/ Модель

Характеристики

Лицензия
MIT
Базовая модель
DeepSeek-V4-Flash
Библиотека
ds4
Опубликована
22 июн 2026

DeepSeek-v4-Flash-REAP-K128-NVFP4

Генерация текстаТекст → текст8 профессий

Экспериментальная текстовая MoE-модель DeepSeek V4 Flash с сокращённым набором экспертов и смешанным NVFP4-квантованием для генерации текста на DGX Spark.

1 279скачиваний за 30 дней6лайковвеса обновлены23 июн 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 Flash REAP K128 Mixed NVFP4 — это экспериментальная производная модели DeepSeek, подготовленная sleepyeldrazi на основе deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов; в ней оставлено 128 маршрутизируемых экспертов на слой, что соответствует примерно 50% сокращению экспертов. Дообучение не проводилось: модель создана структурным удалением части экспертов и преобразованием формата весов.

Веса экспертов gate и up представлены в NVFP4 после заявленного в карточке преобразования шкал из MXFP4, down-эксперты — в Q2_K; внимание и общие эксперты используют Q8_0. Репозиторий распространяется в формате GGUF, но для запуска необходимы специализированный движок ds4 и NVFP4 CUDA-ядра: стандартные среды llama.cpp и GGUF модель не загружают. Автор ориентирует сборку на DGX Spark с GB10 Blackwell и заявляет поддержку контекста до 1 млн токенов при использовании FP8 KV-кэша. Карточка указывает английский язык и лицензию MIT. Практические сценарии включают программирование, вызовы инструментов, исследовательские и справочные диалоги; характеристики качества в README описаны без независимых оценок.

Сценарии применения

  • генерация и продолжение текста
  • помощь в программировании
  • диалог с вызовом инструментов
  • поиск и обобщение исследовательской информации
  • ответы на справочные вопросы

Ограничения

Для запуска требуется специализированный движок ds4 с NVFP4 CUDA-ядрами; стандартный llama.cpp не загружает модель. Сокращение числа экспертов примерно наполовину может влиять на качество, а в README нет независимых оценок качества.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek V4 Flash — REAP K128 Mixed NVFP4 (NVFP4 + Q2_K + Q8)

REAP-pruned DeepSeek V4 Flash at K128 (128 routed experts per MoE layer, 50% pruning), with a hybrid mixed-precision quantization targeting NVIDIA DGX Spark (GB10 Blackwell, sm_121).

At a Glance

Base modelDeepSeek V4 Flash
Source checkpointdeepseek-ai/DeepSeek-V4-Flash (MXFP4/MXFP8 mixed precision)
Pruning methodREAP (Router-weighted Expert Activation Pruning) — Cerebras Research
Routed experts128 per layer (down from 256)
Hash-preservedLayers 0-2 (256 experts each — hash-routed layers must remain full-width)
PrunedLayers 3-42 (128 experts each)
Formatds4-compact-v2 GGUF with NVFP4 multi-tensor convention
File size~76 GiB

Mixed Quantization Structure

This model uses a hybrid quant strategy optimized for DGX Spark's bandwidth profile (273 GB/s LPDDR5X, ~97 GB/s managed-memory serving path):

ComponentQuantbpwBW (GB10)
Routed experts — gate (w1)NVFP4 (e2m1 + e4m3 per-16 + fp32 scale_2)4.50~140 GB/s
Routed experts — up (w3)NVFP4 (e2m1 + e4m3 per-16 + fp32 scale_2)4.50~140 GB/s
Routed experts — down (w2)Q2_K2.625~160 GB/s
Attention (q, k, v, o)Q8_08.5~228 GB/s
Shared experts (w1, w2, w3)Q8_08.5~228 GB/s
Output headQ8_08.5~228 GB/s
Token embeddingsF1616~208 GB/s
Norms, HC base/scaleF3232~247 GB/s
HC fn weightsF1616~208 GB/s

Why this mix?

The bottleneck in MoE decode is gate+up expert projection (~2/3 of expert bytes). Standard GGUF quants use IQ2_XXS here. NVFP4 reads more bytes (4.50 vs 2.06 bpw) but offers substantially better precision at the same bit budget, with dequant bandwidth at ~140 GB/s on GB10. In practice, NVFP4 decode is slightly slower than IQ2_XXS due to the higher byte volume, but the precision gain is well worth the small throughput cost. Down experts stay Q2_K (already saturating at ~160 GB/s). Attention and shared experts stay Q8_0 for quality.

