N Neurarch Architectures Models Checks Data Docs Open the app

Architectures / NLP/LLM

๐Ÿ‹ DeepSeek-V3

671B MoE LLM โ€” Multi-head Latent Attention (MLA) compresses the KV cache; fine-grained MoE with shared + routed experts (DeepSeek 2024)

From DeepSeek-AI (2024). DeepSeek-V3 Technical Report. This page is the graph, not the PDF: open it, edit it, verify it, export it.

Layers
372
Parameters
666.33B
Input
1 ร— 163840
Output
1 ร— 163840 ร— 129280
Verifier
Clean

Every number on this page is computed from the graph by the same functions the app runs, not written by hand.

Open DeepSeek-V3 on the canvas Free, no account needed

When to pick it

Study a frontier MoE design: MLA for cheap long-context inference and shared-expert routing. Fold collapses the 61 repeated decoder layers to one block; expand to see the full depth.

Structure

372 layers. Output shapes are propagated from the input shape, batch dimension excluded.

LayerTypeParametersOutput shape
1InputInputshape=[1, 163840]1 ร— 163840
2EmbeddingEmbeddingvocabSize=1292801 ร— 163840 ร— 7168
3RoPE (decoupled)RoPE1 ร— 163840 ร— 7168
4RMSNorm_1_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
5MLA_1Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
6Add_1_attnAdd1 ร— 163840 ร— 7168
7RMSNorm_1_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
8FFN_1SwiGLUembedDim=7168, intermediateSize=184321 ร— 163840 ร— 7168
9Add_1_ffnAdd1 ร— 163840 ร— 7168
10RMSNorm_2_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
11MLA_2Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
12Add_2_attnAdd1 ร— 163840 ร— 7168
13RMSNorm_2_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
14FFN_2SwiGLUembedDim=7168, intermediateSize=184321 ร— 163840 ร— 7168
15Add_2_ffnAdd1 ร— 163840 ร— 7168
16RMSNorm_3_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
17MLA_3Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
18Add_3_attnAdd1 ร— 163840 ร— 7168
19RMSNorm_3_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
20FFN_3SwiGLUembedDim=7168, intermediateSize=184321 ร— 163840 ร— 7168
21Add_3_ffnAdd1 ร— 163840 ร— 7168
22RMSNorm_4_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
23MLA_4Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
24Add_4_attnAdd1 ร— 163840 ร— 7168
25RMSNorm_4_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
26MoE_4Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
27Add_4_ffnAdd1 ร— 163840 ร— 7168
28RMSNorm_5_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
29MLA_5Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
30Add_5_attnAdd1 ร— 163840 ร— 7168
31RMSNorm_5_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
32MoE_5Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
33Add_5_ffnAdd1 ร— 163840 ร— 7168
34RMSNorm_6_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
35MLA_6Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
36Add_6_attnAdd1 ร— 163840 ร— 7168
37RMSNorm_6_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
38MoE_6Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
39Add_6_ffnAdd1 ร— 163840 ร— 7168
40RMSNorm_7_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
41MLA_7Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
42Add_7_attnAdd1 ร— 163840 ร— 7168
43RMSNorm_7_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
44MoE_7Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
45Add_7_ffnAdd1 ร— 163840 ร— 7168
46RMSNorm_8_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
47MLA_8Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
48Add_8_attnAdd1 ร— 163840 ร— 7168
49RMSNorm_8_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
50MoE_8Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
51Add_8_ffnAdd1 ร— 163840 ร— 7168
52RMSNorm_9_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
53MLA_9Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
54Add_9_attnAdd1 ร— 163840 ร— 7168
55RMSNorm_9_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
56MoE_9Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
57Add_9_ffnAdd1 ร— 163840 ร— 7168
58RMSNorm_10_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
59MLA_10Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
60Add_10_attnAdd1 ร— 163840 ร— 7168
61RMSNorm_10_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
62MoE_10Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
63Add_10_ffnAdd1 ร— 163840 ร— 7168
64RMSNorm_11_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
65MLA_11Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
66Add_11_attnAdd1 ร— 163840 ร— 7168
67RMSNorm_11_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
68MoE_11Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
69Add_11_ffnAdd1 ร— 163840 ร— 7168
70RMSNorm_12_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
71MLA_12Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
72Add_12_attnAdd1 ร— 163840 ร— 7168
73RMSNorm_12_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
74MoE_12Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
75Add_12_ffnAdd1 ร— 163840 ร— 7168
76RMSNorm_13_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
77MLA_13Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
78Add_13_attnAdd1 ร— 163840 ร— 7168
79RMSNorm_13_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
80MoE_13Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
81Add_13_ffnAdd1 ร— 163840 ร— 7168
82RMSNorm_14_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
