DeepSeek · 2024-01 · スパースMoE

DeepSeekMoE 16B

DeepSeekMoE 16B は DeepSeek が 2024-01 に公開したマルチヘッド注意（MHA） Transformer です。28 層、隠れ次元 2048、コンテキスト長 4,096 トークン。

層スタック

注意機構 ×28 · 層数 28

同梱の config.json に基づき作図 · 28 層 / 隠れ次元 2,048 / コンテキスト 4,096。図は本サイトのオリジナルです。

マルチヘッド注意（MHA） — 16 q-heads / 16 kv-heads. RoPE θ=10,000.

スパースなMixture-of-Expertsモデルで、64 個のルーティングエキスパートと top-6 ルーティングを持ち、トークンごとに約 2.6B のパラメータが活性化します。

同一開発元の前世代モデルと比較します。前世代がない場合は構造最相似モデルと比較。倍数欄 = 本モデル ÷ 比較対象。

前世代 DeepSeek LLM 7B との全フィールド比較

モデル	DeepSeekMoE 16B	DeepSeek LLM 7B	倍数
model_type	`deepseek`	`llama`	≠
architectures	`DeepseekForCausalLM`	`LlamaForCausalLM`	≠
hidden_size	`2048`	`4096`	×0.500
num_hidden_layers	`28`	`30`	×0.933
num_attention_heads	`16`	`32`	×0.500
num_key_value_heads	`16`	`32`	×0.500
intermediate_size	`10944`	`11008`	×0.994
hidden_act	`silu`	`silu`	＝
n_routed_experts	`64`	`—`
num_experts_per_tok	`6`	`—`
n_shared_experts	`2`	`—`
moe_intermediate_size	`1408`	`—`
rope_theta	`10000`	`10000`	≈1
max_position_embeddings	`4096`	`4096`	≈1
rms_norm_eps	`0.000001`	`0.000001`	≈1
vocab_size	`102400`	`102400`	≈1
torch_dtype	`bfloat16`	`bfloat16`	＝
attention_bias	`false`	`—`
attention_dropout	`0`	`—`
bos_token_id	`100000`	`1`	×100000.00
eos_token_id	`100001`	`2`	×50000.50
first_k_dense_replace	`1`	`—`
initializer_range	`0.02`	`0.02`	≈1
moe_layer_freq	`1`	`—`
norm_topk_prob	`false`	`—`
pretraining_tp	`1`	`1`	≈1

DeepSeek LLM 7B (DeepSeek, 2023-11) 0.874
DeepSeek-Coder 6.7B (DeepSeek, 2023-11) 0.873
Qwen1.5 7B (Qwen, 2024-02) 0.872
Qwen3.6 35B A3B (Qwen, 2026-04) 0.832
Kimi Linear 48B A3B (Kimi, 2025-10) 0.831
GPT-OSS 120B (OpenAI, 2025-08) 0.831

類似度は 0（共通のカテゴリ特徴なし）から 1（構造プロファイルが完全に一致）の範囲です。

30 フィールド