"Собрал свои посты про DeepSeek воедино в англоязычном блоге. Когда картинки внутри текста, оно, конечно, удобнее. 1️⃣ ""DeepSeek moment"" (https://gonzoml.substack.com/p/deepseek-moment). The high-level overview of what was special with DeepSeek and what models are there. 2️⃣ ""DeepSeek-V3: Technical Details"" (https://gonzoml.substack.com/p/deepseek-v3-technical-details) Technical details about DeepSeek-V3 architecture: Multi-head Latent Attention (MLA), DeepSeekMoE, Multi-Token Prediction (MTP), FP8 Training, Suggestions on Hardware Design, etc 3️⃣ ""DeepSeek-V3: Training"" (https://gonzoml.substack.com/p/deepseek-v3-training) The training procedure of DeepSeek-V3-Base and DeepSeek-V3. Pre-training, Post-training, Group Relative Policy Optimization (GRPO), etc. 4️⃣ ""DeepSeek-R1: Open model with Reasoning"" (https://gonzoml.substack.com/.../deepseek-r1-open-model...) The DeepSeek-R1 reasoning model, similar to OpenAI o1/o3, Google Gemini 2.0 Flash Thinking, or Alibaba Cloud Qwen QwQ. DeepSeek-R1-Zero, DeepSeek-R1, and DeepSeek-R1-Distill models are covered here."
"Собрал свои посты про DeepSeek воедино в англоязычном блоге. Когда картинки…
Из этого канала
- #3332Optimizing Large Language Model Training Using FP4 Quantization Ruizhe Wang,…
Optimizing Large Language Model Training Using FP4 Quantization Ruizhe Wang, Yeyun Gong, Xiao Liu, Guoshuai Zhao, Ziyue Yang, Baining Guo, Zhengjun Zha, Peng…
- #3338"Дарио Амодеи написал программное заявление ""Time is short, and we must…
"Дарио Амодеи написал программное заявление ""Time is short, and we must accelerate our actions to match accelerating AI progress.
- #3339FP1 в массы! Если реально есть потенциал ускорить обучение LLM в 16 раз…
FP1 в массы! Если реально есть потенциал ускорить обучение LLM в 16 раз (относительно BF16) или обучить модель в 16 раз большую, то это очень интересно.
- #3321Для дистиллятов бейзлайном была QwQ-32B-Preview. Они тоже выглядят хорошо,…
Для дистиллятов бейзлайном была QwQ-32B-Preview. Они тоже выглядят хорошо, например, DeepSeek-R1-Distill-Qwen-7B бьёт не-ризонинг модель GPT-4o-0513.
- #3320DeepSeek-R1-Zero всё же не без недостатков: результаты модели плохо читаемы, и…
DeepSeek-R1-Zero всё же не без недостатков: результаты модели плохо читаемы, и в них обнаруживается смесь языков, поэтому решили улучшить холодный старт модели…