83MLA_14Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
84Add_14_attnAdd1 ร— 163840 ร— 7168
85RMSNorm_14_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
86MoE_14Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
87Add_14_ffnAdd1 ร— 163840 ร— 7168
88RMSNorm_15_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
89MLA_15Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
90Add_15_attnAdd1 ร— 163840 ร— 7168
91RMSNorm_15_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
92MoE_15Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
93Add_15_ffnAdd1 ร— 163840 ร— 7168
94RMSNorm_16_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
95MLA_16Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
96Add_16_attnAdd1 ร— 163840 ร— 7168
97RMSNorm_16_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
98MoE_16Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
99Add_16_ffnAdd1 ร— 163840 ร— 7168
100RMSNorm_17_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
101MLA_17Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
102Add_17_attnAdd1 ร— 163840 ร— 7168
103RMSNorm_17_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
104MoE_17Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
105Add_17_ffnAdd1 ร— 163840 ร— 7168
106RMSNorm_18_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
107MLA_18Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
108Add_18_attnAdd1 ร— 163840 ร— 7168
109RMSNorm_18_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
110MoE_18Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
111Add_18_ffnAdd1 ร— 163840 ร— 7168
112RMSNorm_19_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
113MLA_19Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
114Add_19_attnAdd1 ร— 163840 ร— 7168
115RMSNorm_19_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
116MoE_19Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
117Add_19_ffnAdd1 ร— 163840 ร— 7168
118RMSNorm_20_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
119MLA_20Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
120Add_20_attnAdd1 ร— 163840 ร— 7168
121RMSNorm_20_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
122MoE_20Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
123Add_20_ffnAdd1 ร— 163840 ร— 7168
124RMSNorm_21_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
125MLA_21Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
126Add_21_attnAdd1 ร— 163840 ร— 7168
127RMSNorm_21_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
128MoE_21Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
129Add_21_ffnAdd1 ร— 163840 ร— 7168
130RMSNorm_22_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
131MLA_22Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
132Add_22_attnAdd1 ร— 163840 ร— 7168
133RMSNorm_22_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
134MoE_22Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
135Add_22_ffnAdd1 ร— 163840 ร— 7168
136RMSNorm_23_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
137MLA_23Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
138Add_23_attnAdd1 ร— 163840 ร— 7168
139RMSNorm_23_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
140MoE_23Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
141Add_23_ffnAdd1 ร— 163840 ร— 7168
142RMSNorm_24_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
143MLA_24Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
144Add_24_attnAdd1 ร— 163840 ร— 7168
145RMSNorm_24_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
146MoE_24Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
147Add_24_ffnAdd1 ร— 163840 ร— 7168
148RMSNorm_25_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
149MLA_25Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
150Add_25_attnAdd1 ร— 163840 ร— 7168
151RMSNorm_25_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
152MoE_25Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
153Add_25_ffnAdd1 ร— 163840 ร— 7168
154RMSNorm_26_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
155MLA_26Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
156Add_26_attnAdd1 ร— 163840 ร— 7168
157RMSNorm_26_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
158MoE_26Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
159Add_26_ffnAdd1 ร— 163840 ร— 7168
160RMSNorm_27_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
161MLA_27Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
162Add_27_attnAdd1 ร— 163840 ร— 7168
163RMSNorm_27_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
164MoE_27Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
165Add_27_ffnAdd1 ร— 163840 ร— 7168
166RMSNorm_28_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
167MLA_28Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
168Add_28_attnAdd1 ร— 163840 ร— 7168
169RMSNorm_28_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
170MoE_28Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
171Add_28_ffnAdd1 ร— 163840 ร— 7168
172RMSNorm_29_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
173MLA_29Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
174Add_29_attnAdd1 ร— 163840 ร— 7168
175RMSNorm_29_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
176MoE_29Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
177Add_29_ffnAdd1 ร— 163840 ร— 7168
178RMSNorm_30_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
179MLA_30Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
