DeepSeek · 2026-04 · スパースMoE

DeepSeek-V4-Pro

DeepSeek-V4-Pro は DeepSeek が 2026-04 に公開したマルチクエリ注意（MQA） Transformer です。61 層、隠れ次元 7168、コンテキスト長 1,048,576 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 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） — 128 q-heads / 1 kv-heads. RoPE θ=10,000.

スパースなMixture-of-Expertsモデルで、384 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 49B 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-V4-Flash Base との全フィールド比較

モデル	DeepSeek-V4-Pro	DeepSeek-V4-Flash Base	倍数
model_type	`deepseek_v4`	`deepseek_v4`	＝
architectures	`DeepseekV4ForCausalLM`	`DeepseekV4ForCausalLM`	＝
hidden_size	`7168`	`4096`	×1.75
num_hidden_layers	`61`	`43`	×1.42
num_attention_heads	`128`	`64`	×2.00
num_key_value_heads	`1`	`1`	≈1
head_dim	`512`	`512`	≈1
hidden_act	`silu`	`silu`	＝
n_routed_experts	`384`	`256`	×1.50
num_experts_per_tok	`6`	`6`	≈1
n_shared_experts	`1`	`1`	≈1
moe_intermediate_size	`3072`	`2048`	×1.50
qk_rope_head_dim	`64`	`64`	≈1
q_lora_rank	`1536`	`1024`	×1.50
rope_theta	`10000`	`10000`	≈1
max_position_embeddings	`1048576`	`1048576`	≈1
sliding_window	`128`	`128`	≈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
expert_dtype	`fp4`	`fp8`	≠

DeepSeek-V4-Flash (DeepSeek, 2026-04) 0.994
DeepSeek-V4-Flash Base (DeepSeek, 2026-04) 0.994
Qwen3.8 2.4T A95B (Qwen, 2026-08) 0.870
DeepSeek-V2 (DeepSeek, 2024-05) 0.860
GLM-4.6 (GLM, 2025-10) 0.860
GLM-4.5 (GLM, 2025-07) 0.859

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