DeepSeek V3 vs. V4 Architektur-Infografik
Eine kompakte, technische Gegenüberstellung der DeepSeek V3/R1 und DeepSeek V4 Transformer-Architekturen, ideal für Social-Media-Beiträge, Präsentationen oder zur Visualisierung von Modellanalysen.
Eingabe
{"type":"technische Gegenüberstellung der KI-Architektur als Infografik","style":"klares technisches Diagramm, weißer Hintergrund, dünne schwarze Umrandungen, abgerundete Rechtecke, gestrichelte Infoboxen, farbcodierte Hervorhebungen, Ästhetik einer Präsentations-Slides, Vektor-Infografik","canvas":{"aspect_ratio":"2:1","resolution":"breites Querformat"},"title_row":{"left_title":"DeepSeek V3/R1 (671 Milliarden)","right_title":"DeepSeek V4 (1,2 Billionen)","left_title_color":"helles Orange-Rot","right_title_color":"helles Blau"},"layout":{"columns":2,"sections":[{"title":"DeepSeek V3/R1 (671 Milliarden)","position":"linke Hälfte","count":9,"labels":["Vokabulargröße von 129k","FeedForward (SwiGLU) Modul","Zwischenschicht-Dimension von 2.048","MoE-Schicht","Unterstützte Kontextlänge von 128k Tokens","Erste 3 Blöcke nutzen dichtes FFN mit Hidden-Size 18.432 statt MoE","Beispiel-Eingabetext","Embedding-Dimension von 7.168","128 Attention-Heads"]},{"title":"DeepSeek V4 (1,2 Billionen)","position":"rechte Hälfte","count":9,"labels":["Vokabulargröße von 160k","FeedForward (SwiGLU) Modul","Zwischenschicht-Dimension von 3.072","MoE-Schicht","Unterstützte Kontextlänge von 256k Tokens","Erste 3 Blöcke nutzen dichtes FFN mit Hidden-Size 24.576 statt MoE","Beispiel-Eingabetext","Embedding-Dimension von 8.192","128 Attention-Heads"]},{"title":"untere Vergleichstabelle","position":"unten über die volle Breite","count":10,"labels":["Gesamtparameter","Aktive Parameter pro Token","Hidden-Size","Beispiel-Dimension","DeepSeek V3/R1","Zwischenschicht (FF)","Attention-Heads","Kontextlänge","Embedding-Dimension","Vokabulargröße"]}]},"left_panel":{"background":"sehr hellgraues abgerundetes Rechteck","main_stack":{"count":8,"blocks":["Tokenisierter Text","Token-Embedding-Schicht","RMSNorm 1","Multi-head Latent Attention","RMSNorm 2","MoE","Finale RMSNorm","Lineare Ausgabeschicht"]},"side_module":"RoPE an den Attention-Block auf der linken Seite angehängt","attention_block":{"label":"Multi-head Latent Attention","accent":"orange-roter Text für das Wort Latent"},"feedforward_inset":{"title":"FeedForward (SwiGLU) Modul","count":4,"blocks":["Lineare Schicht","SiLU-Aktivierung","Lineare Schicht","Lineare Schicht"],"diagram":"zwei Zweige multipliziert, dann projiziert"},"moe_inset":{"title":"MoE-Schicht","count":5,"blocks":["oberer Kombinationsknoten","Feed Forward","Feed Forward","Router","Experten-Anzahl-Badge 256"],"details":"kleines schwarzes Quadrat mit 1 ausgewähltem Experten, Pfeile führen nach oben zu den Experten, gepunktete Trennlinie"},"annotations":{"vocab":"Vokabulargröße von 129k","ff_dim":"Zwischenschicht-Dimension von 2.048","context":"Unterstützte Kontextlänge von 128k Tokens","dense_first_blocks":"Erste 3 Blöcke nutzen dichtes FFN mit Hidden-Size 18.432 statt MoE","resource_savings":"Ressourceneinsparung: Modellgröße beträgt 671B, aber nur 1 (geteilt) + 8 Experten sind pro Token aktiv; nur 37B Parameter sind pro Inferenzschritt aktiv"},"bottom_stats":{"count":10,"items":["Gesamtparameter: 671B","Aktive Parameter pro Token: 37B (1 + 8 Experten)","Hidden-Size: 7.128","Beispiel-Dimension: 28.432","Zwischenschicht (FF): 2.048","Attention-Heads: 128","Kontextlänge: 128k","Embedding-Dimension: Erste 3 Blöcke","Kontext-Länge: 22G7","Vokabulargröße: 