/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
1,1 млрд
Размер весов
6,3 ГБ
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Библиотека
transformers
Опубликована
29 апр 2026

deepseek-v4-mini-3B-init

Генерация текстаТекст → текст3 профессии

Случайно инициализированный каркас архитектуры DeepSeek-V4 для экспериментов и переноса весов, не пригодный для получения осмысленных ответов.

183скачиваний за 30 дней3лайкавеса обновлены29 апр 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

kshitijthakkar/deepseek-v4-mini-3B-init — случайно инициализированная маломасштабная реплика архитектуры DeepSeek-V4, созданная для экспериментов с архитектурой и переноса весов. Автор позиционирует её как обучаемый на арендованных GPU каркас, размеры которого согласованы с DeepSeek-V4-Flash для переноса весов; несмотря на обозначение 3B, в метаданных указано 1,1 млрд параметров.

Модель использует плотную архитектуру DeepseekV4ForCausalLM и библиотеку Transformers. В README перечислены mHC, CSA с Lightning Indexer, HCA, скользящее окно внимания, Shared-KV MQA, DeepseekMoE, SwiGLU, MTP и YaRN; заявленная длина контекста — 1 048 576 токенов. Модель принимает текст и генерирует текст, однако её случайные веса дают шум, поэтому она не предназначена для полезных ответов или обычного применения.

Основные сценарии — исследования архитектуры, абляционные эксперименты и поиск гиперпараметров, а также перенос или нарезка весов из V4-Pro/V4-Flash. Веса опубликованы в формате safetensors. Лицензия — MIT.

Сценарии применения

  • абляционные эксперименты с архитектурой DeepSeek-V4
  • поиск гиперпараметров для маломасштабной модели
  • перенос весов из DeepSeek-V4-Pro или V4-Flash
  • изучение компонентов внимания и маршрутизации DeepSeek-V4

Ограничения

Веса инициализированы случайно, поэтому модель генерирует шум и не предназначена для содержательных ответов. FP4/FP8-квантизация и Hadamard-преобразование в реплике пропущены.

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 (3B) — randomly-initialized architecture replica

Faithful small-scale (~3.2B total / ~1.10B activated per token) replica of the DeepSeek-V4 architecture, sized to be trainable on rented GPUs and to map cleanly onto the full-scale V4-Flash dimensions for weight slicing.

This is a randomly-initialized scaffold — generates noise. Its purpose:

  • reference architecture for ablation / hyperparameter-search experiments
  • target for weight transfer / slicing from real V4-Pro / V4-Flash

Architecture summary

Value
hidden_size1536
num_hidden_layers28
num_attention_heads24
num_key_value_heads1 (MQA)
head_dim64
q_lora_rank / o_lora_rank512 / 512
qk_rope_head_dim32
o_groups4
n_routed_experts24
n_shared_experts1
num_experts_per_tok4
num_hash_layers2
moe_intermediate_size768
compress_ratios[0, 0, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 112, 4, 0]
index_topk / heads / head_dim192 / 16 / 96
sliding_window64
max_position_embeddings1,048,576 (YaRN factor=16)
vocab_size129280 (real V4-Flash tokenizer)
num_nextn_predict_layers1 (V3-style MTP)
hc_mult (n_hc)4
Storage dtypebfloat16

Quick start

from huggingface_hub import login, snapshot_download
login()  # private repo

local = snapshot_download(repo_id="kshitijthakkar/deepseek-v4-mini-3B-init")

import sys, os
sys.path.insert(0, os.path.join(local, "code"))
import deepseek_v4  # registers DeepseekV4{Config,ForCausalLM} with HF auto classes

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

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

ids = tok.apply_chat_template(
    [{"role": "user", "content": "Hello"}],
    return_tensors="pt", add_generation_prompt=True, return_dict=True,
)
with torch.no_grad():
    out = model(input_ids=ids["input_ids"])
print(out.logits.shape)

Components implemented

mHC (Sinkhorn-Knopp) · CSA + Lightning Indexer · HCA · pure sliding-window · Shared-KV MQA + grouped output projection (per-group wo_a) · partial RoPE + output -i rotation · attention sink · DeepseekMoE with sqrt(softplus) routing · hash-routed early layers · clamped SwiGLU · MTP head · YaRN.

Every component is bit-equivalent in math to the official inference/model.py

  • kernel.py:hc_split_sinkhorn (FP4/FP8 quantization and Hadamard rotation are skipped — those are inference optimizations, not architecture).

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}
}

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
e1d16ef

0 моделей