> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/zh/mo-xing/deepseek-v4.md).

# DeepSeek-V4：如何本地运行

DeepSeek-V4，DeepSeek-V4-**Pro-0813**，以及 DeepSeek-V4-**Flash-0731** 是新的开放权重模型——Flash 变体有 284B 参数（13B 激活），而 V4-Pro 有 1.6T（49B 激活）。 **V4-Pro-0813**，于 **8月13日**，性能可匹配 Claude-4.8-Opus，而 **V4-Flash-0731**，于 **7月31日**，在同级别中表现最佳，并且 **优于 V4-Pro** （预览）。专为编码、智能体和聊天工作流打造，配备 **100万上下文窗口**，本指南将展示如何使用 Unsloth Dynamic GGUF 和 [Unsloth Desktop](/docs/zh/desktop.md).

对于 **无损** DeepSeek，请使用 Q8（`UD-Q8_K_XL`），它只比 **大 7GB** 比 Q4（`UD-Q4_K_XL`）。 无损 8 位 GGUF 为 **162 GB** ，3 位为 **103GB** 可运行于 **110GB RAM** 设备**.** DeepSeek-V4-Flash-0731 在 Terminal Bench 2.1 上得分 82.7%，在 DeepSWE 上得分 54.4%，在 NL2Repo 上得分 54.2%。 [DSpark](#dspark-speculative-decoding) 也已为 GGUF 启用，可实现最高 **2 倍更快的解码速度**!

{% hint style="success" %}
**8月13日：** DeepSeek-**V4-Pro-0813** 已发布，并且 [量化版本现已](https://huggingface.co/unsloth/DeepSeek-V4-Pro-0813-GGUF) 可运行。
{% endhint %}

{% hint style="success" %}
**8月6日：已为 DeepSeek-V4-Flash-0731 启用 DSpark——推理速度提升 1.5 倍到 1.9 倍！DSpark 会在** [**Unsloth**](#unsloth-studio-guide)**.**

我们还改进了 [DeepSeek-V4 聊天 jinja 模板](#deepseek-v4-chat-template-improvements)，并对 4000 多轮对话进行了测试，与官方基线等效。
{% endhint %}

| [DeepSeek-V4-Pro-0813-GGUF](https://huggingface.co/unsloth/DeepSeek-V4-Pro-0813-GGUF) | [DeepSeek-V4-Flash-**0731**-GGUF](https://huggingface.co/unsloth/DeepSeek-V4-Flash-0731-GGUF) | [DeepSeek-V4-Flash-GGUF](https://huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF) |
| ------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------- |

<a href="/pages/8cefdd6ae681e7680f74c7b6a344fd7c21933ee8#usage-guide" class="button primary">使用指南</a><a href="/pages/8cefdd6ae681e7680f74c7b6a344fd7c21933ee8#run-deepseek-v4-flash-tutorials" class="button primary">运行教程</a>

### 📊 量化分析

我们的 `UD-Q8_K_XL` 量化版本完全无损。DeepSeek-V4-Flash 是 [经过量化感知训练的](/docs/zh/bo-ke/quantization-aware-training-qat.md)：官方检查点将其路由专家（占模型 96%）原生存储为 MXFP4，其余部分存储为 FP8 或 BF16。GGUF 的 MXFP4 正好是这种格式，因此我们将专家按位重新打包，而 FP8 反量化到 BF16 时不会产生舍入误差。我们将每个张量与官方 DeepSeek 权重逐一核对：1,328 个全部比特完全一致，并且在推理时仍保持无损（KL 散度约为 0，top token 100% 一致）。

**非**-Unsloth DeepSeek-V4-Flash GGUF 是在没有这些路径的情况下转换的，因此与官方权重存在偏差。 `UD-Q4_K_XL` 保持完全相同的按位一致专家，仅将非专家张量（模型的 4%）量化为 Q8\_0，因此在大小和质量上都正好位于 Q8 附近。

<div align="left"><figure><img src="/files/8f29a9f74f33e8dd0c8ce3e4d97b453414ab0c58" alt="" width="563"><figcaption></figcaption></figure> <figure><img src="/files/46726f88c8ac658263b6266a1dca8ce9fb5e3b18" alt="" width="563"><figcaption></figcaption></figure></div>

与官方权重相比，两个 Unsloth 量化版本都处于质量/大小前沿。UD-Q8\_K\_XL 是唯一的无损方案。UD-Q4\_K\_XL 与其他社区 MXFP4 格式一致，并且比 Q4\_K-experts 转换更准确，后者体积更大却达到 0.029 KLD。

