基于DeepSeek 的图生文最新算法 VLM-R1

目录

一、算法介绍

二 算法部署

三 模型下载

四 算法测试

五 可视化脚本

一、算法介绍

VLM-R1：稳定且可通用的 R1 风格大型视觉语言模型

自从 Deepseek-R1 推出以来，出现了许多专注于复制和改进它的作品。在这个项目中，我们提出了 VLM-R1，一种稳定且可通用的 R1 风格的大型视觉语言模型。

具体来说，对于引用表达式理解 （REC） 的任务，我们使用 R1 和 SFT 方法训练了 Qwen2.5-VL。结果表明，在域内测试数据上，SFT 模型的性能略低于 R1 模型（如上图顶部所示）。然而，在域外测试数据上，SFT 模型的性能随着步数的增加而显著恶化，而 R1 模型则显示出稳定的改进，如下图所示。