12 KiB
DeepSeek-VL2：面向高级多模态理解的混合专家视觉语言模型
原文标题：DeepSeek-VL2: Mixture-of-Experts Vision-Language Models for Advanced Multimodal Understanding arXiv：2412.10302 ｜ 发布：13 Dec 2024 作者/机构：Zhiyu Wu、Xiaokang Chen 等 27 人，通讯作者 Chong Ruan — DeepSeek-AI（深度求索） 原文 PDF：03-DeepSeek-VL2-2412.10302.pdf
一、摘要（全文翻译）
我们提出了 DeepSeek-VL2，一个先进的大型混合专家（Mixture-of-Experts, MoE）视觉语言模型系列，它通过两项关键的重大升级，显著改进了其前代模型 DeepSeek-VL。在视觉部分，我们引入了一种动态分块（dynamic tiling）视觉编码策略，专为处理具有不同长宽比的高分辨率图像而设计。在语言部分，我们采用了带有多头潜在注意力（Multi-head Latent Attention, MLA）机制的 DeepSeekMoE 模型，该机制将键值（Key-Value, KV）缓存压缩为潜在向量，从而实现高效推理与高吞吐。在一个经过改进的视觉语言数据集上训练后，DeepSeek-VL2 在多种任务上展现出卓越的能力，包括但不限于视觉问答、光学字符识别、文档/表格/图表理解以及视觉定位。我们的模型系列由三个变体组成：DeepSeek-VL2-Tiny、DeepSeek-VL2-Small 与 DeepSeek-VL2，其激活参数量分别为 1.0B、2.8B 和 4.5B。与现有的开源稠密模型和基于 MoE 的模型相比，DeepSeek-VL2 在激活参数量相当或更少的情况下，取得了有竞争力或最先进（state-of-the-art）的性能。代码与预训练模型已在 https://github.com/deepseek-ai/DeepSeek-VL2 公开发布。
二、核心贡献
- 动态分块视觉编码：用单个 SigLIP-SO400M-384 取代前代
384/1024双分辨率双编码器，按长宽比切块并附加全局缩略图，摆脱固定1024\times1024限制，提升超高清与极端长宽比场景的细粒度理解。 - 高效率 MoE 语言模型：DeepSeekMoE 稀疏架构 + MLA（KV 缓存压缩为潜在向量）降低算力与显存、提升吞吐；总参数 3B/16B/27B，语言激活参数仅 0.57B/2.4B/4.1B。
- 数据升级带来新能力：预训练约 800B 图文 token（VL:纯文本约 70%:30%），对图注、VQA、OCR、表格图表与推理数据重生成与清洗，新增视觉定位与 GUI 感知。
- 以少胜多：激活 4.5B 的模型取得 DocVQA 93.3、ChartQA 86.0、InfoVQA 78.1、TextVQA 84.2、OCRBench 811，多项超过 GPT-4o，定位基准领先同规模模型。
- 部署门槛低：三个模型可分别单卡部署在 10GB/40GB/80GB 显存 GPU 上。
三、方法与技术要点
3.1 整体架构
沿用前代的 LLaVA 式仅解码器架构，由视觉编码器、视觉语言适配器与 MoE 语言模型组成；相对 DeepSeek-VL 仅两处改动——动态分块策略应对高分辨率输入，带 MLA 的 DeepSeekMoE 提升效率。
3.2 动态分块策略（Dynamic Tiling）
前代把视觉特征固定在 384\times384 与 1024\times1024 两档，难以处理更大尺寸与极端长宽比图像。DeepSeek-VL2 定义候选分辨率集合
C_{R}=\{(m\cdot 384,\ n\cdot 384)\mid m,n\in\mathbb{N},\ 1\leq m,n,\ mn\leq 9\}
其中 m:n 为目标长宽比：对 (H,W) 图像先缩放长边、再保持比例填充另一维，选择填充面积最小的候选；随后划为 m_i\times n_i 个 384\times384 局部块加 1 个全局缩略图块，由单个 SigLIP-SO400M-384 编码全部 (1+m_i\times n_i) 个块，每块得 27\times27=729 个 1152 维嵌入。图像多于 2 张时关闭该策略以控制上下文长度。
3.3 视觉语言适配器
用 2\times2 像素重排把每块 token 压到 14\times14=196 个，并用特殊 token 标记布局：缩略图块每行末补 14 个 <tile_newline>（共 210 个），局部块按 (m_i\cdot14,\ n_i\cdot14) 网格排列、最后一列后追加 m_i\cdot14 个 <tile_newline>，两者间插一个 <view_separator>；序列长度为
210+1+m_i\cdot14\times(n_i\cdot14+1)
最后经两层 MLP 投影进语言模型嵌入空间。
3.4 DeepSeekMoE 语言模型
MLA 压缩 KV 缓存以提升吞吐，MoE 稀疏计算只激活部分专家，训练时给每个专家加全局偏置项以低成本改善负载均衡。配置见下表：仅最大模型用 Sigmoid 路由并启用专家修正偏置，两个小模型仍是 Softmax 路由。
| 配置项 | VL2-Tiny | VL2-Small | VL2 |