180Add_30_attnAdd1 ร— 163840 ร— 7168
181RMSNorm_30_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
182MoE_30Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
183Add_30_ffnAdd1 ร— 163840 ร— 7168
184RMSNorm_31_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
185MLA_31Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
186Add_31_attnAdd1 ร— 163840 ร— 7168
187RMSNorm_31_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
188MoE_31Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
189Add_31_ffnAdd1 ร— 163840 ร— 7168
190RMSNorm_32_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
191MLA_32Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
192Add_32_attnAdd1 ร— 163840 ร— 7168
193RMSNorm_32_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
194MoE_32Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
195Add_32_ffnAdd1 ร— 163840 ร— 7168
196RMSNorm_33_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
197MLA_33Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
198Add_33_attnAdd1 ร— 163840 ร— 7168
199RMSNorm_33_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
200MoE_33Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
201Add_33_ffnAdd1 ร— 163840 ร— 7168
202RMSNorm_34_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
203MLA_34Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
204Add_34_attnAdd1 ร— 163840 ร— 7168
205RMSNorm_34_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
206MoE_34Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
207Add_34_ffnAdd1 ร— 163840 ร— 7168
208RMSNorm_35_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
209MLA_35Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
210Add_35_attnAdd1 ร— 163840 ร— 7168
211RMSNorm_35_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
212MoE_35Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
213Add_35_ffnAdd1 ร— 163840 ร— 7168
214RMSNorm_36_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
215MLA_36Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
216Add_36_attnAdd1 ร— 163840 ร— 7168
217RMSNorm_36_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
218MoE_36Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
219Add_36_ffnAdd1 ร— 163840 ร— 7168
220RMSNorm_37_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
221MLA_37Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
222Add_37_attnAdd1 ร— 163840 ร— 7168
223RMSNorm_37_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
224MoE_37Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
225Add_37_ffnAdd1 ร— 163840 ร— 7168
226RMSNorm_38_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
227MLA_38Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
228Add_38_attnAdd1 ร— 163840 ร— 7168
229RMSNorm_38_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
230MoE_38Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
231Add_38_ffnAdd1 ร— 163840 ร— 7168
232RMSNorm_39_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
233MLA_39Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
234Add_39_attnAdd1 ร— 163840 ร— 7168
235RMSNorm_39_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
236MoE_39Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
237Add_39_ffnAdd1 ร— 163840 ร— 7168
238RMSNorm_40_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
239MLA_40Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
240Add_40_attnAdd1 ร— 163840 ร— 7168
241RMSNorm_40_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
242MoE_40Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
243Add_40_ffnAdd1 ร— 163840 ร— 7168
244RMSNorm_41_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
245MLA_41Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
246Add_41_attnAdd1 ร— 163840 ร— 7168
247RMSNorm_41_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
248MoE_41Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
249Add_41_ffnAdd1 ร— 163840 ร— 7168
250RMSNorm_42_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
251MLA_42Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
252Add_42_attnAdd1 ร— 163840 ร— 7168
253RMSNorm_42_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
254MoE_42Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
255Add_42_ffnAdd1 ร— 163840 ร— 7168
256RMSNorm_43_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
257MLA_43Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
258Add_43_attnAdd1 ร— 163840 ร— 7168
259RMSNorm_43_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
260MoE_43Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
261Add_43_ffnAdd1 ร— 163840 ร— 7168
262RMSNorm_44_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
263MLA_44Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
264Add_44_attnAdd1 ร— 163840 ร— 7168
265RMSNorm_44_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
266MoE_44Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
267Add_44_ffnAdd1 ร— 163840 ร— 7168
268RMSNorm_45_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
269MLA_45Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
270Add_45_attnAdd1 ร— 163840 ร— 7168
271RMSNorm_45_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
272MoE_45Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
273Add_45_ffnAdd1 ร— 163840 ร— 7168
274RMSNorm_46_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
275MLA_46Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
276Add_46_attnAdd1 ร— 163840 ร— 7168
