Infografica comparativa dell'architettura DeepSeek V3 vs V4
Un'infografica tecnica dettagliata che mette a confronto le architetture transformer di DeepSeek V3/R1 e DeepSeek V4, ideale per post sui social media, presentazioni o analisi visive dei modelli.
Istruzione
{"type":"infografica comparativa dell'architettura AI","style":"diagramma tecnico pulito, sfondo bianco, contorni neri sottili, rettangoli arrotondati, riquadri tratteggiati, evidenziazioni a colori, estetica da Slides di presentazione, infografica vettoriale","canvas":{"aspect_ratio":"2:1","resolution":"orizzontale ampia"},"title_row":{"left_title":"DeepSeek V3/R1 (671 miliardi)","right_title":"DeepSeek V4 (1,2 trilioni)","left_title_color":"rosso-arancio brillante","right_title_color":"blu brillante"},"layout":{"columns":2,"sections":[{"title":"DeepSeek V3/R1 (671 miliardi)","position":"metà sinistra","count":9,"labels":["Dimensione vocabolario di 129k","Modulo FeedForward (SwiGLU)","Dimensione layer nascosto intermedio di 2.048","Layer MoE","Lunghezza contesto supportata di 128k token","I primi 3 blocchi utilizzano FFN denso con dimensione nascosta 18.432 invece di MoE","Testo di input di esempio","Dimensione embedding di 7.168","128 teste"]},{"title":"DeepSeek V4 (1,2 trilioni)","position":"metà destra","count":9,"labels":["Dimensione vocabolario di 160k","Modulo FeedForward (SwiGLU)","Dimensione layer nascosto intermedio di 3.072","Layer MoE","Lunghezza contesto supportata di 256k token","I primi 3 blocchi utilizzano FFN denso con dimensione nascosta 24.576 invece di MoE","Testo di input di esempio","Dimensione embedding di 8.192","128 teste"]},{"title":"tabella comparativa inferiore","position":"parte inferiore a tutta larghezza","count":10,"labels":["Parametri totali","Parametri attivi per token","Dimensione nascosta","Design di esempio","DeepSeek V3/R1","Intermedio (FF)","Teste di attenzione","Lunghezza contesto","Dimensione embedding","Dimensione vocabolario"]}]},"left_panel":{"background":"rettangolo arrotondato grigio molto chiaro","main_stack":{"count":8,"blocks":["Testo tokenizzato","Layer di embedding dei token","RMSNorm 1","Multi-head Latent Attention","RMSNorm 2","MoE","RMSNorm finale","Layer di output lineare"]},"side_module":"RoPE collegato al blocco di attenzione sul lato sinistro","attention_block":{"label":"Multi-head Latent Attention","accent":"testo rosso-arancio per la parola Latent"},"feedforward_inset":{"title":"Modulo FeedForward (SwiGLU)","count":4,"blocks":["Layer lineare","Attivazione SiLU","Layer lineare","Layer lineare"],"diagram":"due rami moltiplicati, poi proiettati"},"moe_inset":{"title":"Layer MoE","count":5,"blocks":["nodo di combinazione superiore","Feed forward","Feed forward","Router","badge conteggio esperti 256"],"details":"piccolo quadrato nero con 1 esperto selezionato, frecce che indirizzano verso l'alto agli esperti, linea divisoria tratteggiata"},"annotations":{"vocab":"Dimensione vocabolario di 129k","ff_dim":"Dimensione layer nascosto intermedio di 2.048","context":"Lunghezza contesto supportata di 128k token","dense_first_blocks":"I primi 3 blocchi utilizzano FFN denso con dimensione nascosta 18.432 invece di MoE","resource_savings":"Risparmio di risorse: il modello ha 671B ma solo 1 (condiviso) + 8 esperti attivi per token; solo 37B di parametri sono attivi per passaggio di inferenza"},"bottom_stats":{"count":10,"items":["Parametri totali: 671B","Parametri attivi per token: 37B (1 + 8 esperti)","Dimensione nascosta: 7.128","Design di esempio: 28.432","Intermedio (FF): 2.048","Teste di attenzione: 128","Lunghezza contesto: 128k","Dimensione embedding: Primi 3 blocchi","Lunghezza contesto: 22G7","Dimensione vocabolario: 129k"]}},"right_panel":{"background":"rettangolo arrotondato blu molto chiaro","main_stack":{"count":8,"blocks":["Testo tokenizzato","Layer di