Bilanz der Quelle: DeepSeek-V4 kombiniert Compressed Sparse Attention mit Heavily Compressed Attention und erreicht bei einem Kontext von einer Million Token nur 27 Prozent der Inferenz-FLOPs je Token sowie 10 Prozent des KV-Cache-Bedarfs des Vorgängers V3.2. Das Modell umfasst 1,6 Billionen Parameter, davon 49 Milliarden aktive, und wurde auf über 32 Billionen Token trainiert.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