277RMSNorm_46_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
278MoE_46Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
279Add_46_ffnAdd1 ร— 163840 ร— 7168
280RMSNorm_47_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
281MLA_47Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
282Add_47_attnAdd1 ร— 163840 ร— 7168
283RMSNorm_47_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
284MoE_47Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
285Add_47_ffnAdd1 ร— 163840 ร— 7168
286RMSNorm_48_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
287MLA_48Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
288Add_48_attnAdd1 ร— 163840 ร— 7168
289RMSNorm_48_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
290MoE_48Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
291Add_48_ffnAdd1 ร— 163840 ร— 7168
292RMSNorm_49_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
293MLA_49Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
294Add_49_attnAdd1 ร— 163840 ร— 7168
295RMSNorm_49_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
296MoE_49Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
297Add_49_ffnAdd1 ร— 163840 ร— 7168
298RMSNorm_50_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
299MLA_50Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
300Add_50_attnAdd1 ร— 163840 ร— 7168
301RMSNorm_50_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
302MoE_50Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
303Add_50_ffnAdd1 ร— 163840 ร— 7168
304RMSNorm_51_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
305MLA_51Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
306Add_51_attnAdd1 ร— 163840 ร— 7168
307RMSNorm_51_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
308MoE_51Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
309Add_51_ffnAdd1 ร— 163840 ร— 7168
310RMSNorm_52_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
311MLA_52Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
312Add_52_attnAdd1 ร— 163840 ร— 7168
313RMSNorm_52_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
314MoE_52Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
315Add_52_ffnAdd1 ร— 163840 ร— 7168
316RMSNorm_53_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
317MLA_53Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
318Add_53_attnAdd1 ร— 163840 ร— 7168
319RMSNorm_53_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
320MoE_53Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
321Add_53_ffnAdd1 ร— 163840 ร— 7168
322RMSNorm_54_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
323MLA_54Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
324Add_54_attnAdd1 ร— 163840 ร— 7168
325RMSNorm_54_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
326MoE_54Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
327Add_54_ffnAdd1 ร— 163840 ร— 7168
328RMSNorm_55_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
329MLA_55Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
330Add_55_attnAdd1 ร— 163840 ร— 7168
331RMSNorm_55_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
332MoE_55Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
333Add_55_ffnAdd1 ร— 163840 ร— 7168
334RMSNorm_56_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
335MLA_56Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
336Add_56_attnAdd1 ร— 163840 ร— 7168
337RMSNorm_56_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
338MoE_56Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
339Add_56_ffnAdd1 ร— 163840 ร— 7168
340RMSNorm_57_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
341MLA_57Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
342Add_57_attnAdd1 ร— 163840 ร— 7168
343RMSNorm_57_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
344MoE_57Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
345Add_57_ffnAdd1 ร— 163840 ร— 7168
346RMSNorm_58_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
347MLA_58Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
348Add_58_attnAdd1 ร— 163840 ร— 7168
349RMSNorm_58_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
350MoE_58Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
351Add_58_ffnAdd1 ร— 163840 ร— 7168
352RMSNorm_59_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
353MLA_59Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
354Add_59_attnAdd1 ร— 163840 ร— 7168
355RMSNorm_59_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
356MoE_59Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
357Add_59_ffnAdd1 ร— 163840 ร— 7168
358RMSNorm_60_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
359MLA_60Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
360Add_60_attnAdd1 ร— 163840 ร— 7168
361RMSNorm_60_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
362MoE_60Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
363Add_60_ffnAdd1 ร— 163840 ร— 7168
364RMSNorm_61_1RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
365MLA_61Multi-Head Latent AttentionembedDim=7168, numHeads=1281 ร— 163840 ร— 7168
366Add_61_attnAdd1 ร— 163840 ร— 7168
367RMSNorm_61_2RMSNormnormalizedShape=71681 ร— 163840 ร— 7168
368MoE_61Shared-Expert MoEembedDim=7168, numExperts=256, topK=81 ร— 163840 ร— 7168
369Add_61_ffnAdd1 ร— 163840 ร— 7168
370Final_RMSNormRMSNormnormalizedShape=71681 ร— 163840 ร— 7168
371LM_HeadLinearoutFeatures=129280, inFeatures=71681 ร— 163840 ร— 129280
372OutputOutput1 ร— 163840 ร— 129280

