deepseek-vl-7b-base

DeepSeek-VL-7B-Base は DeepSeek のオープンソース視覚言語モデルで、Hugging Face で deepseek-ai/deepseek-vl-7b-base として公開されています。モデルカードは「実世界の視覚と言語の理解アプリケーション向けに設計」と説明しています。7B パラメータのベースモデルでチャットモデルではなく、DeepSeek-VL シリーズに属し、関連論文は 2024 年 3 月のものです。2026 年 10 月 29 日時点でリポジトリは公開されたままで、ダウンロードできます。

主な機能

• 混合ビジョンエンコーダ：SigLIP-L と SAM-B を組み合わせ、1024 x 1024 の画像を入力できます。
• 言語バックボーン：DeepSeek-LLM-7B-Base。約 2 兆のテキストトークンで学習。カードによると、モデル全体はその後約 4,000 億の視覚言語トークンで学習されました。
• ベースのチェックポイント：事前学習版です。カードには同シリーズに別のチャット版があると記載されています。
• ライセンス：コードは MIT ライセンス、モデルの重みは DeepSeek Model License で、カードは商用利用に対応すると述べています。導入前にライセンス本文を確認してください。
• 形式：7B パラメータ、F16 Safetensors。

使用シナリオ

• 画像理解と画像に基づく言語モデリングの研究。
• 自分のデータで小型の視覚言語モデルをファインチューニングする出発点。
• 1 枚の GPU で画像とテキストのパイプラインを試作する。

制約：カードにコンテキスト長の記載はなく、ホスト提供もありません。2026 年 10 月 29 日時点で Hugging Face の推論プロバイダーは提供しておらず、自分で動かす必要があります。

料金プラン

重みは Hugging Face から無料でダウンロードできます。公式のホスト価格はありません。DeepSeek の現行 API モデルは DeepSeek V4 Flash と DeepSeek V4 Pro を参照してください。

はじめに

1. モデルカードに記載の DeepSeek-VL の GitHub リポジトリをクローンし（Python 3.8 以上）、pip install -e . を実行する。
2. VLChatProcessor と MultiModalityCausalLM でモデルを読み込み、画像とテキストの会話で推論する。カードの cli_chat.py も使えます。
3. カードには、より短い Transformers の読み込み例もあります。

よくある質問

DeepSeek-VL-7B-Base は商用利用が無料ですか？

カードによると、DeepSeek-VL シリーズは DeepSeek Model License の下で商用利用に対応し、コードは MIT です。出荷前にライセンスを確認してください。

ベースの言語モデルは？

DeepSeek-LLM-7B-Base です。

対応する画像サイズは？

SigLIP-L と SAM-B の混合エンコーダにより 1024 x 1024 です。

より新しい DeepSeek の視覚モデルはありますか？

このカタログには DeepSeek V4 Flash Vision Exp があります。こちらは別の、より新しいラインです。

代替案

• DeepSeek V4 Flash：DeepSeek の現行の小型ホストモデル。
• DeepSeek V4 Flash Vision Exp：より新しい実験的な視覚エントリ。
• DeepSeek V4 Pro：現行のより大きなモデル。

まとめ

DeepSeek-VL-7B-Base は小型でライセンスが開かれた視覚言語のベースモデルで、研究やファインチューニングに役立ちます。ホスト型の本番利用には DeepSeek の新しいモデルを検討してください。ほかのモデルはモデルカテゴリをご覧ください。