|---|---|---|---|
| 词表大小 | 129,280 | 102,400 | 129,280 |
| 嵌入维度 | 1,280 | 2,048 | 2,560 |
| 注意力头数 | 10 | 16 | 32 |
| 层数 | 12 | 27 | 30 |
| 注意力类型 | 多头注意力 | MLA（rank=512） | MLA（rank=512） |
| 路由专家数 / 共享专家数 | 64 / 2 | 64 / 2 | 72 / 2 |
| 专家选择 Top-K | 6 | 6 | 6 |
| 路由函数 | Softmax | Softmax | Sigmoid |
| 专家修正偏置 | × | × | ✓ |
3.5 数据构建（对齐 / 预训练 / SFT）
对齐阶段仅用 ShareGPT4V（约 1.2M 图注与对话样本）训练 MLP 连接器。预训练按约 70% VL + 30% 纯文本（取自基础 LLM 语料）配比，VL 数据涵盖交错图文（含中文补充）、图像描述（公开数据质量参差，故结合 OCR 提示重新生成并按写作质量过滤）、OCR（公开数据与自建中英文档数据集）、视觉问答（文档、表格图表、网页转代码与视觉提示问答）、视觉定位（回答形如 <|ref|>物体<|/ref|><|det|>[[x1,y1,x2,y2],…]<|/det|>，坐标归一化到 0–999，并含负样本）与由 <|grounding|> 触发的带定位对话。SFT 针对公开 VQA「回答过短、OCR 质量差、内容幻觉」的问题重生成回答，并为 Tiny 变体中文夹带英文补充自建中文 QA；推理数据补详细过程且答案置于末尾，另有教科书问答、代码与纯文本指令数据。
3.6 训练流程与基础设施
三段式：冻结语言模型、只训视觉编码器与适配器 MLP 的对齐阶段；解冻全部参数、用约 800B 图文 token 的预训练阶段；只在答案与特殊 token 上算损失、掩蔽用户提示并混入 DeepSeek-V2 纯文本对话的 SFT 阶段——三阶段都只对文本 token 计算下一 token 预测损失。视觉编码器学习率乘数 0.1，权重衰减 0.1，梯度裁剪 1.0，优化器 AdamW（$\beta_1=0.9,\beta_2=0.95$），调度为余弦、分段步进与常数，序列长度 4096。基于 HAI-LLM 采用流水线、张量与专家并行；因视觉编码器居于流水线首段且与 LLM 层特性差异大，对其做细粒度层切分并在数据并行 rank 间做负载均衡，另为纯文本与含图批次准备两套流水线策略。
四、主要实验结果
评测涵盖 OCR 与文档类、通用与推理类基准及 RefCOCO 定位基准（InfoVQA 评测时候选分辨率放宽到 $mn\leq18$）。
| 基准 / 任务 | 本模型 | 对比对象 | 说明 |
|---|---|---|---|
| DocVQA (test) | VL2 93.3 / Small 92.3 / Tiny 88.9 | GPT-4o 92.8；Claude 3.5 Sonnet 95.2；InternVL2-8B 91.6；Qwen2-VL-7B 94.5 | 激活 4.5B 超过 GPT-4o 与 InternVL2-8B |
| ChartQA (test) | VL2 86.0 / Small 84.5 / Tiny 81.0 | GPT-4o 85.7；Claude 3.5 Sonnet 90.8；InternVL2-8B 83.3；Qwen2-VL-7B 83.0 | 超过 GPT-4o，低于 Claude 3.5 Sonnet |
| InfoVQA (test) | VL2 78.1 / Small 75.8 / Tiny 66.1 | GPT-4o 79.2；Gemini-1.5-Pro 80.1；InternVL2-8B 74.8；Qwen2-VL-7B 76.5 | 开源模型中最优，仍低于闭源最强 |
| TextVQA (val) | VL2 84.2 / Small 83.4 / Tiny 80.7 | GPT-4o 77.4；Qwen2-VL-7B 84.3；InternVL2-8B 77.4 | 明显超过 GPT-4o |
| OCRBench (test) | VL2 811 / Small 834 / Tiny 809 | GPT-4o 736；Gemini-1.5-Pro 754；Claude 3.5 Sonnet 788；Qwen2-VL-7B 845；MiniCPM-V2.6 852(CoT) | Small 以 2.8B 激活超过多数 7–8B 模型 |
| MMStar (test) | VL2 61.3 / Small 57.0 / Tiny 45.9 | InternVL2-8B 61.5；Qwen2-VL-7B 60.7；GPT-4o 63.9 | 与 8B 级开源模型持平 |
| AI2D | VL2 81.4 / Small 80.0 / Tiny 71.6 | InternVL2-8B 83.8；Qwen2-VL-7B 83.0；GPT-4o 94.2 | 低于同规模最强开源模型 |
| MMMU (val) | VL2 51.1 / Small 48.0 / Tiny 40.7 | InternVL2-8B 51.8；Qwen2-VL-7B 54.1；GPT-4o 69.1；DeepSeek-VL 7B 36.6 | 相比前代大幅提升 |
