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.
- Preço
- ≈ US$ 0,0086/execução
- Contexto
- 4.096 tokens
- Saída máxima
- 2.048 tokens
- Entrada → Saída
- Texto + Imagem → Texto
- Desenvolvedor
- DeepSeek
- Atualizado
- 23 de setembro de 2026
Playground
Experimentar DeepSeek-VL 7B
Sem formulário de entrada
Ainda não há formulário de entrada para este modelo
Suas entradas ainda não foram documentadas. Para que nenhuma execução falhe com uma entrada incorreta, não oferecemos um formulário aqui. Escolha um modelo comparável em vez disso.
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.
Sobre DeepSeek-VL 7B
DeepSeek-VL 7B é um modelo de DeepSeek na categoria Multimodal. No Railwail, DeepSeek-VL 7B custa ≈ US$ 0,0086 por execução. A janela de contexto contém 4.096 tokens, e uma resposta pode ter até 2.048 tokens.
Preços
| Execução típica (≈ 7 s em L40S) | US$ 0,0086 por execução |
|---|---|
| Tempo de GPU (L40S) | US$ 0,00117 por segundo de GPU |
- Faturado pelo tempo de GPU que a execução realmente leva. Quando a execução começa, 3× o preço típico é reservado do seu saldo e liquidado depois.
- 1 crédito = US$ 0,01
Calculadora de custos
Calculadora de preços
Típico conforme o provedor: cerca de 7,3 s
Total
US$ 0,86
86 créditos
Por execução
US$ 0,0086 · 0,86 créditos
Faturado pelo tempo real de GPU; este é uma estimativa.
API
Nenhum exemplo de API verificado
A API pública passa um formato de entrada diferente do que este modelo precisa. Use o playground acima.
Especificações
- ID do modelo
deepseek-vl-7b- Desenvolvedor
- DeepSeek
- Categoria
- Multimodal
- Entrada
- Texto, Imagem
- Saída
- Texto
- Janela de contexto
- 4.096 tokens
- Saída máx.
- 2.048 tokens
- Faturamento
- Por uso (tokens ou tempo de GPU)
- Entrada do catálogo atualizada
- 23 de setembro de 2026
Etiquetas
- replicate
- multimodal
- vision-understanding
- deepseek
- open-weights
Perguntas frequentes
O que é DeepSeek-VL 7B?
DeepSeek-VL 7B é um modelo de DeepSeek na categoria Multimodal.
Quanto custa DeepSeek-VL 7B no Railwail?
No Railwail, DeepSeek-VL 7B custa ≈ US$ 0,0086 por execução. Você é cobrado pelo que cada solicitação realmente usa. O uso é pago com créditos pré-pagos; 1 crédito equivale a US$ 0,01.
Qual é a janela de contexto de DeepSeek-VL 7B?
A janela de contexto de DeepSeek-VL 7B contém 4.096 tokens. Uma resposta pode ter até 2.048 tokens.
Qual é a velocidade de DeepSeek-VL 7B?
Ainda não há execuções medidas suficientes de DeepSeek-VL 7B no Railwail para indicar um tempo de execução. Depende da entrada, das configurações e da carga no provedor.
DeepSeek-VL 7B é melhor que BLIP?
Depende da tarefa. DeepSeek-VL 7B (DeepSeek) e BLIP (Salesforce) são ambos modelos na categoria Multimodal. A página de comparação mostra seus preços e especificações lado a lado.
Comparar DeepSeek-VL 7B e BLIPDeepSeek-VL 7B pode processar imagens?
Sim. DeepSeek-VL 7B aceita imagens como entrada além de texto.
Modelos comparáveis
Todos nesta categoria- 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.
Todos os modelos através de uma API
Uma chave API para todos os modelos no Railwail. O uso é cobrado a partir de créditos pré-pagos, 1 crédito = US$ 0,01.