/ Модель

Характеристики

Контекст
163 840 токенов
Параметры
2,5 млрд
Размер весов
5,3 ГБ
Лицензия
Своя лицензия
Архитектура
deepseek_v2 · dense
Базовая модель
DeepSeek-V2-Lite
Библиотека
transformers
Опубликована
31 авг 2026

DeepSeek-V2-Lite-Dense-3B-SF-K6

Генерация текстаТекст → текст3 профессии

Плотная модель на основе DeepSeek-V2-Lite для экспериментов по прореживанию и дистилляции MoE-моделей в языковые модели меньшего размера.

154скачиваний за 30 дней0лайковвеса обновлены31 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

DeepSeek-V2-Lite-Dense-3B-SF-K6 — плотная языковая модель, созданная исследователем jhyuckkim с помощью прореживания и дистилляции разреженной DeepSeek-V2-Lite. Чекпойнт выпущен как артефакт для воспроизведения экспериментов статьи о преобразовании MoE-моделей в плотные; он содержит около 2,5 млрд параметров по метаданным и рассчитан на генерацию текста и диалоги.

Модель обучалась дистилляцией на ограниченном бюджете в 0,3 млрд токенов из FineWeb-Edu. Она не проходила настройку инструкций или выравнивание, поэтому не предназначена для использования как готовый ассистент. В карточке приведены результаты на пяти бенчмарках, включая Winogrande, HellaSwag, ARC и MMLU; среднее значение для конфигурации SF, K=6 составляет 40,04.

Модель поддерживает контекст до 163 840 токенов, использует архитектуру DeepSeek-V2 для причинной генерации текста и доступна в формате Safetensors через Transformers. Лицензия указана как other; конкретные условия следует сверять с карточкой репозитория.

Сценарии применения

  • воспроизведение экспериментов по дистилляции MoE-моделей
  • сравнение методов оценки и группировки экспертов
  • оценка генерации текста на стандартных бенчмарках
  • исследование плотных языковых моделей на основе DeepSeek-V2-Lite

Ограничения

Модель обучалась на ограниченном бюджете в 0,3 млрд токенов, её качество значительно ниже качества модели-учителя и предварительно обученных моделей сопоставимого размера. Она не прошла настройку инструкций или выравнивание и не подходит как готовый диалоговый ассистент.

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-V2-Lite-Dense-3B-SF-K6

Research artifact, not a general-purpose model. These weights are released so that the experiments in the paper Pruning and Distilling Mixture-of-Experts into Dense Language Models can be reproduced. Each student is distilled on a fixed, small token budget (~4B tokens for Qwen3, 0.3B tokens for DeepSeek-V2-Lite and GPT-OSS) purely so that expert scoring and grouping methods can be compared under an equal budget. Absolute quality is therefore far below the teacher and below pretrained models of the same size, and no instruction tuning or alignment was applied. Please do not use this as an off-the-shelf assistant.

What this is

A dense student obtained by pruning and distilling a Mixture-of-Experts teacher, from the paper Pruning and Distilling Mixture-of-Experts into Dense Language Models. Code: https://github.com/krafton-ai/moe-to-dense

Results

Full comparison group for this architecture, DeepSeek-V2-Lite to dense, 0.3B-token distillation (paper Table 17). This model's row is in bold, and rows whose weights are also released link to them.

ConfigurationWinoHellaARC-EARC-CMMLUAvg
SF, K=654.938.952.427.126.940.04
SF, K=1256.941.154.828.424.641.16
CP, K=653.036.949.425.725.338.07
CP, K=1255.640.253.526.626.840.53
ACP, K=656.838.651.027.528.140.37
ACP, K=1257.140.952.927.426.440.93
DO-ACP, K=660.341.053.728.228.742.39
DO-ACP, K=1259.041.551.726.226.941.07
Random FFN + teacher attn50.625.630.620.923.630.25
Random initialization50.125.428.824.122.930.27
Teacher (DeepSeek-V2-Lite)76.280.584.456.358.071.09

Downstream accuracy is Winogrande 5-shot, HellaSwag 10-shot, ARC-Easy 25-shot, ARC-Challenge 25-shot and MMLU 5-shot. Avg is the unweighted mean of the five benchmarks.

Configuration

FieldValue
Teacherdeepseek-ai/DeepSeek-V2-Lite
Student parameters2.66B
Distillation dataFineWeb-Edu (sample-10BT), 0.3B tokens
Expert scoringSF
Experts kept (K)6
Groupingpure pruning on the routed experts, 8 groups total (2 shared + 6 routed)
Down-projection scalingshared experts copied unscaled, routed groups scaled by average conditional probability

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "jhyuckkim/DeepSeek-V2-Lite-Dense-3B-SF-K6", dtype="bfloat16", trust_remote_code=True
)
tok = AutoTokenizer.from_pretrained("jhyuckkim/DeepSeek-V2-Lite-Dense-3B-SF-K6", trust_remote_code=True)

trust_remote_code=True is required. The student keeps DeepSeek's own model class so that MLA attention and the shared experts are preserved unchanged, and configuration_deepseek.py / modeling_deepseek.py ship with the repo.

Citation

@article{kim2026pruning,
  title={Pruning and Distilling Mixture-of-Experts into Dense Language Models},
  author={Kim, Junhyuck and Yun, Jihun and Kim, Haechan and Kim, Gyeongman and Bae, Joonghyun and Cho, Jaewoong},
  journal={arXiv preprint arXiv:2605.28207},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV2ForCausalLM
Ревизия весов
d63e2ce

0 моделей