Linkdeepseek-aiSammlung
Große Mixture-of-Experts-Modelle mit extrem langen Kontexten erfordern enorme Speicher- und Rechenressourcen. Durch Techniken wie DSpark-basierte spekulative Dekodierung und komprimierte Hybrid-Attention senkt DeepSeek den Rechen- und KV-Cache-Aufwand für 1-Million-Token-Kontexte im Open-Source-Umfeld deutlich.
Das Release verdeutlicht den Trend zu massiven MoE-Architekturen, bei denen nur ein kleiner Bruchteil der Parameter aktiv ist (49B von 1,6T). Anstelle reiner Parameter-Skalierung liegt der Schwerpunkt auf Inferenz-Effizienz: Die Kombination aus spekulativer Dekodierung (DSpark), FP4/FP8-Mischpräzision und Hybrid-Attention zielt darauf ab, extrem lange Kontexte in Frameworks wie vLLM und SGLang handhabbar zu machen. Auffällig ist zudem der Verzicht auf herkömmliche Jinja-Chat-Templates zugunsten eines separaten Python-Encodings.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Link:deepseek-ai
DeepSeek-AI hat DeepSeek-V4-Flash-0731 offiziell auf Hugging Face veröffentlicht. Das 304-Milliarden-Parameter-Modell ersetzt die Preview-Version und bringt integrierte spekulative Decodierung (DSpark) sowie deutlich verbesserte Agenten-Fähigkeiten mit.
Artikel:DeepSeek AI
DeepSeek hat die Preview-Version von DeepSeek-V4 als Open Source freigegeben. Die Modellreihe umfasst die Varianten DeepSeek-V4-Pro und DeepSeek-V4-Flash, bietet standardmäßig ein Kontextfenster von einer Million Tokens und bringt neue Architekturen zur Rechenzeit- und Speicheroptimierung mit.
Artikel:Simon Willison
DeepSeek hat mit DeepSeek-V4-Pro und DeepSeek-V4-Flash zwei neue Mixture-of-Experts-Modelle unter MIT-Lizenz veröffentlicht. Simon Willison analysiert deren Architektur, Token-Effizienz und die im Vergleich zu OpenAI, Google und Anthropic drastisch reduzierten API-Kosten.
X-Post:Mia
DeepSeek hat die offiziellen Modellgewichte von DeepSeek-V4-Flash-0731 unter MIT-Lizenz auf Hugging Face bereitgestellt. Das Modell löst die Preview-Version ab, bringt verbesserte Agenten-Fähigkeiten mit und verfügt über ein integriertes Modul für Speculative Decoding.
336Lesezeichen153.431Aufrufe
Link:Tencent Hy Team
Das Tencent Hy Team hat Hy4-preview als quelloffenes Mixture-of-Experts-Modell (MoE) mit 770 Milliarden Gesamtparametern und 49 Milliarden aktiven Parametern pro Token vorgestellt. Das Flaggschiff-Modell bietet ein Kontextfenster von 1 Million Tokens und wurde für Aufgaben in Softwareentwicklung, Büroarbeit und wissenschaftlicher Forschung optimiert.
Link:deepseek-ai
DeepSeek-V4-Flash-0731 ist ein Mixture-of-Experts-Sprachmodell mit 13 Milliarden aktiven Parametern und einem Kontextfenster von rund einer Million Tokens. Der Modellkatalog von NVIDIA Build listet die Spezifikationen, Architektureigenschaften und Benchmarks für Coding- und Agenten-Workflows.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