What the verifier says

The same 43 single-graph checks that run on every edit in the app, on this graph.

infoAt 61 stacked attention layers, residual-branch outputs add up; unscaled init lets activation variance grow with depth. GPT-2/LLaMA-family models scale the residual projections by depth (N(0, 0.02 / โˆš(2L))). Fix: Scale residual output projections by depth: nn.init.normal_(w, std=0.02 / math.sqrt(2 * n_layers)) (MLA_1)
deep-attention-default-init

The PyTorch it exports

Generated from the graph above. First 46 lines; the app exports the whole file, plus the training loop, the data contract and a deploy bundle.

# Architecture designed with Neurarch: https://neurarch.com
# PyTorch: compatible with Python 3.8+ and torch>=1.12
# Colab: pip install torch torchvision  (usually pre-installed)

import torch
import torch.nn as nn
import torch.nn.functional as F
from typing import Tuple

class SharedExpertMoE(nn.Module):
    """Shared-expert MoE: top-k routed experts plus always-on shared experts."""
    def __init__(self, embed_dim, num_experts, num_shared, expert_dim, top_k):
        super().__init__()
        def expert():
            return nn.ModuleDict({
                'gate_proj': nn.Linear(embed_dim, expert_dim, bias=False),
                'up_proj':   nn.Linear(embed_dim, expert_dim, bias=False),
                'down_proj': nn.Linear(expert_dim, embed_dim, bias=False),
            })
        self.router  = nn.Linear(embed_dim, num_experts, bias=False)
        self.experts = nn.ModuleList([expert() for _ in range(num_experts)])
        self.shared  = nn.ModuleList([expert() for _ in range(num_shared)])
        self.top_k   = top_k

    @staticmethod
    def _ffn(e, x):
        return e['down_proj'](F.silu(e['gate_proj'](x)) * e['up_proj'](x))

    def forward(self, x):
        scores = self.router(x).softmax(dim=-1)
        top_w, top_i = scores.topk(self.top_k, dim=-1)
        out = x.new_zeros(x.shape) + sum(self._ffn(s, x) for s in self.shared)
        flat_x, flat_o = x.reshape(-1, x.size(-1)), out.reshape(-1, x.size(-1))
        flat_i, flat_w = top_i.reshape(-1, self.top_k), top_w.reshape(-1, self.top_k)
        for e_idx in flat_i.unique():
            hit  = flat_i == e_idx
            rows = hit.any(dim=-1)
            w    = (flat_w * hit).sum(dim=-1)[rows].unsqueeze(-1)
            flat_o[rows] += w * self._ffn(self.experts[int(e_idx)], flat_x[rows])
        return flat_o.view_as(x)

class DeepSeek_V3(nn.Module):
    def __init__(self):
        super().__init__()

        self.embedding_1 = nn.Embedding(129280, 7168)

For agents

This architecture is machine-readable end to end. An agent can list the set, fetch this graph, edit it, and have the edit verified before any GPU time is spent.

Also in NLP/LLM

๐Ÿค– Transformer Block
Transformer encoder block
8 layers ยท 7.09M
๐Ÿ“– BERT Base
BERT-Base encoder โ€” bidirectional MHA
11 layers ยท 31.12M
๐Ÿง  GPT-2
GPT-2 Small โ€” causal transformer block
12 layers ยท 84.33M
๐Ÿฆ™ LLaMA-3 Block
LLaMA-3 decoder block โ€” GQA
10 layers ยท 702.55M