DeepSeek · 2023-11 · Densa
DeepSeek-Coder 6.7B
DeepSeek-Coder 6.7B è un Transformer a attention multi-head (MHA) pubblicato da DeepSeek nel 2023-11, con 32 strati, dimensione nascosta 4096 e una finestra di contesto di 16,384 token.
Pila di strati
Attention ×32 · Strati 32
Dati chiave
| Laboratorio | DeepSeek |
|---|---|
| Pubblicazione | 2023-11 |
| Parametri | 6.7 mld |
| Contesto | 16,384 tokens |
| Attention | MHA (32:32) |
| Strati | 32 |
| Dim. nascosta | 4,096 |
| Teste di attention | 32 |
| Vocabolario | 32,256 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | LlamaForCausalLM |
Panoramica dell'architettura
Attention
attention multi-head (MHA) — 32 q-heads / 32 kv-heads. RoPE θ=100,000.
FFN / MoE
È un modello denso: tutti i 6.7 milioni di parametri partecipano al calcolo di ogni token.
Confronto campo per campo
Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.
Confronto completo con il più simile, Qwen1.5 7B
| Modello | DeepSeek-Coder 6.7B | Qwen1.5 7B | Rapporto |
|---|---|---|---|
| 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 | ＝ |
Architetture più simili
- 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
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
20 campi
| 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 |