DeepSeek · 2023-11 · Dicht
DeepSeek-Coder 6.7B
DeepSeek-Coder 6.7B ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von DeepSeek im 2023-11, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 16,384 Tokens.
Schichtstapel
Attention ×32 · Schichten 32
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2023-11 |
| Parameter | 6.7 Mrd. |
| Kontext | 16,384 tokens |
| Attention | MHA (32:32) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 32,256 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | LlamaForCausalLM |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 32 q-heads / 32 kv-heads. RoPE θ=100,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 6.7 Mrd. Parameter sind an der Berechnung jedes Tokens beteiligt.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem ähnlichsten Modell Qwen1.5 7B
| Modell | DeepSeek-Coder 6.7B | Qwen1.5 7B | Ratio |
|---|---|---|---|
| model_type | llama | qwen2 | ≠ |
| architectures | LlamaForCausalLM | Qwen2ForCausalLM | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 32 | 32 | ≈1 |
| intermediate_size | 11008 | 11008 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 100000 | 1000000 | ×0.100 |
| max_position_embeddings | 16384 | 32768 | ×0.500 |
| sliding_window | — | 32768 | |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 32256 | 151936 | ×0.212 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| bos_token_id | 32013 | 151643 | ×0.211 |
| eos_token_id | 32014 | 151643 | ×0.211 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| pretraining_tp | 1 | — | |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.34.1 | 4.37.0 | ≠ |
| use_cache | true | true | ＝ |
Strukturell ähnlichste Modelle
- Qwen1.5 7B (Qwen, 2024-02) 1.000
- DeepSeek LLM 7B (DeepSeek, 2023-11) 0.999
- LLaMA 1 7B (Meta, 2023-02) 0.884
- DeepSeekMoE 16B (DeepSeek, 2024-01) 0.873
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.789
- Llama 3.1 8B (Meta, 2024-07) 0.789
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
20 Felder
| architectures | LlamaForCausalLM |
|---|---|
| bos_token_id | 32013 |
| eos_token_id | 32014 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 11008 |
| max_position_embeddings | 16384 |
| model_type | llama |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 32 |
| pretraining_tp | 1 |
| rms_norm_eps | 0.000001 |
| rope_theta | 100000 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.34.1 |
| use_cache | true |
| vocab_size | 32256 |