante.
- Document multipage : traitez les pages par lots compatibles avec la mémoire et la fenêtre de contexte.
- Extraction critique : validez les montants, dates, références, tableaux et noms avec des règles déterministes ou une revue humaine.
Pour une conversion documentaire spécialisée, comparez DeepSeek-VL2 avec DeepSeek-OCR 2. Ce dernier fournit notamment des scripts destinés au traitement d’images et de PDF, mais impose son propre environnement technique.
DeepSeek-VL comprend-il bien le français ?
Les documents officiels de DeepSeek-VL et VL2 ne présentent pas un benchmark dédié permettant d’attribuer une note fiable à leurs performances visuelles en français. Le fait qu’un modèle produise une réponse française ne garantit pas un OCR exact sur des documents francophones.
Avant un déploiement, constituez un petit jeu de test représentatif comprenant :
- des accents et ligatures comme « é », « œ » et « ç » ;
- des nombres utilisant une virgule décimale ;
- des dates françaises et des formats monétaires ;
- des pages à plusieurs colonnes ;
- des tableaux avec cellules fusionnées ;
- des polices petites ou peu contrastées ;
- des captures d’écran issues de vos logiciels réels.
Mesurez séparément l’exactitude du texte, la compréhension de la mise en page et la qualité des réponses. Un modèle peut correctement résumer un document tout en recopiant imparfaitement certains caractères.
Licences et utilisation commerciale
Les dépôts DeepSeek-VL et DeepSeek-VL2 distinguent le code des poids du modèle :
- le code des dépôts est publié sous licence MIT ;
- les poids sont régis par la DeepSeek Model License ;
- les dépôts indiquent que l’utilisation commerciale est autorisée sous réserve du respect de cette licence.
La licence du modèle contient des obligations de redistribution et des restrictions d’usage. Elle ne doit donc pas être résumée par « libre pour tout usage ». Examinez son texte avant de redistribuer les poids, proposer un service hébergé ou publier un modèle dérivé.
Cette présentation ne constitue pas un avis juridique. Les composants tiers, les données traitées et les modèles dérivés peuvent introduire des obligations supplémentaires.
Sécurité et confidentialité des images
L’exécution locale peut donner davantage de contrôle sur le chemin des données, mais elle ne garantit pas une confidentialité absolue. Le système d’exploitation, les journaux, les sauvegardes, les interfaces web et les accès réseau doivent aussi être sécurisés.
- Utilisez des images fictives pendant le développement.
- Masquez les noms, coordonnées, numéros de compte et secrets inutiles.
- Supprimez les métadonnées EXIF lorsque leur conservation n’est pas nécessaire.
- Ne rendez pas un serveur Gradio, vLLM ou SGLang accessible publiquement sans authentification et filtrage réseau.
- Épinglez les versions de code et vérifiez les dépôts utilisant
trust_remote_code=True. - Stockez les clés API dans un gestionnaire de secrets ou des variables d’environnement.
- Prévoyez une validation humaine pour les documents médicaux, financiers, juridiques ou contractuels.
Avec l’API hébergée, l’image quitte votre infrastructure. Examinez les conditions applicables, la conservation, la localisation du traitement et les exigences de votre organisation avant d’envoyer des données sensibles.
