/ Модель

Характеристики

Контекст
163 840 токенов
Параметры
37,6 млрд
Размер весов
74,9 ГБ
Архитектура
deepseek_v3 · dense
Библиотека
transformers
Опубликована
10 янв 2025

whale-v3-base-merged

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт DeepSeek V3 с усреднёнными экспертными весами для исследований преобразования MoE-модели в плотную языковую модель.

28скачиваний за 30 дней0лайковвеса обновлены12 янв 2025

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

Экспериментальная плотная языковая модель на архитектуре DeepSeek V3, созданная автором репозитория theblackcat102 путём усреднения весов групп экспертов MoE в слои MLP. Модель содержит 37,6 млрд параметров, принимает текст и рассчитана на контекст до 163 840 токенов; метаданные также отмечают чат и интерфейс вызова инструментов.

Чекпойнт предназначен для исследования возможности свести экспертные слои DeepSeek V3 к плотным слоям и восстановить их дальнейшим предобучением. Автор сообщает, что после преобразования модель генерирует бессвязные токены и пока не работает из коробки. Файлы представлены в формате safetensors; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Сценарии применения

  • исследование усреднения весов экспертов MoE
  • эксперименты по преобразованию DeepSeek V3 в плотную модель
  • изучение восстановления MLP-слоёв дополнительным предобучением

Ограничения

По README модель после усреднения и слияния генерирует бессвязные токены и не работает из коробки; автор рассматривает дополнительное предобучение для восстановления MLP-слоёв. Лицензия не установлена по предоставленным данным.

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-v3-Base Group 8 Average Weights

Since Deepseek v3 dense layers ( first 3 ) happens to be 18432 which equals to 9 x 2048. Since there's 256 experts with 2048 dimensions as the intermediate dimension, we can first average all 32 experts as 1 expert and concatenate all 8 groups into a 16384 layers. Adding the share_experts in to the new MLP layers and we can get 18432 MLP layers.

Model Details

Model Description

Unfortunately, this model doesn't work out of the box ( after dequantize and merging ) all it generates is giberish tokens. So either my code sucks or merging all that experts down breaks the model too much that every brokes.

I'm trying to recover the MLP layers by pretraining, but I'm bit low on compute and doesn't have much to spare. Also if you have small corpus which I can use feel free to comments and suggest what I should do next

QLoRA pretrained test run can be found here : theblackcat102/whale-v3-base-concept-test-lora-380

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV3ForCausalLM
Ревизия весов
a2aebb2

0 моделей