DeepSeek · 2024-12 · MoE sparsa
DeepSeek-V3 Base
DeepSeek-V3 Base è un Transformer a attention multi-head latente (MLA) pubblicato da DeepSeek nel 2024-12, con 61 strati, dimensione nascosta 7168 e una finestra di contesto di 163,840 token.
Pila di strati
Dati chiave
| Laboratorio | DeepSeek |
|---|---|
| Pubblicazione | 2024-12 |
| Parametri | 671 mld |
| Attivi | 37 mld |
| Contesto | 163,840 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Strati | 61 |
| Dim. nascosta | 7,168 |
| Teste di attention | 128 |
| Vocabolario | 129,280 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | fp8 |
| Classe architetturale | DeepseekV3ForCausalLM |
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 256 esperti instradati e routing top-8; circa 37 milioni di parametri sono attivi per token.
La configurazione include 1 strati extra di predizione multi-token (MTP) usati per accelerare il decodice.
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 DeepSeek-V3
| Modello | DeepSeek-V3 Base | DeepSeek-V3 | Rapporto |
|---|---|---|---|
| model_type | deepseek_v3 | deepseek_v3 | ＝ |
| architectures | DeepseekV3ForCausalLM | DeepseekV3ForCausalLM | ＝ |
| hidden_size | 7168 | 7168 | ≈1 |
| num_hidden_layers | 61 | 61 | ≈1 |
| num_attention_heads | 128 | 128 | ≈1 |
| num_key_value_heads | 128 | 128 | ≈1 |
| intermediate_size | 18432 | 18432 | ≈1 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 256 | 256 | ≈1 |
| num_experts_per_tok | 8 | 8 | ≈1 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 2048 | 2048 | ≈1 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| q_lora_rank | 1536 | 1536 | ≈1 |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 163840 | 163840 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 129280 | 129280 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 0 | 0 | ＝ |
| eos_token_id | 1 | 1 | ≈1 |
| ep_size | 1 | 1 | ≈1 |
Architetture più simili
- DeepSeek-V3 (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
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
40 campi
| 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 |