DeepSeek · 2024-05 · Sparsames MoE
DeepSeek-V2
DeepSeek-V2 ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von DeepSeek im 2024-05, mit 60 Schichten, Hidden-Größe 5120 und einem Kontextfenster von 163,840 Tokens.
Schichtstapel
Attention ×60 · Schichten 60
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2024-05 |
| Parameter | 236 Mrd. |
| Aktiv | 21 Mrd. |
| Kontext | 163,840 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Schichten | 60 |
| Hidden-Dim. | 5,120 |
| Attention-Köpfe | 128 |
| Vokabular | 102,400 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | DeepseekV2ForCausalLM |
Architekturüberblick
Attention
Multi-Head-Latent-Attention (MLA). kv_lora_rank=512. RoPE θ=10,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 160 gerouteten Experten und Top-6-Routing; etwa 21 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 DeepSeekMoE 16B
| Modell | DeepSeek-V2 | DeepSeekMoE 16B | Ratio |
|---|---|---|---|
| model_type | deepseek_v2 | deepseek | ≠ |
| architectures | DeepseekV2ForCausalLM | DeepseekForCausalLM | ≠ |
| hidden_size | 5120 | 2048 | ×2.50 |
| num_hidden_layers | 60 | 28 | ×2.14 |
| num_attention_heads | 128 | 16 | ×8.00 |
| num_key_value_heads | 128 | 16 | ×8.00 |
| intermediate_size | 12288 | 10944 | ×1.12 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 160 | 64 | ×2.50 |
| num_experts_per_tok | 6 | 6 | ≈1 |
| n_shared_experts | 2 | 2 | ≈1 |
| moe_intermediate_size | 1536 | 1408 | ×1.09 |
| kv_lora_rank | 512 | — | |
| qk_rope_head_dim | 64 | — | |
| q_lora_rank | 1536 | — | |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 163840 | 4096 | ×40.00 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 102400 | 102400 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| aux_loss_alpha | 0.001 | — | |
| bos_token_id | 100000 | 100000 | ≈1 |
| eos_token_id | 100001 | 100001 | ≈1 |
| first_k_dense_replace | 1 | 1 | ≈1 |
Strukturell ähnlichste Modelle
- GLM-4.7-Flash (GLM, 2026-01) 0.992
- Kimi Linear 48B A3B (Kimi, 2025-10) 0.990
- DeepSeek-V2 Lite (DeepSeek, 2024-05) 0.985
- Moonlight 16B (Kimi, 2025-02) 0.983
- Kimi K2 0905 (Kimi, 2025-09) 0.937
- Kimi K2.5 (Kimi, 2026-02) 0.937
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
41 Felder
| architectures | DeepseekV2ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| aux_loss_alpha | 0.001 |
| bos_token_id | 100000 |
| eos_token_id | 100001 |
| first_k_dense_replace | 1 |
| hidden_act | silu |
| hidden_size | 5120 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| kv_lora_rank | 512 |
| max_position_embeddings | 163840 |
| model_type | deepseek_v2 |
| moe_intermediate_size | 1536 |
| moe_layer_freq | 1 |
| n_group | 8 |
| n_routed_experts | 160 |
| n_shared_experts | 2 |
| norm_topk_prob | false |
| num_attention_heads | 128 |
| num_experts_per_tok | 6 |
| num_hidden_layers | 60 |
| num_key_value_heads | 128 |
| pretraining_tp | 1 |
| q_lora_rank | 1536 |
| qk_nope_head_dim | 128 |
| qk_rope_head_dim | 64 |
| rms_norm_eps | 0.000001 |
| rope_theta | 10000 |
| routed_scaling_factor | 16 |
| scoring_func | softmax |
| seq_aux | true |
| tie_word_embeddings | false |
| topk_group | 3 |
| topk_method | group_limited_greedy |
| torch_dtype | bfloat16 |
| transformers_version | 4.39.3 |
| use_cache | true |
| v_head_dim | 128 |
| vocab_size | 102400 |