129k"]}},"right_panel":{"background":"sehr hellblaues abgerundetes Rechteck","main_stack":{"count":8,"blocks":["Tokenisierter Text","Token-Embedding-Schicht","RMSNorm 1","Multi-head Latent Attention","RMSNorm 2","MoE","Finale RMSNorm","Lineare Ausgabeschicht"]},"side_module":"RoPE an den Attention-Block auf der linken Seite angehängt","attention_block":{"label":"Multi-head Latent Attention","accent":"blauer Text für das Wort Latent"},"feedforward_inset":{"title":"FeedForward (SwiGLU) Modul","count":4,"blocks":["Lineare Schicht","SiLU-Aktivierung","Lineare Schicht","Lineare Schicht"],"diagram":"gleiche Struktur wie linkes Panel"},"moe_inset":{"title":"MoE-Schicht","count":5,"blocks":["oberer Kombinationsknoten","Feed Forward","Feed Forward","Router","Experten-Anzahl-Badge 384"],"details":"kleines schwarzes Quadrat mit 1 ausgewähltem Experten, Pfeile führen nach oben zu den Experten, gepunktete Trennlinie, blaue Rahmenhervorhebung"},"annotations":{"vocab":"Vokabulargröße von 160k","ff_dim":"Zwischenschicht-Dimension von 3.072","context":"Unterstützte Kontextlänge von 256k Tokens","dense_first_blocks":"Erste 3 Blöcke nutzen dichtes FFN mit Hidden-Size 24.576 statt MoE","resource_savings":"Ressourceneinsparung: Modellgröße beträgt 1.2T, aber nur 1 (geteilt) + 8 Experten sind pro Token aktiv; nur 52B Parameter sind pro Inferenzschritt aktiv"},"bottom_stats":{"count":10,"items":["Gesamtparameter: 1.2T","Aktive Parameter pro Token: 52B (1 + 8 Experten)","Hidden-Size: 7.2B","Beispiel-Dimension: 28.432","Zwischenschicht (FF): 3.072","Attention-Heads: 128","Kontextlänge: 256k","Embedding-Dimension: Erste 3 Blöcke","Kontext-Länge: 22G7","Vokabulargröße: 160k"]}},"global_notes":"Erstelle ein hochdetailliertes Diagramm zum Vergleich der Transformer-Architektur mit gespiegelten Layouts. Jede Hälfte enthält ein großes Modell-Stack-Diagramm sowie 2 Inset-Diagramme: 1 Feedforward-Modul und 1 MoE-Schicht. Verwende Pfeile zwischen den Blöcken, winzige technische Beschriftungen und Verbindungslinien von den Beschriftungen zu den relevanten Komponenten. Halte die Typografie dicht und wie bei Slides, wobei Orange-Rot für alle V3/R1-Hervorhebungen und Blau für alle V4-Hervorhebungen verwendet wird. Füge eine kleine untere Zeile mit kompakten tabellarischen Metriken über die gesamte Breite hinzu. Bewahre den leicht unvollkommenen, handgefertigten Infografik-Look mit sehr kleinem Text und überfüllten Anmerkungen."}
So verwendest du diesen Prompt
- 1
Kopiere den vollständigen Prompt oben.
- 2
Öffne eine Plattform, die GPT Image 2 unterstützt, etwa YouMind, und füge den Prompt ein.
- 3
Tausche Motiv, Stil oder Details nach deiner Idee aus und generiere dann.
Dies ist ein kostenloser AI-Prompt aus der Prompt-Bibliothek von YouMind. Entdecke Tausende weitere bild-Prompts, alle frei zum Kopieren und Anpassen.
Mehr bild-Prompts entdeckenMehr von GPT Image 2
Alle Bild-Kategorien
01
Anwendungsfälle
02
Stile
Mehr Prompt-Funktionen
KI-Bibliothek
KI-Prompt-Suche
Lass die KI Zehntausende Prompts durchsuchen. Filtere nach Modell, Zeitraum und Keywords und sortiere nach Engagement — Aufrufe, Lesezeichen, Reposts und mehr.
Vision-Tools
Bild zu Prompt
Verwandeln Sie jedes Foto in einen detaillierten AI-Bild-Prompt. Der kostenlose Image-to-Prompt-Konverter analysiert Komposition, Stil und Licht, damit Sie jeden Look in Sekunden nachbauen können.
Für Kreative gebaut. Für immer kostenlos.
YouMind ist der KI-Kreativ-Copilot, dem Kreative weltweit vertrauen. Jeder Prompt hier ist kuratiert, damit du schneller und besser gestalten kannst.