LLM EU
Menü
Modelle

DeepSeek V2 Lite

DeepSeek

Nur im Katalog Offene Gewichte

Zuletzt geprüft:

Souveränität und Hosting

Nur im Katalog

Dieses Modell ist als Referenz katalogisiert. Es wird noch nicht bei LLM EU gehostet, und kein Endpunkt aus erster Hand bedient es hier. Anfragen dazu gehen direkt an den Anbieter, zu dessen eigenen Bedingungen.

Zusammenfassung

DeepSeek V2 Lite ist ein großes offenes Sprachmodell von DeepSeek: 15,7B Parameter unter deepseek (custom, tagged "other"). Das Repository wurde im Mai 2024 angelegt und liegt auf Hugging Face. Es nimmt Text entgegen und gibt Text zurück. Es ist ein Basis-Checkpoint ohne Instruct-Abstimmung. Die veröffentlichte Konfiguration verzeichnet kein Kontextfenster; diese Karte führt daher keines. Die Karte ist reiner Katalog: LLM EU betreibt dieses Modell nicht. Der Anbieter nennt auf der Modellseite keine Sprachabdeckung.

Technische Daten

Anbieter
DeepSeek (CN)
Kontextfenster
Nicht verifiziert: Der Anbieter hat diese Angabe nicht belegt.
Modellparameter
15.7B
Modalitäten
text
Lizenz
other · licence
Offene Gewichte
yes
Veröffentlichungsdatum
15. Mai 2024
Aufgaben
Programmieren, Günstig

Sprachen

Stark: —

Ausreichend: —

Stark

    Ausreichend

      Nicht verifiziert: Der Anbieter hat diese Angabe nicht belegt. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

      Wann einsetzen

      Stärken

      • open weights are published on Hugging Face and can be downloaded without a vendor agreement

      Grenzen

      • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
      • no evaluation has been run by LLM EU
      • the deepseek (other) licence is a custom agreement whose commercial terms were not established from its published text, so commercial serving is not permitted until a human clears it; the router must not route to it
      • the published configuration records no context window, so the card carries none
      • at 15.7B parameters, self-hosting needs a single accelerator with enough memory for the weights