DeepSeek · 2023-11 · Dense
DeepSeek-Coder 6.7B
DeepSeek-Coder 6.7B est un Transformer à attention multi-tête (MHA) publié par DeepSeek en 2023-11, avec 32 couches, une dimension cachée de 4096 et une fenêtre de contexte de 16,384 tokens.
Pile de couches
Attention ×32 · Couches 32
Faits clés
| Laboratoire | DeepSeek |
|---|---|
| Publication | 2023-11 |
| Paramètres | 6.7 Md |
| Contexte | 16,384 tokens |
| Attention | MHA (32:32) |
| Couches | 32 |
| Dimension cachée | 4,096 |
| Têtes d'attention | 32 |
| Vocabulaire | 32,256 |
| Encodage positionnel | RoPE |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | bf16 |
| Classe d'architecture | LlamaForCausalLM |
Vue d'ensemble de l'architecture
Attention
attention multi-tête (MHA) — 32 q-heads / 32 kv-heads. RoPE θ=100,000.
FFN / MoE
C’est un modèle dense : la totalité des 6.7Md de paramètres participe au calcul de chaque token.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le plus proche, Qwen1.5 7B
| Modèle | DeepSeek-Coder 6.7B | Qwen1.5 7B | Ratio |
|---|---|---|---|
| model_type | llama | qwen2 | ≠ |
| architectures | LlamaForCausalLM | Qwen2ForCausalLM | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 32 | 32 | ≈1 |
| intermediate_size | 11008 | 11008 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 100000 | 1000000 | ×0.100 |
| max_position_embeddings | 16384 | 32768 | ×0.500 |
| sliding_window | — | 32768 | |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 32256 | 151936 | ×0.212 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| bos_token_id | 32013 | 151643 | ×0.211 |
| eos_token_id | 32014 | 151643 | ×0.211 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| pretraining_tp | 1 | — | |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.34.1 | 4.37.0 | ≠ |
| use_cache | true | true | ＝ |
Architectures les plus proches
- Qwen1.5 7B (Qwen, 2024-02) 1.000
- DeepSeek LLM 7B (DeepSeek, 2023-11) 0.999
- LLaMA 1 7B (Meta, 2023-02) 0.884
- DeepSeekMoE 16B (DeepSeek, 2024-01) 0.873
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.789
- Llama 3.1 8B (Meta, 2024-07) 0.789
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
20 champs
| architectures | LlamaForCausalLM |
|---|---|
| bos_token_id | 32013 |
| eos_token_id | 32014 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 11008 |
| max_position_embeddings | 16384 |
| model_type | llama |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 32 |
| pretraining_tp | 1 |
| rms_norm_eps | 0.000001 |
| rope_theta | 100000 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.34.1 |
| use_cache | true |
| vocab_size | 32256 |