/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
10,7 млрд
Лицензия
MIT
Архитектура
deepseek_v4 · dense
Базовая модель
DeepSeek-V4-Flash-0731
Библиотека
transformers
Опубликована
14 авг 2026

DeepSeek-V4-Flash-0731-GPTQ-Int4-V1

Генерация текстаТекст → текст15 профессий

DeepSeek-V4-Flash-0731-GPTQ-Int4-V1 — это 4-битная GPTQ-квантизованная версия модели DeepSeek-V4-Flash-0731, опубликованная пользователем sokada4.

385скачиваний за 30 дней4лайкавеса обновлены14 авг 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

Квантизация выполнена с помощью GPTQModel 7.3.4 и предназначена для более эффективного запуска исходной модели при ограниченных ресурсах GPU. Данные о точном размере модели, архитектуре, поддерживаемых модальностях, полном наборе языков и исходном размере контекста в README не указаны.

Модель использует схему W4A16 с 4-битными весами, group size 128, симметричной квантизацией и упаковкой в int32; параметр lm_head не квантизован. Калибровка проведена на 128 примерах на китайском, английском, японском языках и Python-коде с длиной последовательности 2048 токенов. В README приведены результаты на 4 GPU Ampere: по сравнению с неквантизованным fp8-чекпойнтом модель показала меньшее время до первого токена и более высокую производительность, особенно при параллелизме 8.

Основные ограничения связаны с инфраструктурой: для запуска через vLLM требуется специальная сборка с поддержкой DeepSeek-V4 GPTQ для GPU Ampere, а полный чекпойнт занимает около 153 ГБ и может потребовать выгрузки части весов в CPU. Релиз является первой калибровочной версией V1; заявлена возможная последующая версия V2 с другим набором калибровочных данных. Лицензия — MIT, унаследованная от базовой модели.

Для каких профессий подходит15

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-0731-GPTQ-Int4-V1

4-bit GPTQ (W4A16) quantization of deepseek-ai/DeepSeek-V4-Flash-0731, produced with GPTQModel.

This is the V1 release (first calibration run). A V2 release, requantized with a different calibration dataset, is planned as a separate repository (DeepSeek-V4-Flash-0731-GPTQ-Int4-V2) once available.

Quantization details

MethodGPTQ (GPTQModel 7.3.4)
Bits4
Group size128
Symmetricyes
desc_actfalse
lm_head quantizedno
Pack dtypeint32

Calibration data

128 samples (32 each of zh / en / ja / code), seq_len=2048:

  • allenai/c4 — zh, en, ja splits (mangled/mis-decoded documents filtered out)
  • codeparrot/codeparrot-clean-valid — Python source

zh/en/ja/code were weighted evenly. seq_len=2048 was chosen above this model's sparse-indexer index_topk (512) so the top-k pruning path is actually exercised during calibration, while staying within the indexer's dense-attention memory budget on the quantization rig.

Serving with vLLM

This model requires a vLLM build with DeepSeek-V4 GPTQ support on the Ampere (SM86, e.g. RTX 3090/4090-class, non-Hopper) backend, which is not yet present in either upstream vLLM or the unmodified vllm-dsv4-ampere community fork. The required patch is available at:

https://github.com/okdshin/vllm-dsv4-ampere/tree/gptq-w4a16-support

Apply the main-port/vllm overlay from that branch on top of a vanilla vLLM checkout, then serve as usual, e.g.:

vllm serve sokada4/DeepSeek-V4-Flash-0731-GPTQ-Int4-V1 \
  --trust-remote-code \
  --kv-cache-dtype fp8 \
  --tensor-parallel-size 4 \
  --enable-expert-parallel \
  --enforce-eager \
  --max-num-seqs 8 \
  --max-model-len 4096

(--cpu-offload-gb may be needed depending on available VRAM; the full checkpoint is ~153GB.)

Benchmark

Measured on a 4x GPU Ampere rig (--cpu-offload-gb 20, vllm bench serve), compared against the unquantized fp8 checkpoint:

concurrencymetricfp8 (unquantized)GPTQ 4bitdelta
1TTFT mean2345.56 ms1184.35 ms-49%
1TPOT mean335.33 ms317.98 ms-5%
1output tok/s2.733.02+11%
8TTFT mean8434.68 ms4486.18 ms-47%
8TPOT mean735.13 ms432.72 ms-41%
8output tok/s9.3416.11+72%

At concurrency=1, decode is bound by PCIe transfer of CPU-offloaded weights rather than GPU compute/bandwidth, so the TPOT improvement from quantization is modest; at concurrency=8, batching amortizes that fixed cost and the quantization benefit is much larger.

License

MIT, inherited from the base model.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV4ForCausalLM
Ревизия весов
4375393

0 моделей