DeepSeek anunció la publicación de DeepSeek-VL2, una avanzada familia de modelos multimodales de visión y lenguaje que implementa por primera vez una arquitectura de mezcla de expertos (MoE) en combinación con una innovadora estrategia de mosaico dinámico de imágenes (dynamic tiling). Disponible en tres tamaños escalables —Tiny (1B activos / 3B totales), Small (2.8B activos / 16B totales) y Standard (4.5B activos / 27B totales)—, DeepSeek-VL2 resuelve de manera óptima el cuello de botella computacional de procesar imágenes de alta resolución sin degradar la relación de aspecto original, permitiendo la lectura nítida de diagramas de ingeniería, documentos en formato PDF denso, interfaces gráficas de usuario y mapas esquemáticos a una fracción del coste computacional de modelos densos comparables.
Capítulo 01
La noticia en una frase
DeepSeek anuncia DeepSeek-VL2, una avanzada familia de modelos multimodales con arquitectura Mixture-of-Experts (MoE) que introduce mosaico dinámico de imágenes para procesar documentos de alta resolución.
En pruebas de referencia sobre DocVQA, ChartQA y OCRBench, DeepSeek-VL2 Standard supera a GPT-4V y Claude 3.5 Sonnet en fidelidad de extracción de tablas complejas y localización visual de elementos de interfaz con precisión de píxeles.
Capítulo 02
El alcance que cambia la lectura
Para plataformas de automatización de procesos empresariales (RPA), copilotos de interfaz gráfica y sistemas de digitalización documental a gran escala, la arquitectura MoE reduce drásticamente el consumo de VRAM y la latencia por página procesada.
