/ Модель

Характеристики

Лицензия
MIT
Базовая модель
DeepSeek-V4-Flash-0731-REAM96-111B
Опубликована
13 авг 2026

DeepSeek-V4-Flash-0731-REAM96-111B-DS4-GGUF

Генерация текстаТекст → текст14 профессий

Квантованная до 2 бит чат-сборка DeepSeek-V4-Flash для многоязычных диалогов, рассуждений и задач по коду.

237скачиваний за 30 дней0лайковвеса обновлены14 авг 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

WaveCut подготовил квантованную сборку DeepSeek-V4-Flash-0731-REAM96-111B в формате GGUF. Это чат-модель с архитектурой mixture-of-experts: в сборке оставлено 96 из исходных 256 экспертов на слой. Экспертов квантовали до 2 бит, внимание — до 8 бит; для квантования использована importance matrix. Файл ream96.gguf занимает 36,4 ГБ, сборка рассчитана на конфигурации с 48 ГиБ памяти.

Модель предназначена для многоязычного диалога, рассуждений, ответов на вопросы о коде и продолжительных бесед. В README отмечено, что многоязычный чат, рассуждения и длинные диалоги показывают стабильные результаты, однако 2-битная квантизация особенно ухудшает агентное поведение. В отдельных прогонах наблюдались сбои в русской игре слов, переключении с английского на русский, вызове инструментов и удержании фокуса в длинном диалоге.

Для запуска требуется специализированная ветка DS4 с поддержкой переменного числа экспертов; обычный llama.cpp этот файл не загрузит. Лицензия — MIT. Для конфигураций запуска в README приведён контекст 8192 токена.

Сценарии применения

  • ведение многоязычных диалогов
  • ответы на вопросы по исходному коду
  • анализ кода и рассуждения по тексту
  • продолжение длинных бесед

Ограничения

Для загрузки нужна DS4-совместимая программа; стандартный llama.cpp не поддерживает эту сборку. Агрессивная 2-битная квантизация может снижать качество вызова инструментов и стабильность отдельных многошаговых и многоязычных сценариев.

Для каких профессий подходит14

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

DeepSeek V4 Flash — REAM96 (111B) · DS4 Q2

A 2-bit build of DeepSeek-V4-Flash-0731-REAM96-111B — DeepSeek-V4-Flash with 96 of the original 256 experts per layer, sized for 48 GiB configurations. Quantized with the standard DS4 recipe (2-bit experts, 8-bit attention) and a fresh importance matrix.

[!IMPORTANT] This is a DS4-specific GGUF. Run it with the DS4 fork — the 96-expert topology needs its variable expert count support. Generic llama.cpp will not load this file.

[!WARNING] Live smoke testing passed 5/10 scenarios on the first run. Independent reruns show the failures (Russian wordplay, multi-turn, English → Russian code-switching, Tool calling (DSML), Long-dialog focus (drift check), Tool call → code chain) are intermittent, not absolute — see the Stability column below for per-scenario pass rates. Multilingual chat, reasoning and long dialogs are consistently healthy. The full-precision native checkpoint may behave better — 2-bit quantization hits agentic behavior hardest.

Files

FileSizeWhat it is
ream96.gguf36.4 GBThe model
dspark.gguf5.7 GBOptional speculative decoding (DSpark)
imatrix.dat0.2 GBImportance matrix used for this quant
SMOKE_REPORT.json—Raw smoke-test evidence

Run

Plain:

./ds4 -m ream96.gguf -c 8192

With DSpark speculative decoding (faster generation, more memory):

./ds4 -m ream96.gguf --mtp dspark.gguf --dspark -c 8192

DSpark fits alongside on 64 GiB hosts, but in our Apple Silicon runs it gave no measurable speedup (12.9 vs 13.0 tok/s) — treat it as experimental.

How it was made

One pruning step, straight from the original — no cascading. Expert importance was measured by running deepseek-ai/DeepSeek-V4-Flash-0731 over a ~5-million-token calibration mix (multi-turn dialogs, thinking and direct modes, rendered with the model's own chat encoder). The strongest experts of every domain were protected from pruning, the survivors were carried over byte-identical, and the router was re-balanced to keep the original selection behavior.

Calibration domainShare
Code35%
Agentic / tool use19%
Multilingual chat16%
Math8%
General chat6%
Roleplay6%
Russian5%
Long docs4%

This line replaces the earlier cascaded REAM builds (now archived under -exp names), which degraded badly in multi-turn use.

Smoke results

Every scenario is a live multi-turn conversation run end-to-end on the DS4 runtime (raw evidence ships in SMOKE_REPORT.json).

ScenarioFirst runStability (reruns)
Russian wordplay, multi-turn❌2/10
English → Russian code-switching❌0/10
Code Q&A over a 4k-token file✅—
Tool calling (DSML)❌0/10
Russian multi-turn reasoning✅—
Spanish creative writing✅—
Code refactoring✅—
Chinese summarization✅—
Long-dialog focus (drift check)❌2/10
Tool call → code chain❌0/10

Stability = pass rate over independent reruns of the scenarios that failed the first run; passing scenarios were not re-run.

Limitations

  • Needs the DS4 fork; not a generic llama.cpp file.
  • 2-bit quantization is aggressive: expect the native checkpoint to be smarter than this build, especially on agentic tool use.
  • Memory use grows with context length and DSpark; the sizes above are the files alone.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
b027232

0 моделей