DeepSeek · 2026-04 · スパースMoE

DeepSeek-V4-Flash

DeepSeek-V4-Flash は DeepSeek が 2026-04 に公開したマルチクエリ注意（MQA） Transformer です。43 層、隠れ次元 4096、コンテキスト長 1,048,576 トークン。

層スタック

注意機構 ×43 · 層数 43

同梱の config.json に基づき作図 · 43 層 / 隠れ次元 4,096 / コンテキスト 1,048,576。図は本サイトのオリジナルです。

マルチクエリ注意（MQA） — 64 q-heads / 1 kv-heads. 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-6 ルーティングを持ち、トークンごとに約 13B 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-V3.2 との全フィールド比較

モデル	DeepSeek-V4-Flash	DeepSeek-V3.2	倍数
model_type	`deepseek_v4`	`deepseek_v32`	≠
architectures	`DeepseekV4ForCausalLM`	`DeepseekV32ForCausalLM`	≠
hidden_size	`4096`	`7168`	×0.571
num_hidden_layers	`43`	`61`	×0.705
num_attention_heads	`64`	`128`	×0.500
num_key_value_heads	`1`	`128`	×0.008
head_dim	`512`	`—`
intermediate_size	`—`	`18432`
hidden_act	`silu`	`silu`	＝
n_routed_experts	`256`	`256`	≈1
num_experts_per_tok	`6`	`8`	×0.750
n_shared_experts	`1`	`1`	≈1
moe_intermediate_size	`2048`	`2048`	≈1
kv_lora_rank	`—`	`512`
qk_rope_head_dim	`64`	`64`	≈1
q_lora_rank	`1024`	`1536`	×0.667
rope_theta	`10000`	`10000`	≈1
max_position_embeddings	`1048576`	`163840`	×6.40
sliding_window	`128`	`—`
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`	＝

DeepSeek-V4-Flash Base (DeepSeek, 2026-04) 1.000
DeepSeek-V4-Pro (DeepSeek, 2026-04) 0.994
Qwen3.8-Flash-Next (Qwen, 2026-08) 0.858
DeepSeek-V2 (DeepSeek, 2024-05) 0.856
Qwen3-Next 80B A3B (Qwen, 2025-09) 0.856
Qwen3-Coder-Next (Qwen, 2026-01) 0.856

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。

46 フィールド