/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
10 авг 2025

deepseek-v3-500m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель DeepSeek-V3 с MoE для генерации текста, простых рассуждений и базового понимания кода.

173скачиваний за 30 дней0лайковвеса обновлены10 авг 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

vishesh-t27 разработал компактную языковую модель DeepSeek-V3 объёмом около 500 млн параметров с архитектурой Mixture of Experts и механизмом Multi-Latent Attention. В модели 20 слоёв, из которых 4 плотные и 16 MoE; на каждый токен активируется около 100 млн параметров. Она обучена на данных FineWeb и предназначена для генерации и продолжения текста, ответов на общие вопросы, простых логических рассуждений и базовых задач на понимание кода.

Модель работает с текстом и поддерживает английский язык. Заявленная длина контекста — 2048 токенов. В карточке также описаны сжатие KV-кэша и масштабирование RoPE с помощью YaRN. Это экспериментальная компактная реализация для изучения архитектуры MoE и MLA; автор отмечает, что для полноценного инференса может потребоваться собственная реализация. По сравнению с производственными моделями DeepSeek обучение было умеренным, поэтому качество ответов может быть ограничено. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение английского текста по подсказке
  • генерация ответов на общие вопросы
  • простые логические выводы
  • объяснение базовых понятий программирования
  • изучение реализации архитектур MoE и MLA

Ограничения

Контекст ограничен 2048 токенами, а обучение было умеренным по масштабу, поэтому качество может уступать производственным моделям DeepSeek. Для полноценного инференса может потребоваться собственная реализация.

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 500M Parameter Model

A 500M parameter DeepSeek-v3 model with Mixture of Experts (MoE) architecture, trained on high-quality FineWeb data.

🏗️ Model Architecture

  • Base Architecture: DeepSeek-v3 with Multi-Latent Attention (MLA)
  • Parameters: ~500M total, ~100M active per token
  • Layers: 20 (4 dense + 16 MoE)
  • Hidden Size: 1024
  • Attention Heads: 16
  • Context Length: 2,048 tokens
  • Vocab Size: 128,000

🧠 MoE Configuration

  • Experts: 24 routed + 2 shared
  • Active Experts: 3 per token
  • Expert Size: 512 intermediate dimensions

🔄 Multi-Latent Attention (MLA)

  • KV Compression Rank: 320
  • Content Dimension: 96
  • Position Dimension: 48
  • Value Dimension: 96

📊 Training Details

  • Dataset: FineWeb sample-10BT
  • Training Steps: 9,000
  • Optimizer: AdamW
  • Learning Rate: 3e-4 with cosine decay
  • Batch Size: 4 (micro) × 8 (accumulation) = 32 effective

📈 Training Performance

Based on training logs:

  • Loss Progress: 9.0 → 4.0 (55% reduction)
  • Perplexity: 15,000+ → ~1,500 (90%+ improvement)
  • Throughput: ~2,000 tokens/second
  • GPU Utilization: Efficient on RTX A40

🎯 Model Capabilities

This model demonstrates strong performance in:

  • Text Completion: Coherent continuation of prompts
  • General Knowledge: Web-trained factual understanding
  • Code Understanding: Basic programming concepts
  • Reasoning: Simple logical inference
  • Multi-domain: Technology, science, general topics

⚠️ Limitations

  • Architecture Complexity: Requires custom implementation for full inference
  • Training Scale: Moderate training (vs. production DeepSeek models)
  • Context: Limited to 2,048 tokens
  • Specialization: General-purpose, not domain-specific

🔧 Technical Notes

Model Architecture Features:

  • MoE Efficiency: Only ~20% of parameters active per token
  • MLA Compression: Efficient KV cache with latent compression
  • YaRN Scaling: Extended context via rotary embedding scaling
  • Hybrid Dense/MoE: First 4 layers dense for stability

Training Optimizations:

  • Mixed Precision: bfloat16 for memory efficiency
  • Gradient Clipping: Stable training with norm=1.0
  • Cosine LR Schedule: Warmup + decay over 9,000 steps

📁 Repository Contents

  • pytorch_model.bin: Model checkpoint
  • config.json: Model configuration
  • model.py: Custom DeepSeek-v3 implementation
  • config.py: Training configuration
  • train.py: Training script
  • inference.py: Inference utilities

🎓 Educational Value

This model serves as an excellent example of:

  • Modern MoE architecture implementation
  • Multi-Latent Attention mechanisms
  • Efficient LLM training techniques
  • DeepSeek-v3 architecture exploration

📄 License

Apache 2.0 License - Feel free to use for research and commercial applications.

🙏 Acknowledgments

  • DeepSeek AI: Original DeepSeek-v3 architecture
  • HuggingFace: FineWeb dataset and infrastructure
  • Community: Open source ML ecosystem

This model was trained as an educational exploration of DeepSeek-v3 architecture and MoE techniques.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов
2bee7ed

0 моделей