DeepSeek · 2024-01 · Sparsames MoE
DeepSeekMoE 16B
DeepSeekMoE 16B ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von DeepSeek im 2024-01, mit 28 Schichten, Hidden-Größe 2048 und einem Kontextfenster von 4,096 Tokens.
Schichtstapel
Attention ×28 · Schichten 28
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2024-01 |
| Parameter | 16.2 Mrd. |
| Aktiv | 2.6 Mrd. |
| Kontext | 4,096 tokens |
| Attention | MHA (16:16) |
| Schichten | 28 |
| Hidden-Dim. | 2,048 |
| Attention-Köpfe | 16 |
| Vokabular | 102,400 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | DeepseekForCausalLM |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 16 q-heads / 16 kv-heads. RoPE θ=10,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 64 gerouteten Experten und Top-6-Routing; etwa 2.6 Mrd. Parameter sind pro Token aktiv.
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 LLM 7B
| Modell | DeepSeekMoE 16B | DeepSeek LLM 7B | Ratio |
|---|---|---|---|
| model_type | deepseek | llama | ≠ |
| architectures | DeepseekForCausalLM | LlamaForCausalLM | ≠ |
| hidden_size | 2048 | 4096 | ×0.500 |
| num_hidden_layers | 28 | 30 | ×0.933 |
| num_attention_heads | 16 | 32 | ×0.500 |
| num_key_value_heads | 16 | 32 | ×0.500 |
| intermediate_size | 10944 | 11008 | ×0.994 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 64 | — | |
| num_experts_per_tok | 6 | — | |
| n_shared_experts | 2 | — | |
| moe_intermediate_size | 1408 | — | |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 4096 | 4096 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 102400 | 102400 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_bias | false | — | |
| attention_dropout | 0 | — | |
| bos_token_id | 100000 | 1 | ×100000.00 |
| eos_token_id | 100001 | 2 | ×50000.50 |
| first_k_dense_replace | 1 | — | |
| initializer_range | 0.02 | 0.02 | ≈1 |
| moe_layer_freq | 1 | — | |
| norm_topk_prob | false | — | |
| pretraining_tp | 1 | 1 | ≈1 |
Strukturell ähnlichste Modelle
- DeepSeek LLM 7B (DeepSeek, 2023-11) 0.874
- DeepSeek-Coder 6.7B (DeepSeek, 2023-11) 0.873
- Qwen1.5 7B (Qwen, 2024-02) 0.872
- Qwen3.6 35B A3B (Qwen, 2026-04) 0.832
- Kimi Linear 48B A3B (Kimi, 2025-10) 0.831
- GPT-OSS 120B (OpenAI, 2025-08) 0.831
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
30 Felder
| architectures | DeepseekForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 100000 |
| eos_token_id | 100001 |
| first_k_dense_replace | 1 |
| hidden_act | silu |
| hidden_size | 2048 |
| initializer_range | 0.02 |
| intermediate_size | 10944 |
| max_position_embeddings | 4096 |
| model_type | deepseek |
| moe_intermediate_size | 1408 |
| moe_layer_freq | 1 |
| n_routed_experts | 64 |
| n_shared_experts | 2 |
| norm_topk_prob | false |
| num_attention_heads | 16 |
| num_experts_per_tok | 6 |
| num_hidden_layers | 28 |
| num_key_value_heads | 16 |
| pretraining_tp | 1 |
| rms_norm_eps | 0.000001 |
| rope_theta | 10000 |
| scoring_func | softmax |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.36.0 |
| use_cache | true |
| vocab_size | 102400 |