DeepSeek · 2026-04 · Sparsames MoE
DeepSeek-V4-Flash
DeepSeek-V4-Flash ist ein Multi-Query-Attention (MQA)-Transformer, veröffentlicht von DeepSeek im 2026-04, mit 43 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 1,048,576 Tokens.
Schichtstapel
Kernfakten
| Labor | DeepSeek |
|---|---|
| Veröffentlicht | 2026-04 |
| Parameter | 284 Mrd. |
| Aktiv | 13 Mrd. |
| Kontext | 1,048,576 tokens |
| Attention | MQA (64:1) |
| Schichten | 43 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 64 |
| Vokabular | 129,280 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | fp8+fp4 |
| Architekturklasse | DeepseekV4ForCausalLM |
Architekturüberblick
Attention
Multi-Query-Attention (MQA) — 64 q-heads / 1 kv-heads. RoPE θ=10,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 256 gerouteten Experten und Top-6-Routing; etwa 13 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-V3.2
| Modell | DeepSeek-V4-Flash | DeepSeek-V3.2 | Ratio |
|---|---|---|---|
| model_type | deepseek_v4 | deepseek_v32 | ≠ |
| architectures | DeepseekV4ForCausalLM | DeepseekV32ForCausalLM | ≠ |
| hidden_size | 4096 | 7168 | ×0.571 |
| num_hidden_layers | 43 | 61 | ×0.705 |
| num_attention_heads | 64 | 128 | ×0.500 |
| num_key_value_heads | 1 | 128 | ×0.008 |
| head_dim | 512 | — | |
| intermediate_size | — | 18432 | |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 256 | 256 | ≈1 |
| num_experts_per_tok | 6 | 8 | ×0.750 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 2048 | 2048 | ≈1 |
| kv_lora_rank | — | 512 | |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| q_lora_rank | 1024 | 1536 | ×0.667 |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 1048576 | 163840 | ×6.40 |
| sliding_window | 128 | — | |
| 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 | ＝ |
Strukturell ähnlichste Modelle
- DeepSeek-V4-Flash Base (DeepSeek, 2026-04) 1.000
- DeepSeek-V4-Pro (DeepSeek, 2026-04) 0.994
- Qwen3.8-Flash-Next (Qwen, 2026-08) 0.858
- DeepSeek-V2 (DeepSeek, 2024-05) 0.856
- Qwen3-Next 80B A3B (Qwen, 2025-09) 0.856
- Qwen3-Coder-Next (Qwen, 2026-01) 0.856
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
46 Felder
| architectures | DeepseekV4ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 0 |
| eos_token_id | 1 |
| expert_dtype | fp4 |
| hc_eps | 0.000001 |
| hc_mult | 4 |
| hc_sinkhorn_iters | 20 |
| head_dim | 512 |
| hidden_act | silu |
| hidden_size | 4096 |
| index_head_dim | 128 |
| index_n_heads | 64 |
| index_topk | 512 |
| initializer_range | 0.02 |
| max_position_embeddings | 1048576 |
| model_type | deepseek_v4 |
| moe_intermediate_size | 2048 |
| n_routed_experts | 256 |
| n_shared_experts | 1 |
| norm_topk_prob | true |
| num_attention_heads | 64 |
| num_experts_per_tok | 6 |
| num_hidden_layers | 43 |
| num_hash_layers | 3 |
| num_key_value_heads | 1 |
| num_nextn_predict_layers | 1 |
| o_groups | 8 |
| o_lora_rank | 1024 |
| q_lora_rank | 1024 |
| qk_rope_head_dim | 64 |
| rms_norm_eps | 0.000001 |
| rope_theta | 10000 |
| routed_scaling_factor | 1.5 |
| scoring_func | sqrtsoftplus |
| sliding_window | 128 |
| swiglu_limit | 10 |
| tie_word_embeddings | false |
| topk_method | noaux_tc |
| torch_dtype | bfloat16 |
| transformers_version | 4.57.1 |
| use_cache | true |
| vocab_size | 129280 |
| compress_rope_theta | 160000 |
| compress_ratios | 0×3 + 4×21 + 128×20 |