DeepSeek V3 與 V4 架構比較圖
一張並排展示的密集技術資訊圖，比較了 DeepSeek V3/R1 和 DeepSeek V4 Transformer 架構，適用於社群媒體貼文、簡報或模型分析視覺化。
這是一個平面海報的gpt-image-2範例。請使用下方可直接使用的提示資訊產生類似的視覺素材，並在重複使用前查看Awesome Nano Banana Pro Prompts署名和商業用途授權資訊。
需要完整的提示符號集？請使用 平面海報 主題中心提供更多相關範例，或打開 GPT 影像 2 提示庫 有關完整範例索引、可重複使用結構和來源歸屬的資訊。
提示詞
可直接複製的提示
{ "type": "並排AI架構比較資訊圖", "style": "簡潔的技術圖表，白色背景，黑色細輪廓，圓角矩形，虛線註解框，顏色編碼高亮，示範風格，向量資訊圖。", "canvas": { "aspect_ratio": "2:1", "resolution": V3/R1（6,710億參數）", "right_title": "DeepSeek V4（1.2兆參數）", "left_title_color": "亮橙紅色", "right_title_color": "亮藍色" }, "layout": { "coeekns": 2, "sections": "亮藍色" }, "layout": { "coeekns": 2, "sections": "亮藍色" }, "layout": { "coeekns": 2, "sections": "D.36" "position": "左半部", "count": 9, "labels": [ "詞彙量129k", "FeedForward" （SwiGLU）模組，"中間隱藏層的維度為 2,048。", "MoE 層", "支援 128k 標記上下文長度", "前三個模組使用隱藏層大小為前三個模組的隱藏層大小為前三個 FN 23, "範例文字輸入", "嵌入維度 7,168", "128 個注意力頭" ] }, { "title": "DeepSeek V4（1.2 兆個參數）", "position": "右半部", "count": 9, "labels": [ "詞彙表大小 160k", "前（Swik", "E7": [ "詞彙表大小 160k", "前（Swik"）層", "支援 256k 標記上下文長度", "前三個模組使用隱藏層大小為 24,576 的密集 FFN 而不是 MoE。的活動參數數", "隱藏層大小", "範例維度", "DeepSeek V3/R1", "中間層 (FF)", "注意力", "上下文長度", "嵌入維度", "詞彙表大小" ] } ] }, "left_panel": { "background": "淺灰色圓角字角尺寸" ] } ] }, "left_panel": { "background": "淺灰色圓角字角尺寸" ] } ] }, "left_panel": { "background": "淺灰色圓角字角尺寸" ] } ] }stack "RMSNorm 1", "多頭潛在註意力 (MLA)", "RMSNorm 2", "MoE", "最終，RMSNorm", "線性輸出層" ] }, "side_module": "RoPE 連接到左側的注意力模組。 ”, "attention_block": { "label": "多頭潛在註意力 (MLA)", "accent": "單字「Latent」以橙紅色字體顯示。 " }, "feedforward_inset": { "title": "前饋 (SwiGLU) 模組", "count": 4, "blocks": [ "線性層", "SiLU 啟動函數", "線性層", "線性層" ], "diagram": "將兩個分支相乘，然後投影它們。 " }, "moe_inset": { "title": "MoE 層", "count": 5, "blocks": [ "頂層複合節點", "前饋網絡", "前饋網絡", "路由", "專家計數徽章 256" ], "details": "一個黑色小方塊，其中包含一個選定的箭頭" }, "annotations": { "vocab": "詞彙表大小 129k", "ff_dim": "中間隱藏層的維度為 2,048。 ", "context": "支援 128k 個字元的上下文長度", "dense_first_blocks": "前三個區塊使用隱藏層大小為 18,432 的密集前饋神經網路 (FFN)，而不是 MoE。 ", "resource_savings": "資源節省：模型大小為 671 位元組，但每個詞元僅啟動 1 個（共享）+ 8 個專家；每次推理步驟僅啟動 37 位元組的參數。 " }, "bottom_stats": { "count": 10, "items": [ "參數總數：671B", "每個標記的活動參數：37B (1 + 8 個專家)", "隱藏層大小：7,128", "範例維度：28,432", " 中間層 (FF):20128", "範例維度：28,432", "k28" 3 個區塊", "上下文長度：22G7", "詞彙表大小：129k" ] } }, "right_panel": { "background": "淺藍色圓角矩形", "main_stack": { "count": 8, "blocks": { "分詞文字", "標記嵌入層」, "Norm 1" "最終， RMSNorm", "線性輸出層" ] }, "side_module": "RoPE 連接到左側的注意力模組。 ", "attention_block": { "label": "多頭潛在註意力 (MLA)", "accent": "單字「Latent」為藍色文字。 " }, "feedforward_inset": { "title": "前饋（SwiGLU）模組", "count": 4, "blocks": [ "線性層", "SiLU激活函數", "線性層", "線性層" ], "diagram": "與左側面板結構相同： "頂層複合節點", "前饋網路", "前饋網路", "路由", "專家計數徽章384" ], "details": "一個黑色小方塊，其中包含一位選定的專家，一個指向該專家的箭頭，一個虛線分隔符，以及一個用於強調的藍色邊框。 " }, "annotations": { "vocab": "詞彙量 160k", "ff_dim": "中間隱藏層的維度為 3,072。 ", "context": "支援 256k 個 token 的上下文長度", "dense_first_blocks": "前三個區塊使用隱藏層大小為 24,576 的密集前饋神經網路 (FFN)，而不是 MoE。 ", "resource_savings": "資源節省：模型大小為 1.2T，但每個 token 僅啟動 1 個（共享）+ 8 個專家；每次推理步驟僅啟動 52B 個參數。 " }, "bottom_stats": { "count": 10, "items": [ "總參數：1.2T", "每個 token 的活動參數：52B (1 + 8 個專家)", "隱藏層大小：7.2B", "範例維度：28,432", "中間層 (FF) 長"嵌入維度：前 3 個區塊", "上下文長度：22G7", "詞彙表大小：160k" ] } }, "global_notes": "使用鏡像佈局建立一個高度詳細的 Transformer 架構比較圖。每一半包含一個大型模型堆疊圖和兩個插圖：一個前饋模組和一個 MoE 層。在區塊之間使用箭頭，新增小的技術標籤，並使用連接線將標籤連結到相關元件。保持字體簡潔且類似演示文稿，所有文字均使用橙紅色。 V3/R1 版本使用藍色，所有 V4 版本使用藍色。底部包含一個全寬的緊湊型指標表。保留略帶瑕疵的手繪資訊圖風格，文字較小，註解密集。此類案例更多
按類別、輸入模式相容性、品質和低風險進行優先排序。
重用和來源註釋
預覽案例後，請謹慎使用此提示。
- 1.複製提示或直接在 Dovoo 中使用生成按鈕開啟提示。
- 2.根據您的實際使用情況調整變數、寬高比和參考影像。
- 3.發布或付費使用前，請確認版權、署名要求以及品牌或肖像權風險。