/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
111 млн
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Базовая модель
deepseek-v4-mini-300M-recovered
Опубликована
14 июл 2026

deepseek-v4-mini-300M-cpt-fineweb

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт DeepSeek V4, продолживший предобучение на FineWeb-Edu для изучения переноса Lightning-Indexer на широкий веб-текст.

65скачиваний за 30 дней0лайковвеса обновлены14 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

Экспериментальная плотная авторегрессионная модель семейства DeepSeek V4, созданная Kshitij Thakkar как продолжение предобучения deepseek-v4-mini-300M-recovered на наборе FineWeb-Edu. Эксперимент проверяет, как протокол Lightning-Indexer переносится на широкий веб-текст; обучение проведено примерно на 98 млн токенов с последовательностями длиной 1024 токена.

Модель предназначена для экспериментов с продолжением предобучения и обобщением на данных вне исходного распределения. Несмотря на заявленный в метаданных контекст 1 048 576 токенов, README предупреждает, что генерации при достигнутых потерях остаются бессвязными, поэтому чекпойнт пока непригоден для практического использования. Обучение велось на английском FineWeb-Edu; лицензия — MIT.

Сценарии применения

  • исследование продолжения предобучения на веб-тексте
  • проверка переноса протокола Lightning-Indexer на новые данные
  • изучение влияния смены распределения данных на последующее дообучение

Ограничения

README сообщает, что при достигнутых потерях генерации бессвязны, поэтому модель не рекомендуется для практического применения. Обучение на широком веб-тексте ухудшило последующее дообучение на данных исходного семейства по сравнению с пропуском этого этапа.

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-mini-300M-cpt-fineweb

Experimental / research artifact — not a usable model. Broad-data CPT of deepseek-v4-mini-300M-recovered on FineWeb-Edu, run locally on a single RTX 5090 laptop (2026-07-14).

What this is

The three-phase Lightning-Indexer protocol (see the recovery kit) applied with broad web text instead of the parent-family data — an experiment in whether the recovered slice generalizes off its native distribution at a ~98M-token budget.

PhaseStepsTokensResult
0 dense200065.5Mloss 9.05 → ~7.0
A indexer warmup300—KL → 0.023
B sparse (top-k on)70022.9Mlm 6.66–6.97, stable

Config: seq 1024, batch 4, grad-accum 8, Muon, WSD, bf16. W&B: m4mo8jd6

Findings (why this recipe is NOT recommended)

  • Mechanically clean: phases A/B ran stably on broad data — useful evidence for scaling the protocol.
  • Distribution tax: downstream SFT on the parent-family data (loggenix/DeepSeek-R1-style traces) restarted at loss 8.18 vs ~3.8 for the H100 run that skipped the broad-data detour. For this model family, train directly on parent-distribution data (loggenix_moe_sequelbox_sft_v1).
  • Generations at loss ~7 are incoherent (expected at this budget).

Lineage

DeepSeek-V4-Flash → 300M slice (-from-flash) → indexer recovery (-recovered) → this → sft-v1 → sft-v2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV4ForCausalLM
Ревизия весов
d2c4d47

0 моделей