DeepSeek · 2023-11 · Dicht
DeepSeek LLM 7B
DeepSeek LLM 7B ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von DeepSeek im 2023-11, mit 30 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 4,096 Tokens.
Schichtstapel
Attention ×30 · Schichten 30
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2023-11 |
| Parameter | 5.9 Mrd. |
| Kontext | 4,096 tokens |
| Attention | MHA (32:32) |
| Schichten | 30 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 102,400 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | LlamaForCausalLM |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 32 q-heads / 32 kv-heads. RoPE θ=10,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 5.9 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 Vorgänger DeepSeek-Coder 6.7B
| Modell | DeepSeek LLM 7B | DeepSeek-Coder 6.7B | Ratio |
|---|---|---|---|
| model_type | llama | llama | ＝ |
| architectures | LlamaForCausalLM | LlamaForCausalLM | ＝ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 30 | 32 | ×0.938 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 32 | 32 | ≈1 |
| intermediate_size | 11008 | 11008 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 10000 | 100000 | ×0.100 |
| max_position_embeddings | 4096 | 16384 | ×0.250 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 102400 | 32256 | ×3.17 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| bos_token_id | 1 | 32013 | ×0.000 |
| eos_token_id | 2 | 32014 | ×0.000 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| pretraining_tp | 1 | 1 | ≈1 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.33.1 | 4.34.1 | ≠ |
| use_cache | true | true | ＝ |
Strukturell ähnlichste Modelle
- DeepSeek-Coder 6.7B (DeepSeek, 2023-11) 0.999
- Qwen1.5 7B (Qwen, 2024-02) 0.998
- LLaMA 1 7B (Meta, 2023-02) 0.882
- DeepSeekMoE 16B (DeepSeek, 2024-01) 0.874
- Qwen3 8B (Qwen, 2025-04) 0.782
- Hunyuan 7B (Hunyuan, 2025-08) 0.782
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
20 Felder
| architectures | LlamaForCausalLM |
|---|---|
| bos_token_id | 1 |
| eos_token_id | 2 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 11008 |
| max_position_embeddings | 4096 |
| model_type | llama |
| num_attention_heads | 32 |
| num_hidden_layers | 30 |
| num_key_value_heads | 32 |
| pretraining_tp | 1 |
| rms_norm_eps | 0.000001 |
| rope_theta | 10000 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.33.1 |
| use_cache | true |
| vocab_size | 102400 |