DeepSeek publicó un modelo multimodal experimental de 305 mil millones (305B) de parámetros.
DeepSeek publicó un modelo multimodal experimental de 305 mil millones (305B) de parámetros, DeepSeek-V4-Flash-Vision-Exp, en Hugging Face bajo una licencia MIT.
Es el primer modelo de visión de la familia V4-Flash, el cual añade un codificador de visión (vision encoder) y un alineador sobre la ruta directa del modelo de texto que incluye atención DFlash, MoE (Mezcla de Expertos), Hyper-Connections y DSpark.
La tarjeta del modelo (model card) es escueta. Su única frase evaluativa dice: "En comparación con DeepSeek-V4-Flash-0731, DeepSeek-V4-Flash-Vision-Exp logra mejoras sustanciales en sus capacidades de agente multimodal, mientras mantiene un rendimiento comparable en tareas de agente que solo requieren texto".
La tabla de referencia (benchmarks) posiciona a Vision-Exp con un 36.5 en ApexBench Pass@1, subiendo desde el 26.2 del modelo V4-Flash-0731 que solo admite texto, y quedando un poco por detrás del 39.4 de Opus-4.8. En Agents' Last Exam obtiene una puntuación de 27.3, superando al 25.7 de Opus. ZeroBench Pass@5 alcanza un 35.0 frente al 34.0 de Opus, y Chartography se sitúa en 64.3 frente a 65.0. En las tareas de agente que solo requieren texto la brecha es más estrecha: Terminal Bench 2.1 con un 83.9 frente al 85.0 de Opus, DeepSWE con 59.3 frente al 58.0 de Opus, y NL2Repo con un 57.7 frente al 69.7 de Opus.
Los pesos (weights) se distribuyen con los comandos de ejecución de
vllm serve y SGLang integrados directamente en el archivo README, un script de inferencia mínimo en PyTorch y cuantizaciones señaladas para llama.cpp, Ollama y LM Studio. El lanzamiento no vino acompañado de ningún artículo científico (paper) ni publicación en blog.Referencias:
https://aiweekly.co/alerts/deepseek-releases-305b-v4-flash-vision-exp-under-mit-license
https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
https://aiweekly.co/alerts/tencent-open-sources-hy4-preview-a-770b-moe-with-1m-token-context
Comments
Post a Comment