| MME (sum) | VL2 2,253 / Small 2,123 / Tiny 1,915 | GPT-4o 2,329；Qwen2-VL-7B 2,327；MiniCPM-V2.6 2,348(CoT) | 同规模组中最高 |
| MMBench / V1.1 | VL2 83.1(en)、79.6(cn)、79.2(V1.1) | Qwen2-VL-7B 83.0 / 80.5；GPT-4o 83.4 / 82.1 / 82.2 | 与 7–8B 模型相当 |
| MMT-Bench | VL2 63.6 / Small 62.9 / Tiny 53.2 | Qwen2-VL-7B 63.7；InternVL2-8B 60.0 | 基本追平 7B 稠密模型 |
| RealWorldQA | VL2 68.4 / Small 65.4 / Tiny 64.2 | Qwen2-VL-7B 70.1；InternVL2-8B 64.4；GPT-4o 75.4 | 小幅落后 Qwen2-VL-7B |
| MathVista (testmini) | VL2 62.8 / Small 60.7 / Tiny 53.6 | Qwen2-VL-7B 58.2；InternVL2-8B 58.3；GPT-4o 63.8 | 超过所有列出的开源模型 |
| RefCOCO (val/testA/testB) | VL2 95.1 / 96.7 / 92.7；Small 93.9 / 95.3 / 91.3 | Qwen2-VL-7B 91.7 / 93.6 / 87.3；Ferret-v2-7B 92.8 / 94.7 / 88.7；Florence-2-L 93.4 / 95.3 / 92.0 | 全面领先同规模 VLM |
| RefCOCO+ (val/testA/testB) | VL2 91.2 / 94.9 / 87.4 | Qwen2-VL-7B 85.8 / 90.5 / 79.5；ONE-PEACE 88.8 / 92.2 / 83.2 | 领先幅度显著 |
| RefCOCOg (val/test) | VL2 92.8 / 92.9 | Qwen2-VL-7B 87.3 / 87.8；Florence-2-L 91.2 / 91.7 | 领先幅度显著 |
受益于 MoE 架构，DeepSeek-VL2 以更少激活参数取得相当或更好的性能。OCR 与文档/表格/图表理解是最强项：激活 4.5B 的模型在 DocVQA、ChartQA、TextVQA 上超过 GPT-4o，激活 2.8B 的 Small 在 OCRBench 上（834）高于 Claude 3.5 Sonnet（788）。视觉定位全面领先：RefCOCO 系列各分项均超过所列 VLM 与专用定位模型，仅 Florence-2-L 在 RefCOCO testA（95.3）略高。推理类基准与开源最强模型互有胜负：AI2D（81.4）低于 InternVL2-8B（83.8），RealWorldQA（68.4）略低于 Qwen2-VL-7B（70.1），与 GPT-4o 在 MMMU（51.1 vs 69.1）上差距明显。
五、结论、局限与影响
- 结论：DeepSeek-VL2 是 MoE 视觉语言模型的增强版，总参数 3B/16B/27B、激活参数 1.0B/2.8B/4.5B，可分别单卡部署于 10GB/40GB/80GB 显存 GPU；核心为动态分块视觉编码策略，代码与模型全部开源。
- 局限性：作者自述三点——上下文窗口每次对话仅支持少量图像；面对模糊图像或未见物体偶发出错；视觉感知出色但推理能力仍需加强。定性研究还提到创意讲故事需要更多元体裁与情节，与安全性要求存在张力。
- 影响：以「稀疏激活 + MLA 压缩 KV 缓存 + 动态分块编码」的组合，DeepSeek-VL2 证明激活参数远小于同性能稠密模型时即可达到或超越 SOTA，把强多模态能力的部署门槛降到单张 GPU，并为具身智能、GUI 智能体等方向提供视觉定位基础。
六、关键术语对照表
| English | 中文 |
|---|---|
| Mixture-of-Experts (MoE) | 混合专家 |
| Vision-Language Model (VLM) | 视觉语言模型 |
| Dynamic Tiling Strategy | 动态分块策略 |
| Vision Encoder | 视觉编码器 |
| Vision-Language Adaptor | 视觉语言适配器 |
| Multi-head Latent Attention (MLA) | 多头潜在注意力 |
| Key-Value (KV) Cache | 键值缓存 |
| Activated Parameters | 激活参数 |
| Pixel Shuffle | 像素重排 |
| Visual Grounding | 视觉定位 |
| Grounded Conversation | 带定位的对话 |
| In-context Visual Grounding | 上下文视觉定位 |
| Optical Character Recognition (OCR) | 光学字符识别 |
| Supervised Fine-Tuning (SFT) | 监督微调 |
| Expert Parallelism / Pipeline Parallelism | 专家并行 / 流水线并行 |