DeepEyes 项目亮点解析
2025-05-28 22:46:14作者:薛曦旖Francesca
一、项目的基础介绍
DeepEyes 是一个开源项目,旨在通过强化学习激励“以图像思考”的能力。该项目基于 VeRL 框架,通过端到端的强化学习,使模型能够直接根据结果奖励信号学习图像思考能力,无需冷启动或监督微调,也不依赖专业的外部模型。DeepEyes 在视觉定位、图像生成缓解和数学问题解决任务上表现出显著的性能提升,并具有良好的泛化能力。
二、项目代码目录及介绍
项目的主要代码目录如下:
docs/
:文档目录,包含了项目的说明和用户指南。examples/
:示例脚本目录,包含了启动训练的示例配置文件。patches/
:补丁目录,包含了项目的初始开源版本和相关更新。recipe/
:食谱目录,包含了数据处理和模型训练的相关脚本。scripts/
:脚本目录,包含了项目部署和操作的相关脚本。tests/
:测试目录,包含了项目的单元测试和集成测试。verl/
:VeRL 框架的核心代码目录。requirements.txt
:项目依赖文件,列出了运行项目所需的所有 Python 包。
三、项目亮点功能拆解
- 图像思考能力:DeepEyes 通过强化学习实现了对图像的直接理解和利用,能够在无需监督微调的情况下,通过奖励信号学习图像思考能力。
- 工具调用效率:项目在训练过程中,工具调用效率得到了显著提升,这对于多模态任务尤为重要。
- 性能提升:在高分辨率基准测试中,端到端的强化学习训练带来了显著的性能提升,并具有良好的泛化能力。
四、项目主要技术亮点拆解
- 强化学习框架:DeepEyes 使用了 VeRL 框架进行强化学习训练,支持多种算法,如 PPO、GRPO 和 reinforce++。
- 异步训练:项目实现了 agent rollout 的异步执行,提高了训练效率。
- 多模态输入:DeepEyes 支持动态的多模态输入,这对于图像思考能力的训练至关重要。
- 模型兼容性:项目设计为 VeRL 的插件形式,可以轻松兼容最新的 VeRL 更新。
五、与同类项目对比的亮点
与同类项目相比,DeepEyes 的亮点在于:
- 无需监督微调:DeepEyes 通过端到端的强化学习训练,无需额外的监督微调,简化了训练流程。
- 工具调用效率:在训练过程中,DeepEyes 展示了更高的工具调用效率,这对于复杂的任务处理具有显著优势。
- 泛化能力:DeepEyes 在不同的视觉任务上表现出良好的泛化能力,使其在多种应用场景中都具备竞争力。
登录后查看全文
热门项目推荐
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0118AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
225
2.27 K

React Native鸿蒙化仓库
JavaScript
211
287

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

暂无简介
Dart
526
116

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
987
583

openGauss kernel ~ openGauss is an open source relational database management system
C++
148
197

GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
45
0

ArkUI-X adaptation to Android | ArkUI-X支持Android平台的适配层
C++
39
55

ArkUI-X adaptation to iOS | ArkUI-X支持iOS平台的适配层
Objective-C++
19
44