Problèmes fréquents et solutions
| Problème | Cause probable | Action utile |
|---|---|---|
ModuleNotFoundError: deepseek_vl2 | Le dépôt n’a pas été installé dans l’environnement actif | Activez l’environnement virtuel et exécutez pip install -e . depuis le dépôt officiel |
| Erreur CUDA out of memory | Modèle, image ou contexte trop volumineux pour la VRAM disponible | Essayez VL2-Tiny, réduisez le nombre d’images ou utilisez une méthode d’inférence documentée comme l’incremental prefilling |
| Le GPU n’est pas détecté | PyTorch, CUDA ou les pilotes ne correspondent pas à la machine | Vérifiez torch.cuda.is_available() et installez PyTorch selon la documentation de votre plateforme |
Erreur liée à bfloat16 | Le matériel ou l’environnement ne prend pas correctement en charge ce format | Vérifiez les capacités du GPU et utilisez uniquement une précision officiellement compatible avec le modèle et votre moteur |
| Nombre d’images incorrect | Le nombre de marqueurs <image> ne correspond pas à la liste images | Ajoutez exactement un marqueur par image et conservez le même ordre |
| Le modèle retourne des tokens spéciaux | skip_special_tokens=False conserve le format interne | Analysez ces tokens si vous utilisez le grounding, ou adaptez le décodage pour une réponse conversationnelle simple |
deepseek-vl est refusé par l’API | Ce n’est pas l’identifiant actuel du modèle hébergé | Utilisez deepseek-flash après vérification dans la liste officielle des modèles |
| Le PDF est refusé | L’endpoint vision attend une image prise en charge | Extrayez le texte ou convertissez les pages en JPEG ou PNG |
| OCR incorrect sur de petits caractères | Résolution, contraste ou modèle inadapté | Améliorez l’image, découpez la zone utile et comparez avec DeepSeek-OCR 2 |
| Résultats différents entre deux installations | Versions, précision, prompt ou paramètres de génération différents | Épinglez les révisions, journalisez la configuration et comparez des requêtes identiques |
Questions fréquentes sur DeepSeek-VL
DeepSeek-VL est-il open source ?
Le code est publié sous licence MIT et les poids sont téléchargeables. Il est toutefois plus précis de parler de modèle à poids ouverts, car ceux-ci sont soumis à une licence DeepSeek distincte comportant des conditions et restrictions d’usage.
DeepSeek-VL est-il disponible sur l’API officielle ?
Les checkpoints DeepSeek-VL et VL2 sont proposés au téléchargement. L’API actuelle n’utilise pas deepseek-vl comme identifiant : les images sont envoyées au modèle deepseek-flash.
Peut-on utiliser DeepSeek-VL avec Ollama ?
Il existe des conversions communautaires et des discussions d’intégration, mais les dépôts officiels DeepSeek-VL et VL2 documentent principalement leur propre code PyTorch. Vérifiez l’auteur, le format, la quantification et la compatibilité avant d’utiliser une conversion tierce.
Peut-on utiliser DeepSeek-VL sans GPU ?
Les exemples officiels fournis par DeepSeek chargent les modèles sur CUDA. D’autres moteurs peuvent proposer une exécution CPU ou un déchargement partiel, mais les performances et la compatibilité doivent être vérifiées. Sans GPU adapté, l’API hébergée est généralement la méthode la plus simple.
Peut-on fine-tuner DeepSeek-VL ?
Les poids sont disponibles, mais le dépôt original n’offre pas une chaîne complète d’entraînement équivalente à celle utilisée par DeepSeek. L’équipe a indiqué dans une discussion officielle que son infrastructure interne d’entraînement n’était pas publiée. Les solutions tierces doivent donc être présentées comme non officielles et testées avec prudence.
DeepSeek-VL2 remplace-t-il complètement DeepSeek-VL ?
VL2 est le successeur technique et offre une architecture plus récente. DeepSeek-VL reste néanmoins utile pour reproduire les travaux de 2024, utiliser ses checkpoints d’origine ou travailler avec une première génération plus simple.
Quelle option choisir aujourd’hui ?
Choisissez DeepSeek-VL-1.3B-chat pour expérimenter avec la première génération et un checkpoint relativement compact. Utilisez DeepSeek-VL2-Tiny si vous souhaitez tester le successeur, sa stratégie de tuiles dynamiques et ses capacités visuelles plus récentes.
Pour une application qui doit simplement recevoir des images sans administrer de GPU, utilisez l’API avec deepseek-flash. Pour une extraction documentaire intensive, comparez VL2 à DeepSeek-OCR 2. Pour créer des images, orientez-vous vers Janus plutôt que DeepSeek-VL.
Dans tous les cas, construisez un jeu de tests correspondant à vos véritables images. Le bon choix dépend moins du nom du modèle que de sa précision sur vos documents, de la mémoire disponible, du coût d’exploitation et du niveau de contrôle recherché sur les données.
