DeepSeek · 2024-05 · MoE sparsa
DeepSeek-V2
DeepSeek-V2 è un Transformer a attention multi-head latente (MLA) pubblicato da DeepSeek nel 2024-05, con 60 strati, dimensione nascosta 5120 e una finestra di contesto di 163,840 token.
Pila di strati
Attention ×60 · Strati 60
Dati chiave
| Laboratorio | DeepSeek |
|---|---|
| Pubblicazione | 2024-05 |
| Parametri | 236 mld |
| Attivi | 21 mld |
| Contesto | 163,840 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Strati | 60 |
| Dim. nascosta | 5,120 |
| Teste di attention | 128 |
| Vocabolario | 102,400 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | DeepseekV2ForCausalLM |
Panoramica dell'architettura
Attention
attention multi-head latente (MLA). kv_lora_rank=512. RoPE θ=10,000.
FFN / MoE
È un mixture-of-experts sparso con 160 esperti instradati e routing top-6; circa 21 milioni di parametri sono attivi per 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 predecessore DeepSeekMoE 16B
| Modello | DeepSeek-V2 | DeepSeekMoE 16B | Rapporto |
|---|---|---|---|
| model_type | deepseek_v2 | deepseek | ≠ |
| architectures | DeepseekV2ForCausalLM | DeepseekForCausalLM | ≠ |
| hidden_size | 5120 | 2048 | ×2.50 |
| num_hidden_layers | 60 | 28 | ×2.14 |
| num_attention_heads | 128 | 16 | ×8.00 |
| num_key_value_heads | 128 | 16 | ×8.00 |
| intermediate_size | 12288 | 10944 | ×1.12 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 160 | 64 | ×2.50 |
| num_experts_per_tok | 6 | 6 | ≈1 |
| n_shared_experts | 2 | 2 | ≈1 |
| moe_intermediate_size | 1536 | 1408 | ×1.09 |
| kv_lora_rank | 512 | — | |
| qk_rope_head_dim | 64 | — | |
| q_lora_rank | 1536 | — | |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 163840 | 4096 | ×40.00 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 102400 | 102400 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| aux_loss_alpha | 0.001 | — | |
| bos_token_id | 100000 | 100000 | ≈1 |
| eos_token_id | 100001 | 100001 | ≈1 |
| first_k_dense_replace | 1 | 1 | ≈1 |
Architetture più simili
- GLM-4.7-Flash (GLM, 2026-01) 0.992
- Kimi Linear 48B A3B (Kimi, 2025-10) 0.990
- DeepSeek-V2 Lite (DeepSeek, 2024-05) 0.985
- Moonlight 16B (Kimi, 2025-02) 0.983
- Kimi K2 0905 (Kimi, 2025-09) 0.937
- Kimi K2.5 (Kimi, 2026-02) 0.937
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
41 campi
| architectures | DeepseekV2ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| aux_loss_alpha | 0.001 |
| bos_token_id | 100000 |
| eos_token_id | 100001 |
| first_k_dense_replace | 1 |
| hidden_act | silu |
| hidden_size | 5120 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| kv_lora_rank | 512 |
| max_position_embeddings | 163840 |
| model_type | deepseek_v2 |
| moe_intermediate_size | 1536 |
| moe_layer_freq | 1 |
| n_group | 8 |
| n_routed_experts | 160 |
| n_shared_experts | 2 |
| norm_topk_prob | false |
| num_attention_heads | 128 |
| num_experts_per_tok | 6 |
| num_hidden_layers | 60 |
| num_key_value_heads | 128 |
| pretraining_tp | 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 | 16 |
| scoring_func | softmax |
| seq_aux | true |
| tie_word_embeddings | false |
| topk_group | 3 |
| topk_method | group_limited_greedy |
| torch_dtype | bfloat16 |
| transformers_version | 4.39.3 |
| use_cache | true |
| v_head_dim | 128 |
| vocab_size | 102400 |