N Neurarch Architectures Checks 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)

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 41 structural 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