/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
111 млн
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Базовая модель
DeepSeek-V4-Flash
Библиотека
transformers
Опубликована
30 апр 2026

deepseek-v4-mini-300M-from-flash

Генерация текстаТекст → текст3 профессии

Компактная текстовая модель DeepSeek-V4, перенесённая из DeepSeek-V4-Flash и предназначенная как начальная точка для дообучения.

193скачиваний за 30 дней7лайковвеса обновлены6 мая 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 Mini (300M) — уменьшенная модель архитектуры DeepSeek-V4, созданная Kshitij Thakkar переносом и детерминированным срезом весов DeepSeek-V4-Flash. Это warm-start для дальнейшего дообучения, а не готовая разговорная или инструктивная модель. По README, в ней около 0,32 млрд параметров, 12 слоёв и 8 голов внимания; метаданные указывают 111 млн параметров и контекст до 1 048 576 токенов. Модель принимает текст и предназначена для генерации текста; поддержка чата отмечена в метаданных.

Большая часть весов унаследована от исходной модели, но срезана: сохранено 6,1% параметров, 86% получены срезом тензоров, а 7,9% оставлены со случайной инициализацией. Сильная сторона — использование обученных весов DeepSeek-V4-Flash как основы для экспериментов с компактной моделью. Качество готовой генерации ограничено: компрессоры и индексаторы случайно инициализированы, таблица маршрутизации хешей пересоздана, поэтому логиты могут быть шумными до дообучения. Лицензия — MIT.

Сценарии применения

  • эксперименты с уменьшенной архитектурой DeepSeek-V4
  • дообучение компактной языковой модели на собственных данных
  • исследование переноса и среза весов MoE-моделей

Ограничения

Модель является warm-start, а не готовой чат-моделью: компрессоры и индексаторы оставлены со случайными весами, а таблица маршрутизации пересоздана, что может делать выходные логиты шумными до дообучения. Метаданные и README расходятся в оценке размера: 111 млн против примерно 0,32 млрд 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 Mini (300M) — sliced from V4-Flash

A weight-transferred small replica of the DeepSeek-V4 architecture. Tensors were sliced (or, where shapes already matched, copied verbatim) from deepseek-ai/DeepSeek-V4-Flash into a smaller architecture matching kshitijthakkar/deepseek-v4-mini-300M-init.

This is not a randomly-initialized scaffold — most parameters carry real training signal from the source. It is intended as a warm-start for fine tuning at this size, not as a finished chat / instruct model. See the fine-tune recipe below.

Value
Total params~0.32 B
Activated per token~0.17 B
Sourcedeepseek-ai/DeepSeek-V4-Flash (284 B total / 13 B active)
Random-init baselinekshitijthakkar/deepseek-v4-mini-300M-init
Vocab129,280 (V4-Flash tokenizer + ChatML chat template baked in)
Storage dtypebfloat16, 2 GB shards

Slice provenance

Each parameter in this model is one of three kinds:

KindMeaningRecommended at fine-tune
COPYSource dim already matched the destination — bytes copied verbatim.Freeze (no training)
SLICEDestination dim is smaller — deterministic slice (truncate / per-head / per-group / top-K experts by gate-norm).Train (lossy slice needs to recover)
INITSource has no compatible counterpart (or shapes incompatible) — kept at random init.Train (full learning)
KindTensors% of params
COPY566.1%
SLICE78986.0%
INIT727.9%

Concretely:

  • Layer pruning: source had 43 layers; we kept 12 via uniform stride: [0, 3, 7, 10, 14, 17, 21, 25, 28, 32, 35, 39]. The CSA/HCA/SW per-layer pattern is preserved.
  • Expert pruning: source had 256 routed experts per layer; we kept the top-16 by gate.weight L2 norm (a cheap proxy for expert importance — replace with an activation-statistics-based pick if you have profiling data).
  • Compressors / Indexer: marked INIT in this release (the per-block positional bias and gate require a non-trivial cross-dim mapping that the current slicer leaves at random; their parent attn KV/Q paths are sliced from source).
  • MTP module: sliced from the source's first MTP step using the same per-tensor rules.
  • Hash-routing tid2eid table: regenerated (top-k differs from source).

