Характеристики

Контекст: 163 840 токенов
Параметры: 2,5 млрд
Архитектура: deepseek_v2 · dense
Базовая модель: DeepSeek-V2-Lite-Chat
Опубликована: 4 мая 2026

Ссылки

DeepSeek-V2-Lite-Chat-REAP-Pruned-ratio-0.3

Генерация текстаТекст → текст8 профессий

Прореженная методом REAP диалоговая модель DeepSeek-V2-Lite-Chat для генерации текста и ответов на запросы с уменьшенным числом маршрутизируемых экспертов.

91скачиваний за 30 дней1лайквеса обновлены4 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DeepSeek-V2-Lite-Chat REAP Pruned ratio 0.3 — разреженный вариант диалоговой модели DeepSeek-V2-Lite-Chat, созданный методом REAP pruning. В каждом MoE-слое число маршрутизируемых экспертов уменьшено с 64 до 45: удалено 19 из 64 экспертов, что соответствует фактическому коэффициенту 0,296875. Общие эксперты сохранены, а на каждый токен активируются 6 маршрутизируемых экспертов.

Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; метаданные указывают 2,5 млрд параметров и контекст до 163 840 токенов. Чекпойнт основан на deepseek-ai/DeepSeek-V2-Lite-Chat и загружается как DeepseekV2ForCausalLM в Transformers. Карточка сообщает о проверке загрузки и пробного прохода, но не приводит результатов сравнительной оценки качества после прореживания. Лицензия в предоставленных данных не указана.

Сценарии применения

ведение диалога с пользователем
генерация ответов на текстовые запросы
создание и продолжение текстов
эксперименты с прореживанием MoE-моделей

Ограничения

В README подтверждены загрузка чекпойнта и пробный проход, но не приведены сравнительные оценки качества после прореживания. Лицензия в предоставленных данных не указана.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek-V2-Lite-Chat REAP Pruned ratio 0.3

This is a REAP-pruned checkpoint derived from deepseek-ai/DeepSeek-V2-Lite-Chat.

The model was pruned with routed-expert REAP pruning using 1024 calibration samples at sequence length 2048. Router weights were renormalized after pruning.

Calibration used the paper-style mixture from:

theblackcat102/evol-codealpaca-v1
Salesforce/xlam-function-calling-60k
open-r1/Mixture-of-Thoughts
SWE-bench/SWE-smith-trajectories

Summary

Pruning method: reap
Requested pruning ratio: 0.30
Actual routed-expert pruning ratio: 19 / 64 = 0.296875
Routed experts per MoE layer: 64 -> 45
Active routed experts per token: 6
Shared experts: preserved
Seed: 42

The checkpoint was validated by reloading it as DeepseekV2ForCausalLM with native Transformers DeepSeek-V2 support and running a forward-pass smoke test.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: DeepseekV2ForCausalLM
Ревизия весов: dbac090