embedding dei token","RMSNorm 1","Multi-head Latent Attention","RMSNorm 2","MoE","RMSNorm finale","Layer di output lineare"]},"side_module":"RoPE collegato al blocco di attenzione sul lato sinistro","attention_block":{"label":"Multi-head Latent Attention","accent":"testo blu per la parola Latent"},"feedforward_inset":{"title":"Modulo FeedForward (SwiGLU)","count":4,"blocks":["Layer lineare","Attivazione SiLU","Layer lineare","Layer lineare"],"diagram":"stessa struttura del pannello sinistro"},"moe_inset":{"title":"Layer MoE","count":5,"blocks":["nodo di combinazione superiore","Feed forward","Feed forward","Router","badge conteggio esperti 384"],"details":"piccolo quadrato nero con 1 esperto selezionato, frecce che indirizzano verso l'alto agli esperti, linea divisoria tratteggiata, enfasi bordo blu"},"annotations":{"vocab":"Dimensione vocabolario di 160k","ff_dim":"Dimensione layer nascosto intermedio di 3.072","context":"Lunghezza contesto supportata di 256k token","dense_first_blocks":"I primi 3 blocchi utilizzano FFN denso con dimensione nascosta 24.576 invece di MoE","resource_savings":"Risparmio di risorse: il modello ha 1.2T ma solo 1 (condiviso) + 8 esperti attivi per token; solo 52B di parametri sono attivi per passaggio di inferenza"},"bottom_stats":{"count":10,"items":["Parametri totali: 1.2T","Parametri attivi per token: 52B (1 + 8 esperti)","Dimensione nascosta: 7.2B","Design di esempio: 28.432","Intermedio (FF): 3.072","Teste di attenzione: 128","Lunghezza contesto: 256k","Dimensione embedding: Primi 3 blocchi","Lunghezza contesto: 22G7","Dimensione vocabolario: 160k"]}},"global_notes":"Crea un diagramma di confronto dell'architettura transformer altamente dettagliato con layout speculari. Ogni metà contiene un grande diagramma dello stack del modello più 2 diagrammi a inserto: 1 modulo feedforward e 1 layer MoE. Usa frecce tra i blocchi, etichette tecniche minuscole e linee di collegamento dalle etichette ai componenti pertinenti. Mantieni la tipografia densa e simile a una slide, con il rosso-arancio usato per tutta l'enfasi su V3/R1 e il blu usato per tutta l'enfasi su V4. Includi una piccola riga inferiore di metriche tabulari compatte che coprono l'intera larghezza. Preserva l'aspetto dell'infografica leggermente imperfetto e fatto a mano, con testo molto piccolo e annotazioni dense."}
Come usare questo prompt
- 1
Copia il prompt completo qui sopra.
- 2
Apri una piattaforma che supporta GPT Image 2, come YouMind, e incolla il prompt.
- 3
Cambia soggetto, stile o dettagli in base alla tua idea, poi genera.
Questo è un prompt IA gratuito della libreria di prompt di YouMind. Esplora altre migliaia di prompt immagine, tutti liberi da copiare e adattare.
Esplora altri prompt immagineAltro da GPT Image 2
Confronto color grading per scene romantiche a NYC
@CuiMao
Illustrazione editoriale in stile doodle coreano
@Sairah
Infografica coreana sui team uomo-agente
@고영혁 (Dylan Ko)
Poster sulla composizione fotografica con la sezione aurea
@BMX
Griglia di confronto: da foto a schizzo anime
@Cherry 2.O
Installazione artistica di testo in ombra
@小小东
Tutte le categorie Immagine
01
Casi d’uso
02
Stili
Altre funzioni per prompt
Libreria IA
Ricerca prompt con IA
Lascia che l'IA cerchi tra decine di migliaia di prompt. Filtra per modello, intervallo di date e parole chiave e ordina per interazione: visualizzazioni, preferiti, condivisioni e altro.
Strumenti visivi
Da immagine a prompt
Trasforma qualsiasi foto in un prompt di immagine AI dettagliato. Il convertitore gratuito da immagine a prompt analizza composizione, stile e luce per ricreare ogni look in pochi secondi.
Altre funzioni per prompt
Pensato per i creator. Gratis per sempre.
YouMind è il copilota creativo IA scelto da creator in tutto il mondo. Ogni prompt è curato per aiutarti a creare meglio e più velocemente.