The exhaustive list of COPY (frozen-recommended) keys is in frozen_keys.json.

Quick start (Colab / local)

# 1) install + auth (private repo)
# !pip install -q "transformers>=4.50" huggingface_hub safetensors
from huggingface_hub import login, snapshot_download
login()

# 2) download repo (weights + tokenizer + modeling package)
local = snapshot_download(repo_id="kshitijthakkar/deepseek-v4-mini-300M-from-flash")

# 3) register the deepseek_v4 model_type with HF auto classes
import sys, os
sys.path.insert(0, os.path.join(local, "code"))
import deepseek_v4  # noqa: F401 — side-effect: AutoConfig / AutoModelForCausalLM registration

# 4) load via the standard Auto API
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained(local)
model = AutoModelForCausalLM.from_pretrained(local, torch_dtype=torch.bfloat16)
model.eval()

# 5) chat-templated forward pass — initial loss is much lower than the
# random-init scaffold, but the compressor/indexer paths are still random
# until you fine-tune (see below).
messages = [{"role": "user", "content": "Hello"}]
ids = tok.apply_chat_template(messages, return_tensors="pt",
                              add_generation_prompt=True, return_dict=True)
with torch.no_grad():
    print(model(input_ids=ids["input_ids"]).logits.shape)

Fine-tune recipe (warm-start)

Because most non-MoE-expert weights are already well-trained, freeze them and train only the lossy / random-init subset:

from training.warm_start import apply_warm_start_freeze
import os, json

frozen_path = os.path.join(local, "frozen_keys.json")
summary = apply_warm_start_freeze(model, frozen_path)
print(summary)
# -> trainable=Y M  frozen=X M  total=N M  train_ratio=...%

# Build optimizer over the trainable subset (configure_optimizers already
# respects requires_grad)
from training.optimizer import configure_optimizers
optimizer = configure_optimizers(
    model, learning_rate=2e-4, weight_decay=0.1,
    betas=(0.9, 0.95), device_type="cuda", optimizer_type="muon",
)

# ... standard training loop ...

Suggested starting hyperparameters:

Value
LR (peak)2 × 10⁻⁴ for trainable subset
OptimizerMuon (2D weights) + AdamW (norms / 1-D)
ScheduleLinear warmup 200 steps → cosine to 10%
Sequence length4096 (extend later via YaRN)
Batch tokens / step0.5–2 M depending on hardware
MTP loss weight0.3 (drops to 0.1 at end-of-decay)

Architecture summary

ParameterValue
hidden_size512
num_hidden_layers12
num_attention_heads8
num_key_value_heads1 (MQA)
head_dim64
q_lora_rank / o_lora_rank256 / 256
qk_rope_head_dim32
o_groups2
n_routed_experts16
n_shared_experts1
num_experts_per_tok2
moe_intermediate_size512
num_hash_layers2
sliding_window32
max_position_embeddings1,048,576 (YaRN factor=16, original=65536)
num_nextn_predict_layers1 (MTP)
hc_mult (n_hc)4

Limitations

  • Compressor + Indexer modules are random-init (see Slice provenance above). The current slicer doesn't do the cross-dim mapping for those per-block tensors. Forward-pass logits are noisy through CSA/HCA layers until those are fine-tuned.
  • Hash-table tid2eid regenerated — token routing for the first num_hash_layers differs from source.
  • No FP4/FP8 weights — source is dequantized to BF16 at slice time, so this repo doesn't carry V4-Flash's quantization-aware training state.

Citation

@misc{deepseek_v4_2026,
  author = {DeepSeek-AI},
  title  = {DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence},
  year   = {2026},
  url    = {https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash}
}

paper PDF

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
fc8b993

0 моделей