<div align="left"><figure><img src="/files/e3b898a627d874fd6c1fd0420f2a00170560a468" alt="" width="563"><figcaption></figcaption></figure></div>

按层分解的误差表明了原因。保留原生 MXFP4 专家意味着每一层的权重误差都是 0%。将专家重新量化为 Q4\_K 或 IQ2\_XXS 的转换几乎会对每个权重进行舍入：Q4\_K 为 5%，IQ2\_XXS 超过 30%。

<div align="left"><figure><img src="/files/11b73e0c7fa25f3c535f63d4f8bbc717073fba6c" alt="" width="563"><figcaption><p>我们的 MXFP4 在全部 840 万个权重上误差恰为 0，而 Q4_K 作为另一种 4 位网格，必须对每个权重进行舍入（RMSE 为 5.2%）。</p></figcaption></figure></div>

我们还发现，对某些张量使用 Q8\_0 和 F16 并非无损，而且由于 DeepSeek 对 MXFP4 / FP8 进行了 QAT 以使其正常工作，情况会更糟，所以我们必须直接将它们保留为 BF16。因此，要获得真正无损的量化，请使用 UD-Q8\_K\_XL，而 UD-Q4\_K\_XL 会将部分 BF16 项下转换为 Q8\_0。

关于完整的 [GGUF 基准测试表，请看这里](#gguf-benchmarks).

### :speech\_balloon: DeepSeek V4 聊天模板改进

我们还改进了 DeepSeek-V4 聊天 jinja 模板，并对 4000 多轮对话进行测试，结果与黄金基线（官方 DS4）等效。

我们添加了 `reasoning_effort` 并且你可以选择 `max、high` 就像官方 DeepSeek-V4 一样。我们按照 DS4 预置了正确的系统提示，并遵循了 gpt-oss 的风格。

而对于工具调用， `reasoning_content` DS4 保留了 reasoning\_content，但 jinja 聊天模板会将其排除。我们把它加回来了。

#### **禁用思考，调整推理强度**

DeepSeek-V4 默认使用推理。它还支持推理强度，其中 `reasoning_effort` 可以是“high”、“max”或禁用。

要禁用思考，请使用 `--chat-template-kwargs '{"enable_thinking":false}'`。如果你使用的是 **Windows** PowerShell，请使用： `--chat-template-kwargs "{\"enable_thinking\":false}"`

你也可以使用 `--reasoning on` 或 `--reasoning off` 现在也可以在 llama.cpp 中使用！

要自定义推理强度或禁用推理，请使用以下示例：

```bash
--chat-template-kwargs '{"reasoning_effort":"max"}'
--chat-template-kwargs '{"reasoning_effort":"high"}'
--chat-template-kwargs '{"enable_thinking":false}'
```

### ⚙️ 使用指南

DeepSeek-V4-Flash 比 DeepSeek-V4-Pro 更小、更快，具有 **284B** 参数（13B 激活），并且有一个 **100万上下文窗口**。该模型有 3 种模式， **非思考**, **思考** **高** 和 **思考** **最大**.&#x20;

建议使用 `UD-IQ3_XXS` 它是 **103GB** 以获得最佳效果。由于文件大小不包含 KV 缓存和上下文分配，请尽量至少拥有 **110GB RAM** 来运行该模型。

该 `UD-Q8_K_XL` 量化版本是以完整原始精度保存的 DeepSeek-V4-Flash。其大小为 162GB，最好至少拥有 169GB 可用 RAM/VRAM。

**表：推理硬件需求** （单位 = 总内存：RAM + VRAM，或统一内存）

<table><thead><tr><th>格式</th><th width="129.8004150390625">1 位</th><th width="130.85650634765625">2 位</th><th width="140.26702880859375">3 位</th><th>4 位（近乎无损）</th><th>Q8_K_XL（无损）</th></tr></thead><tbody><tr><td>标准</td><td>92 GB</td><td>102 GB</td><td>110-135 GB</td><td>162 GB</td><td>169 GB</td></tr><tr><td>DSpark</td><td>102 GB</td><td>112 GB</td><td>120-145 GB</td><td>172 GB</td><td>179 GB</td></tr></tbody></table>

{% hint style="info" %}
**DSpark 比标准模式使用更多 VRAM**，因此请预留 **约 10 GB** 额外的 RAM/VRAM 余量。
{% endhint %}

{% hint style="success" %}
为了获得最佳性能，请确保包括 VRAM 和系统 RAM 在内的总可用内存，明显大于量化模型文件大小。
{% endhint %}

### 推荐设置

DeepSeek 为获得最佳性能推荐以下参数： `temperature = 1.0`, `top-p = 1.0`。对于 **DeepSeek-V4-Flash-0731** 以及智能体场景， `top-p = 0.95` 则建议改用，并且 `top-p = 1.0` 用于其他任务。