NVFP4: lossless MXFP4→NVFP4 conversion

The HF source checkpoint stores experts in MXFP4 (e2m1 nibbles + e8m0 per-32 block scale). NVFP4 is e2m1 + e4m3 per-16 + per-expert fp32 scale_2. The e2m1 nibbles are identical — the conversion is a scale-only transform. No weight requantization, no quality loss from the quantization step. The NVFP4 weights are bit-identical to the MXFP4 originals; only the scale format changes.

Domain Split (Calibration)

8,000 prompts · 5.0M tokens · calibration on DGX Spark (NVIDIA GB10) at 4,096 token context. REAP activation_energy_sum2 score metric.

DomainShare
Coding & development35–40%
Agentic tool-calling16%
Research & knowledge15–20%
Math & science10–15%
Design & planning5–10%
Trivia & general QA3–5%

How to Run

⚠️ Standard llama.cpp / GGUF runtimes will NOT load this model. It uses a custom NVFP4 multi-tensor GGUF convention (.nvfp4_weight + .nvfp4_scale_2) plus NVFP4 CUDA kernels, managed-memory serving, and FP8-packed KV cache.

Required Runtime

Clone and build the custom ds4 engine:

git clone https://github.com/sleepyeldrazi/ds4-nvfp4-spark
cd ds4-nvfp4-spark
make

Inference (DGX Spark / NVIDIA GB10)

# Basic usage — K128 fits comfortably without managed memory
./ds4 --cuda -m DeepSeek-V4-Flash-REAP-K128-hybrid.gguf --ctx 131072

# With managed memory — saves ~10 GiB RAM, costs 1-3 t/s (optional for K128)
DS4_CUDA_MANAGED_MODEL=1 ./ds4 --cuda -m DeepSeek-V4-Flash-REAP-K128-hybrid.gguf --ctx 131072

# With FP8-packed KV cache (save ~7 GiB at 1M ctx)
DS4_KV_TURBO=1 ./ds4 --cuda -m DeepSeek-V4-Flash-REAP-K128-hybrid.gguf --ctx 1048576

API Server

./ds4-server --cuda -m DeepSeek-V4-Flash-REAP-K128-hybrid.gguf \
  --host 0.0.0.0 --port 17777 --ctx 131072

Memory Budget (DGX Spark, 128 GB unified memory)

ContextK128 resident
Short (8K)~80 GiB ✅
256K~86 GiB ✅
1M (FP8 KV)~100 GiB ✅
1M (FP32 KV)~107 GiB ✅

K128 is the most comfortable fit on 128 GB — ample headroom for KV cache growth.

How It Was Built

  1. Source: deepseek-ai/DeepSeek-V4-Flash official MXFP4/MXFP8 mixed-precision checkpoint
  2. REAP plan: 8,000 prompts → ds4 imatrix on DGX Spark → activation_energy_sum2 per-expert scores → top-128 per layer (layers 3–42), layers 0–2 preserved at 256
  3. NVFP4 repack: gate+up expert e2m1 nibbles copied losslessly from MXFP4; e8m0 per-32 scales converted to e4m3 per-16 + fp32 scale_2; down experts kept as Q2_K
  4. Copy policy: attention, shared experts, output head → Q8_0; embeddings → F16; norms/HC → original precision
  5. Emission: single-pass GGUF generation via deepseek4-quantize (NVFP4 emission, REAP pruning, type-change tracking)

No fine-tuning. Purely structural expert removal + lossless NVFP4 repack. Weights are unmodified — a subset of the original MXFP4 experts.

Why REAP + Hybrid NVFP4?

Standard GGUF quants (IQ2_XXS, Q2_K, Q4_K) are compact but sacrifice precision at low bit widths. NVFP4 trades some speed for substantially better quality: it reads more bytes per weight (4.50 vs 2.06 bpw) but preserves the lossless MXFP4→NVFP4 mapping, meaning no requantization error on expert weights. The result is a model that prioritizes precision over raw throughput — slightly slower decode than an all-IQ2_XXS quant, but with dramatically better weight fidelity on the expert path.

Combined with REAP (50% expert pruning), the result is a model that:

  • Fits comfortably on a single DGX Spark (128 GB)
  • Runs 1M context with FP8-KV
  • Preserves attention quality (Q8_0)
  • Has no quantization quality loss on experts (lossless MXFP4→NVFP4)

Variants

VariantExpertsSizeBest for
K128 (this)128 (50% pruned)76 GiBComfortable fit, 1M ctx
K150150 (41% pruned)86 GiBBetter quality, ~256K ctx
K180180 (30% pruned)99 GiBBest quality, managed memory required

Acknowledgments

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
1b13d61

0 моделей