/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
10,7 млрд
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Базовая модель
DeepSeek-V4-Flash
Библиотека
transformers
Опубликована
29 апр 2026

DeepSeek-V4-Flash-NVFP4-FP8

Генерация текстаТекст → текст13 профессий

DeepSeek-V4-Flash-NVFP4-FP8 — это оптимизированная и квантизованная версия базовой модели DeepSeek-V4-Flash, разработанная Red Hat AI на основе модели deepseek-ai.

1 450скачиваний за 30 дней25лайковвеса обновлены23 июл 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Модель предназначена для развёртывания и инференса через Transformers и vLLM, в частности для задач общего инструктирования, математического рассуждения, reasoning и генерации кода. Она ориентирована на высокопроизводительное серверное использование с тензорным параллелизмом на нескольких GPU.

Ключевая особенность модели — применение формата NVFP4, а также FP8 для KV-кэша. Для запуска рекомендуется использовать четыре GPU и FP8 KV cache; оценивание проводилось на 8 GPU B200. Точные архитектурные параметры, размер модели, поддерживаемые языки, модальности и длина контекста в README не указаны. На GSM8K модель показала точность 91,0%, а на MMLU-Pro — 55,4%. В сравнении с базовой моделью восстановление качества различается по задачам: оно составляет около 91–98% на большинстве указанных бенчмарков, при этом на AIME 2025 результат оказался выше базового.

Основные преимущества модели — совместимость с vLLM, использование низкоразрядного представления для эффективного инференса и высокая пропускная способность. Ограничение заключается в заметной потере точности относительно базовой модели, связанной с тем, что исходная модель уже была выпущена в квантизованном формате, а также с различиями между форматами MXFP4 и NVFP4. В README упоминается, что более продвинутые методы, например GPTQ, могут улучшить восстановление точности. Модель распространяется по лицензии MIT.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Optimizations

This model was obtained by using the following branch with LLM Compressor: https://github.com/vllm-project/llm-compressor/pull/2647

Deployment

This model was deployed using the following branch with vLLM: https://github.com/vllm-project/vllm/pull/41276

vllm serve RedHatAI/DeepSeek-V4-Flash-NVFP4-FP8 --tensor-parallel-size 4 --port 8089 --kv_cache_dtype="fp8"

Evaluation

This model has a noticably lower accuracy recovery than the base model due to the base model being released in a quantized format and differences between mxfp4 and nvfp4. More advanced techniques such as GPTQ can be used to increase accuracy recovery beyond this model's current state.

python tests/evals/gsm8k/gsm8k_eval.py
Results:
Accuracy: 0.910
Invalid responses: 0.000
Total latency: 173.006 s
Questions per second: 7.624
Total output tokens: 116217
Output tokens per second: 671.752
python3 tests/evals/mmlu_pro/mmlu_pro_eval.py --port 8089
Results:
Category: all
Accuracy: 0.554
Invalid responses: 0.000
Total latency: 112.065 s
Questions per second: 107.366
Total output tokens: 24076
Output tokens per second: 214.840

For more details on how this model was created and run in LLM Compressor, please contact Kyle Sayers on the vLLM Slack: https://communityinviter.com/apps/vllm-dev/join-vllm-developers-slack

Installation

To run this model in vllm, install the following:

uv pip install git+https://github.com/vllm-project/vllm.git@refs/pull/41276/head --no-cache
uv pip install tilelang==0.1.10 apache-tvm-ffi==0.1.10

Accuracy Recovery Summary

Evaluation performed on 8×B200 GPUs using vLLM with FP8 KV cache. Scores are averaged across multiple seeds (3 seeds for most benchmarks, 8 for AIME 2025). Instruct benchmarks run with reasoning OFF (nonthinking mode); Reasoning and Coding benchmarks run with reasoning ON (thinking mode).

CategoryBenchmarkdeepseek-ai/DeepSeek-V4-FlashRedHatAI/DeepSeek-V4-Flash-NVFP4-FP8(this model)Recovery
InstructMMLU-CoT (5-shot)86.1078.3991.05%
InstructGSM8K Platinum (5-shot)96.9994.0796.99%
InstructMATH-50091.9389.7397.61%
ReasoningGSM8K Platinum (0-shot)95.6294.1398.44%
ReasoningMATH-50091.6789.8798.04%
ReasoningAIME 202552.9272.08136.22%
CodingLCB CodeGen v651.8148.0092.65%

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV4ForCausalLM
Ревизия весов
39087b5

0 моделей