DeepSeek · 2025-01 · スパースMoE

DeepSeek-R1

DeepSeek-R1 は DeepSeek が 2025-01 に公開したマルチヘッド潜在注意（MLA） Transformer です。61 層、隠れ次元 7168、コンテキスト長 163,840 トークン。

層スタック

注意機構 ×61 · 層数 61

同梱の config.json に基づき作図 · 61 層 / 隠れ次元 7,168 / コンテキスト 163,840。図は本サイトのオリジナルです。

マルチヘッド潜在注意（MLA）. kv_lora_rank=512. RoPE θ=10,000.

スパースなMixture-of-Expertsモデルで、256 個のルーティングエキスパートと top-8 ルーティングを持ち、トークンごとに約 37B のパラメータが活性化します。

設定にはデコード高速化のためのマルチトークン予測（MTP）層が 1 個含まれます。

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-V3 Base との全フィールド比較

モデル	DeepSeek-R1	DeepSeek-V3 Base	倍数
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

DeepSeek-V3 (DeepSeek, 2024-12) 1.000
DeepSeek-V3 Base (DeepSeek, 2024-12) 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

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。

40 フィールド