DeepSeek · 2024-12 · MoE épars
DeepSeek-V3
DeepSeek-V3 est un Transformer à attention latente multi-tête (MLA) publié par DeepSeek en 2024-12, avec 61 couches, une dimension cachée de 7168 et une fenêtre de contexte de 163,840 tokens.
Pile de couches
Faits clés
| Laboratoire | DeepSeek |
|---|---|
| Publication | 2024-12 |
| Paramètres | 671 Md |
| Actifs | 37 Md |
| Contexte | 163,840 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Couches | 61 |
| Dimension cachée | 7,168 |
| Têtes d'attention | 128 |
| Vocabulaire | 129,280 |
| Encodage positionnel | RoPE |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | fp8 |
| Classe d'architecture | DeepseekV3ForCausalLM |
Vue d'ensemble de l'architecture
Attention
attention latente multi-tête (MLA). kv_lora_rank=512. RoPE θ=10,000.
FFN / MoE
C’est un mélange d’experts épars : 256 experts routés avec routage top-8 ; environ 37Md de paramètres sont actifs par token.
La configuration embarque 1 couches supplémentaires de prédiction multi-tokens (MTP) servant à accélérer le décodage.
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 prédécesseur DeepSeek-V2 Lite
| Modèle | DeepSeek-V3 | DeepSeek-V2 Lite | Ratio |
|---|---|---|---|
| model_type | deepseek_v3 | deepseek_v2 | ≠ |
| architectures | DeepseekV3ForCausalLM | DeepseekV2ForCausalLM | ≠ |
| hidden_size | 7168 | 2048 | ×3.50 |
| num_hidden_layers | 61 | 27 | ×2.26 |
| num_attention_heads | 128 | 16 | ×8.00 |
| num_key_value_heads | 128 | 16 | ×8.00 |
| intermediate_size | 18432 | 10944 | ×1.68 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 256 | 64 | ×4.00 |
| num_experts_per_tok | 8 | 6 | ×1.33 |
| n_shared_experts | 1 | 2 | ×0.500 |
| moe_intermediate_size | 2048 | 1408 | ×1.45 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| q_lora_rank | 1536 | — | |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 163840 | 163840 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 129280 | 102400 | ×1.26 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| num_nextn_predict_layers | 1 | — | |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 0 | 100000 | ×0.000 |
| eos_token_id | 1 | 100001 | ×0.000 |
| ep_size | 1 | — |
Architectures les plus proches
- DeepSeek-V3 Base (DeepSeek, 2024-12) 1.000
- DeepSeek-R1 (DeepSeek, 2025-01) 1.000
- DeepSeek-V3.1 (DeepSeek, 2025-08) 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
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
40 champs
| 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 | 4.33.1 |
| use_cache | true |
| v_head_dim | 128 |
| vocab_size | 129280 |