DeepSeek-VL 7B
deepseek-vl-7bDeepSeek-VL 7B chat model. Vision-language model with hybrid vision encoder and strong real-world visual question answering performance.
- Cena
- ≈ 0,0086 $/palaidi
- Konteksts
- 4096 marķieri
- Maks. izvade
- 2048 marķieri
- Ievade → Izvade
- Teksts + Attēls → Teksts
- Izstrādātājs
- DeepSeek
- Atjaunināts
- 2026. gada 23. septembris
Spēļu laukums
Izmēģiniet DeepSeek-VL 7B
Nav ievades formas
Šim modelim vēl nav ievades formas
Tā ievades vēl nav dokumentētas. Lai neviena izpilde neuztrūktos nepareizas ievades dēļ, mēs šeit nepiedāvājam formu. Tā vietā izvēlieties salīdzināmu modeli.
Examples
InputPrompt
Describe each stage of this image
Response
The image depicts a three-stage process for training a vision-language model. 1. Stage 1: Training VL Adapter: In this stage, a vision-language adapter is trained using supervised fine-tuning. The adapter is trained on image-text pairs and pure language sequences. 2. Stage 2: Joint VL Pre-training: In this stage, a joint vision-language model is pre-trained using self-supervised learning. The model is trained on image-text pairs and pure language sequences. 3. Stage 3: Supervised Fine-tuning: In this stage, the model is fine-tuned on supervised tasks using image-text pairs and pure language sequences. The model is trained using a hybrid vision-language adapter, which combines a vision-language adapter with a language model. The model is trained on a variety of tasks, including image captioning, visual question answering, and visual reasoning. The model is able to understand the visual content of an image and generate a natural language description or answer.
InputPrompt
Describe this image
Response
The image you've provided is a meme featuring a French Bulldog lying on its side on a blue wooden floor. The dog's head is resting on its paws, and it appears to be sleeping. The meme has a text overlay that reads "MONDAY. JUST...MONDAY." This suggests that the meme is making a humorous comment about the start of the work week. The dog's relaxed posture and the text overlay together create a light-hearted and relatable message.
Par DeepSeek-VL 7B
DeepSeek-VL 7B ir DeepSeek modelis kategorijā Multimodāls. Railwail platformā DeepSeek-VL 7B maksā ≈ 0,0086 $ par palaidi. Konteksta logs satur 4096 žetonus, un viena atbilde var būt līdz 2048 žetonu gara.
Cenas
| Tipisks palaidi (≈ 7 s uz L40S) | 0,0086 $ par palaidi |
|---|---|
| GPU laiks (L40S) | 0,00117 $ par GPU sekundi |
- Norēķināšana notiek par GPU laiku, ko palaidi faktiskā aizņem. Palaides sākumā no jūsu atlikuma tiek rezervēts 3× tipiskā cena un vēlāk nosegts.
- 1 kredīts = 0,01 $
Izmaksu kalkulators
Cenu kalkulators
Tipiski pēc sniedzēja: aptuveni 7,3 s
Kopā
0,86 $
86 kredīti
Uz palaišanu
0,0086 $ · 0,86 kredīti
Norēķins pēc faktiskā GPU laika; šī ir aprēķins.
API
Nav pārbaudīta API piemēra
Publiskā API nodod citu ievades formātu, nekā nepieciešams šim modelim. Izmantojiet smilšu kasti iepriekš.
Specifikācijas
- Modeļa ID
deepseek-vl-7b- Izstrādātājs
- DeepSeek
- Kategorija
- Multimodāls
- Ievade
- Teksts, Attēls
- Izvade
- Teksts
- Konteksta logs
- 4096 marķieri
- Maks. izvade
- 2048 marķieri
- Norēķini
- Pēc lietojuma (tokeni vai GPU laiks)
- Kataloga ieraksts atjaunināts
- 2026. gada 23. septembris
Tagi
- replicate
- multimodal
- vision-understanding
- deepseek
- open-weights
Bieži uzdotie jautājumi
Kas ir DeepSeek-VL 7B?
DeepSeek-VL 7B ir DeepSeek izstrādāts modelis Multimodāls kategorijā.
Cik maksā DeepSeek-VL 7B Railwail?
Railwail platformā DeepSeek-VL 7B maksā ≈ 0,0086 $ par palaidi. Jums tiek ņemta maksa par to, ko katra pieprasījuma izpilde faktiski izmanto. Izmantošana tiek apmaksāta no iepriekš nopirkto kredītu; 1 kredīts = 0,01 $.
Kāds ir DeepSeek-VL 7B konteksta logs?
DeepSeek-VL 7B konteksta logs satur 4096 žetonus. Viena atbilde var būt līdz 2048 žetonu gara.
Cik ātrs ir DeepSeek-VL 7B?
Railwail platformā DeepSeek-VL 7B vēl nav pietiekami daudz izmērītu izpilžu, lai norādītu izpildes laiku. Tas ir atkarīgs no ievades, iestatījumiem un sniedzēja slodzes.
Vai DeepSeek-VL 7B ir labāks par BLIP?
Tas ir atkarīgs no uzdevuma. DeepSeek-VL 7B (DeepSeek) un BLIP (Salesforce) ir abi modeļi Multimodāls kategorijā. Salīdzināšanas lapā to cenas un specifikācijas ir parādītas blakus.
Salīdzināt DeepSeek-VL 7B un BLIPVai DeepSeek-VL 7B var apstrādāt attēlus?
Jā. DeepSeek-VL 7B pieņem attēlus kā ievadi papildus tekstam.
Salīdzināmi modeļi
Visi šajā kategorijā- BLIPSalesforce
Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.
- CLIP InterrogatorCommunity
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
- Depth Anything v2Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
Visi modeļi caur vienu API
Viena API atslēga visiem Railwail modeļiem. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem, 1 kredīts = 0,01 $.