DeepSeek · 2025-08 · Sparsames MoE
DeepSeek-V3.1
DeepSeek-V3.1 ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von DeepSeek im 2025-08, mit 61 Schichten, Hidden-Größe 7168 und einem Kontextfenster von 163,840 Tokens.
Schichtstapel
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2025-08 |
| Parameter | 671 Mrd. |
| Aktiv | 37 Mrd. |
| Kontext | 163,840 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Schichten | 61 |
| Hidden-Dim. | 7,168 |
| Attention-Köpfe | 128 |
| Vokabular | 129,280 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | fp8 |
| Architekturklasse | DeepseekV3ForCausalLM |
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 256 gerouteten Experten und Top-8-Routing; etwa 37 Mrd. Parameter sind pro Token aktiv.
Die Konfiguration enthält 1 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.
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-R1
| Modell | DeepSeek-V3.1 | DeepSeek-R1 | Ratio |
|---|---|---|---|
| model_type | deepseek_v3 | deepseek_v3 | ＝ |
| architectures | DeepseekV3ForCausalLM | DeepseekV3ForCausalLM | ＝ |
| hidden_size | 7168 | 7168 | ≈1 |
| num_hidden_layers | 61 | 61 | ≈1 |
| num_attention_heads | 128 | 128 | ≈1 |
| num_key_value_heads | 128 | 128 | ≈1 |
| intermediate_size | 18432 | 18432 | ≈1 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 256 | 256 | ≈1 |
| num_experts_per_tok | 8 | 8 | ≈1 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 2048 | 2048 | ≈1 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| q_lora_rank | 1536 | 1536 | ≈1 |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 163840 | 163840 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 129280 | 129280 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 0 | 0 | ＝ |
| eos_token_id | 1 | 1 | ≈1 |
| ep_size | 1 | 1 | ≈1 |
Strukturell ähnlichste Modelle
- DeepSeek-V3 (DeepSeek, 2024-12) 1.000
- DeepSeek-V3 Base (DeepSeek, 2024-12) 1.000
- DeepSeek-R1 (DeepSeek, 2025-01) 1.000
- DeepSeek-V3.2 (DeepSeek, 2025-09) 1.000
- Kimi K2 0905 (Kimi, 2025-09) 1.000
- Kimi K2.5 (Kimi, 2026-02) 1.000
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
40 Felder
| architectures | DeepseekV3ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 0 |
| eos_token_id | 1 |
| ep_size | 1 |
| first_k_dense_replace | 3 |
| hidden_act | silu |
| hidden_size | 7168 |
| initializer_range | 0.02 |
| intermediate_size | 18432 |
| kv_lora_rank | 512 |
| max_position_embeddings | 163840 |
| model_type | deepseek_v3 |
| moe_intermediate_size | 2048 |
| moe_layer_freq | 1 |
| n_group | 8 |
| n_routed_experts | 256 |
| n_shared_experts | 1 |
| norm_topk_prob | true |
| num_attention_heads | 128 |
| num_experts_per_tok | 8 |
| num_hidden_layers | 61 |
| num_key_value_heads | 128 |
| num_nextn_predict_layers | 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 | 2.5 |
| scoring_func | sigmoid |
| tie_word_embeddings | false |
| topk_group | 4 |
| topk_method | noaux_tc |
| torch_dtype | bfloat16 |
| transformers_version | 4.44.2 |
| use_cache | true |
| v_head_dim | 128 |
| vocab_size | 129280 |