Kimi · 2025-02 · Sparsames MoE
Moonlight 16B
Moonlight 16B ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von Kimi im 2025-02, mit 27 Schichten, Hidden-Größe 2048 und einem Kontextfenster von 8,192 Tokens.
Schichtstapel
Attention ×27 · Schichten 27
Kernfakten
| Labor | Kimi |
|---|---|
| Veröffentlicht | 2025-02 |
| Parameter | 15.8 Mrd. |
| Aktiv | 2.8 Mrd. |
| Kontext | 8,192 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Schichten | 27 |
| Hidden-Dim. | 2,048 |
| Attention-Köpfe | 16 |
| Vokabular | 163,840 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | DeepseekV3ForCausalLM |
Architekturüberblick
Attention
Multi-Head-Latent-Attention (MLA). kv_lora_rank=512. RoPE θ=50,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 64 gerouteten Experten und Top-6-Routing; etwa 2.8 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 ähnlichsten Modell DeepSeek-V2 Lite
| Modell | Moonlight 16B | DeepSeek-V2 Lite | Ratio |
|---|---|---|---|
| model_type | deepseek_v3 | deepseek_v2 | ≠ |
| architectures | DeepseekV3ForCausalLM | DeepseekV2ForCausalLM | ≠ |
| hidden_size | 2048 | 2048 | ≈1 |
| num_hidden_layers | 27 | 27 | ≈1 |
| num_attention_heads | 16 | 16 | ≈1 |
| num_key_value_heads | 16 | 16 | ≈1 |
| intermediate_size | 11264 | 10944 | ×1.03 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 64 | 64 | ≈1 |
| num_experts_per_tok | 6 | 6 | ≈1 |
| n_shared_experts | 2 | 2 | ≈1 |
| moe_intermediate_size | 1408 | 1408 | ≈1 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| rope_theta | 50000 | 10000 | ×5.00 |
| max_position_embeddings | 8192 | 163840 | ×0.050 |
| rms_norm_eps | 0.00001 | 0.000001 | ×10.00 |
| vocab_size | 163840 | 102400 | ×1.60 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| num_nextn_predict_layers | 0 | — | |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| aux_loss_alpha | 0.001 | 0.001 | ≈1 |
| bos_token_id | 163584 | 100000 | ×1.64 |
| eos_token_id | 163585 | 100001 | ×1.64 |
| ep_size | 1 | — |
Strukturell ähnlichste Modelle
- DeepSeek-V2 Lite (DeepSeek, 2024-05) 0.997
- GLM-4.7-Flash (GLM, 2026-01) 0.994
- Kimi Linear 48B A3B (Kimi, 2025-10) 0.992
- DeepSeek-V2 (DeepSeek, 2024-05) 0.983
- DeepSeek-V3 (DeepSeek, 2024-12) 0.913
- DeepSeek-V3 Base (DeepSeek, 2024-12) 0.913
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
42 Felder
| architectures | DeepseekV3ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| aux_loss_alpha | 0.001 |
| bos_token_id | 163584 |
| eos_token_id | 163585 |
| ep_size | 1 |
| first_k_dense_replace | 1 |
| hidden_act | silu |
| hidden_size | 2048 |
| initializer_range | 0.02 |
| intermediate_size | 11264 |
| kv_lora_rank | 512 |
| max_position_embeddings | 8192 |
| model_type | deepseek_v3 |
| moe_intermediate_size | 1408 |
| moe_layer_freq | 1 |
| n_group | 1 |
| n_routed_experts | 64 |
| n_shared_experts | 2 |
| norm_topk_prob | true |
| num_attention_heads | 16 |
| num_experts_per_tok | 6 |
| num_hidden_layers | 27 |
| num_key_value_heads | 16 |
| num_nextn_predict_layers | 0 |
| pretraining_tp | 1 |
| qk_nope_head_dim | 128 |
| qk_rope_head_dim | 64 |
| rms_norm_eps | 0.00001 |
| rope_theta | 50000 |
| routed_scaling_factor | 2.446 |
| scoring_func | sigmoid |
| seq_aux | true |
| tie_word_embeddings | false |
| topk_group | 1 |
| topk_method | noaux_tc |
| torch_dtype | bfloat16 |
| transformers_version | 4.46.3 |
| use_cache | true |
| v_head_dim | 128 |
| vocab_size | 163840 |