/ Модель

Характеристики

Лицензия
MIT
Базовая модель
DeepSeek-V4-Flash-0731
Опубликована
31 июл 2026

DeepSeek-V4-Flash-ConfigI-GGUF

Генерация текстаТекст → текст8 профессий

Квантизированная GGUF-сборка DeepSeek-V4-Flash для генерации текста и диалогов на системах с большой объединённой памятью.

193скачиваний за 30 дней6лайковвеса обновлены5 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

DeepSeek-V4-Flash-ConfigI-GGUF — квантизированная GGUF-сборка модели DeepSeek-V4-Flash, опубликованная thetom-ai. Это MoE-модель с 284 млрд параметров, из которых активно 21 млрд; в README указаны 43 слоя, 256 маршрутизируемых экспертов с выбором top-6, hash routing, MLA attention, mHC hyper-connections и DSA indexer. Гибридная квантизация Config-I имеет эффективную точность 2,88 бита на параметр и занимает около 95 GiB; веса разделены на три файла.

Модель предназначена для генерации текста и диалогов, включая запуск на системах с 128 ГБ объединённой памяти. Для чтения её весов нужен форк llama.cpp с поддержкой TurboQuant TQ3_1S; стандартный llama.cpp не подходит. README рекомендует параметры генерации temperature 1.0 и top_p 0.95, отмечая, что жадное декодирование может вызывать циклы повторов. Для исходной модели в метаданных указана лицензия MIT.

Сценарии применения

  • генерация ответов в диалоговом интерфейсе
  • запуск DeepSeek-V4-Flash на системе с 128 ГБ объединённой памяти
  • локальная генерация текста через совместимый форк llama.cpp

Ограничения

Сборка требует форка llama.cpp с поддержкой TurboQuant TQ3_1S и занимает около 95 GiB памяти. README сообщает о циклах повторов при жадном декодировании; для генерации рекомендуется temperature 1.0 и top_p 0.95.

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 — Config-I (GGUF)

284B-parameter MoE (21B active) in 95 GiB — fits and runs on 128 GB unified-memory boxes (DGX Spark, Mac). Config-I hybrid quantization at 2.88 bpw effective.

Config-I quantization of deepseek-ai/DeepSeek-V4-Flash-0731 — the official 2026-07-31 release, superseding the preview — (43 layers, 256 routed experts top-6, hash routing, MLA attention, mHC hyper-connections, DSA indexer). Sibling release: Config-I MLX for Apple Silicon.

📖 How to actually run it well: the offlabel operating guide covers the backend traps, sampling, the repetition-loop fix, and the DwarfStar speed comparison in one place.

⚠️ Runtime requirement

This GGUF uses the TurboQuant TQ3_1S weight type, so it needs the TurboQuant llama.cpp fork rather than stock llama.cpp:

git clone https://github.com/TheTom/llama-cpp-turboquant
cd llama-cpp-turboquant          # default branch is what you want
cmake -B build -DGGML_CUDA=ON    # or -DGGML_METAL=ON on a Mac
cmake --build build -j

Verified against the fork's default branch (feature/turboquant-kv-cache): loads and generates correctly on both Metal and CUDA.

Recipe

Tensor groupTypebpw
Expert gate/up (all layers)Q2_02.25
Expert down, attention, indexer, compressorTQ3_1S (WHT-rotated)4.0
Token embeddingsq8_08.5
Output headq6_K6.6
Router gates, mHC mixing, APE, norms, sinksf32/bf16—

Compression

Size
FP8/FP4 source167 GB
BF16 equivalent~570 GB
Config-I hybrid (2.88 bpw)95 GiB (102 GB), 3 split files ≤45 GB

Quality

  • Wikitext PPL: 15.64 ± 0.38 (ctx 512, 60 chunks) · 12.86 ± 0.29 (ctx 2048, 15 chunks) — measured on CUDA (GB10)
  • Coherent greedy generation verified on CUDA, CPU, and Metal.

Observed behaviors at 2.88 bpw (honesty notes, measured under heavy I/O contention — quiet-condition re-runs pending):

  • Use the official sampling settings: temperature 1.0, top_p 0.95 (DeepSeek's card). Greedy decoding (temp 0) induces repetition loops on this model family and is not representative.
  • The post-</think> content stream can degenerate into repetition while the correct answer sits intact in the reasoning block — parse reasoning_content when serving with reasoning enabled (observed under greedy decoding; official sampling mitigates).
  • Repetition on hard symbolic math was observed under greedy decoding only — being re-evaluated at official sampling settings.
  • Broader MMLU/NIAH numbers land here after quiet-condition runs complete.

Example

TQ_NO_ROTATE=1 ./build/bin/llama-cli -m DeepSeek-V4-Flash-0731-ConfigI-00001-of-00003.gguf \
  -ngl 99 -c 8192 --temp 1.0 --top-p 0.95 -p "your prompt" -st < /dev/null

License

Inherits the DeepSeek model license from the base model. Quantization by thetom-ai.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
5167fff

0 моделей