/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
2,2 млрд
Размер весов
16,1 ГБ
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Библиотека
transformers
Опубликована
30 апр 2026

deepseek-v4-mini-6B-init

Генерация текстаТекст → текст3 профессии

Случайно инициализированный каркас архитектуры DeepSeek-V4 для экспериментов, переноса весов и обучения на уменьшенной модели.

136скачиваний за 30 дней6лайковвеса обновлены30 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-6B-init — случайно инициализированная уменьшенная реализация архитектуры DeepSeek-V4 от автора репозитория. Это исследовательский каркас на Transformers с классом DeepseekV4ForCausalLM: 32 слоя и hidden size 2048; в README указано около 8,1 млрд параметров всего и около 2,21 млрд активируемых на токен, тогда как метаданные сообщают 2,2 млрд параметров. Контекст модели — до 1 048 576 токенов.

Каркас предназначен для абляционных и гиперпараметрических экспериментов, переноса весов и срезания весов из V4-Pro или V4-Flash. В нём реализованы компоненты mHC, CSA с Lightning Indexer, HCA, скользящее окно внимания, MQA, DeepseekMoE, MTP и YaRN. Модель поддерживает текстовую генерацию и разговорный интерфейс, но из-за случайной инициализации генерирует шум и не годится для содержательных ответов без обучения или переноса весов. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • абляционные эксперименты с компонентами архитектуры DeepSeek-V4
  • поиск гиперпараметров для языковой модели
  • перенос или срезание весов из V4-Pro или V4-Flash
  • изучение реализации механизмов внимания и маршрутизации MoE

Ограничения

Из-за случайной инициализации модель генерирует шум и не предназначена для полезной генерации до обучения или переноса весов. В README указано, что оптимизации квантования FP4/FP8 и Hadamard rotation не реализованы.

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 (6B) — randomly-initialized architecture replica

Faithful small-scale (~8.1B total / ~2.21B 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_size2048
num_hidden_layers32
num_attention_heads32
num_key_value_heads1 (MQA)
head_dim64
q_lora_rank / o_lora_rank768 / 768
qk_rope_head_dim32
o_groups8
n_routed_experts32
n_shared_experts1
num_experts_per_tok4
num_hash_layers2
moe_intermediate_size1024
compress_ratios[0, 0, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 128, 4, 0]
index_topk / heads / head_dim256 / 32 / 128
sliding_window128
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-6B-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
1e8708c

0 моделей