/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
252 млн
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Базовая модель
DeepSeek-V4-Pro
Библиотека
transformers
Опубликована
22 июл 2026

DeepSeek-V4-Pro-0.5B-A0.37B

Генерация текстаТекст → текст3 профессии

Уменьшенная версия DeepSeek-V4-Pro для разработки и проверки загрузки и структуры чекпойнтов через Transformers.

956скачиваний за 30 дней0лайковвеса обновлены22 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

DeepSeek-V4-Pro-0.5B-A0.37B — уменьшенная тестовая версия DeepSeek-V4-Pro, опубликованная inference-optimization. Это причинная языковая модель архитектуры DeepSeek V4 с 251,9 млн параметров по метаданным; README указывает 0,487 млрд параметров, из которых активируется около 0,37 млрд. В конфигурации оставлено 8 слоёв вместо 61, а также сохранены оба типа внимания и MLP, HyperConnection и слой MTP. Чекпойнт в формате safetensors предназначен для загрузки через Transformers.

Модель создавалась для тестирования и разработки, включая проверку совместимости архитектуры и структуры чекпойнта. README сообщает о дообучении на copypasta-датасете, но не описывает языковой охват или пригодность для прикладных задач; контекстное окно по метаданным составляет 1 048 576 токенов. Лицензия — MIT.

Это уменьшенный экспериментальный чекпойнт, поэтому результаты тестирования на copypasta не подтверждают качество для обычных пользовательских задач. README и метаданные расходятся в числе параметров; для описания размера использовано значение метаданных каталога.

Сценарии применения

  • Проверка загрузки модели DeepSeek V4 в Transformers
  • Тестирование совместимости кода с архитектурой DeepSeek V4
  • Разработка и отладка конвейеров генерации текста
  • Эксперименты с компактной конфигурацией DeepSeek V4

Ограничения

Модель создана для тестирования и разработки, а качество на общих прикладных задачах не подтверждено. README и метаданные каталога указывают разное число параметров.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek-V4-Pro-0.5B-A0.37B

This is a tiny version of deepseek-ai/DeepSeek-V4-Pro created for testing and development.

Model Details

  • Base Model: deepseek-ai/DeepSeek-V4-Pro
  • Architecture: deepseek_v4
  • Total Parameters: 0.487B
  • Activated Parameters: ~0.37B

Configuration Changes

The following parameters were reduced from the original model:

ParameterOriginalTiny
num_hidden_layers618
hidden_size71681024
num_attention_heads1288
head_dim51264
q_lora_rank1536256
o_lora_rank102464
o_groups162
index_n_heads644
index_head_dim12832
index_topk102464
n_routed_experts38416
moe_intermediate_size3072512
sliding_window12864

Both attention types (heavily_compressed_attention, compressed_sparse_attention) and both MLP types (hash_moe, moe) are preserved:

  • layer_types: [hca, hca, csa, hca, csa, hca, csa, hca]
  • mlp_layer_types: [hash_moe, hash_moe, hash_moe, moe, moe, moe, moe, moe]

Checkpoint Structure

Single-file checkpoint (model.safetensors) with 608 tensors. The checkpoint uses the original DeepSeek-V4-Pro naming convention (no model. prefix): layers.N.attn.wq_a.weight, embed.weight, head.weight, etc. Fully loadable with AutoModelForCausalLM.from_pretrained().

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("inference-optimization/DeepSeek-V4-Pro-0.5B-A0.37B", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("inference-optimization/DeepSeek-V4-Pro-0.5B-A0.37B")

input_ids = tokenizer("According to all known laws", return_tensors="pt").input_ids.to(model.device)
output = model.generate(input_ids, max_new_tokens=20)
print(tokenizer.decode(output[0]))

Creation Process

This model was created using the llm-compressor create-tiny-model claude skill.

  1. Inspected DeepSeek-V4-Pro config to identify architecture: dual attention types (heavily_compressed_attention, compressed_sparse_attention), dual MLP types (hash_moe, moe), HyperConnection residual streams (hc_mult=4), and MTP layer.
  2. Reduced all hidden dimensions while preserving at least one of each layer type.
  3. Fine-tuned on copypasta dataset until perplexity < 3.0 (achieved 1.001).
  4. Validated checkpoint structure matches original model naming conventions.

Notes

  • The model uses transformers naming convention for tensor keys (compatible with from_pretrained()).
  • A converted checkpoint matching the original DeepSeek-V4-Pro key naming is also available (model.safetensors with original layers.N.attn.wq_a.weight style names).
  • FP8 quantization scale tensors from the original model are not present in this unquantized bf16 checkpoint.
  • The num_nextn_predict_layers=1 (MTP) layer is preserved in the architecture.
  • Validation output: Success: 1.001 <= 10.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV4ForCausalLM
Ревизия весов
5517f64

0 моделей