**Think High 默认开启。** 如果已禁用，你可以通过以下方式启用： `--chat-template-kwargs '{"enable_thinking":true}'` 或者通过以下界面下拉菜单切换： [Unsloth](#unsloth-studio-guide). [#deepseek-v4-chat-template-improvements](#deepseek-v4-chat-template-improvements "mention")

{% columns %}
{% column width="50%" %}

| DeepSeek-V4-Flash-0731 |
| ---------------------- |
| `temperature = 1.0`    |
| `top-p = 1.0`          |
| `top-p = 0.95` （仅限智能体） |
| {% endcolumn %}        |

{% column width="50%" %}

| 旧版 DeepSeek-V4-Flash 和 V4-Pro |
| ----------------------------- |
| `temperature = 1.0`           |
| `top-p = 1.0`                 |
| {% endcolumn %}               |
| {% endcolumns %}              |

* **最大上下文窗口：** `1,048,576`
* 对于 Think Max，请将上下文设置至少为 **384K tokens**.

## 运行 DeepSeek-V4-Flash 教程：

在本教程中，我们将使用 3 位量化版本 `UD-IQ3_XXS`，因为它适合 128GB RAM 设备。将 `UD-IQ3_XXS` 替换为 `UD-Q8_K_XL` （原始质量）或其他量化版本，如果你的机器有足够内存。现在你可以在 [Unsloth Desktop](#run-in-unsloth-studio) . **DSpark 会自动在** [**Unsloth**](#unsloth-studio-guide)**.**

<a href="/pages/8cefdd6ae681e7680f74c7b6a344fd7c21933ee8#unsloth-studio-guide" class="button primary">🦥 Unsloth 指南</a><a href="/pages/8cefdd6ae681e7680f74c7b6a344fd7c21933ee8#llama.cpp-guide" class="button primary">🦙 Llama.cpp 指南</a><a href="/pages/8cefdd6ae681e7680f74c7b6a344fd7c21933ee8#dspark-speculative-decoding" class="button secondary">⚡DSpark 指南</a>

### 🦥 Unsloth 指南

DeepSeek-V4-Flash-0731 现在可以在以下环境中运行和训练： [Unsloth](/docs/zh/xin/studio.md)，这是我们面向本地 AI 的新开源界面。Unsloth Desktop 让你可以在本地运行模型，支持 **MacOS**, **Windows**、Linux 以及：

{% columns %}
{% column %}

* 搜索、下载、 [运行 GGUF](/docs/zh/xin/studio.md#run-models-locally) 和 safetensor 模型
* [**自我修复** 工具调用](/docs/zh/xin/studio.md#execute-code--heal-tool-calling) + **网页搜索**
* [**代码执行**](/docs/zh/xin/studio.md#run-models-locally) （Python、Bash）
* [自动推理](https://unsloth.ai/docs/desktop#feature-deep-dive) 参数调优（temp、top-p 等）
* 通过 llama.cpp 实现快速 CPU + GPU 推理
* [训练 LLM](/docs/zh/xin/studio.md#no-code-training) 速度快 2 倍，VRAM 占用减少 70%
  {% endcolumn %}

{% column %}

<figure><img src="/files/a9e4d7f6600764ad08c7692074f2d76557e5c6e1" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% stepper %}
{% step %}

#### 安装 Unsloth

开始使用的最简单方法是下载 [Unsloth Desktop 应用](/docs/zh/desktop.md)。适用于 [macOS](/docs/zh/kuai-su-kai-shi/install/mac.md), [Windows](/docs/zh/kuai-su-kai-shi/install/windows-installation.md)，以及 [Linux](/docs/zh/kuai-su-kai-shi/install/linux.md).

<a href="https://unsloth.ai/download" class="button primary" data-icon="down-to-bracket">下载 Unsloth</a>

* <i class="fa-apple">:apple:</i> [下载 macOS 版本](https://unsloth.ai/download/mac)
* <i class="fa-windows">:windows:</i> [下载 Windows 版本](https://unsloth.ai/download/windows)
* <i class="fa-linux">:linux:</i> [下载 Linux 版本](https://unsloth.ai/download/linux)

或者，如果你更喜欢手动安装：

MacOS、Linux、WSL：

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

Windows PowerShell：

```bash
irm https://unsloth.ai/install.ps1 | iex
```

{% endstep %}

{% step %}

#### 搜索并下载 DeepSeek-V4-Flash

前往 [Unsloth Chat](/docs/zh/xin/studio/chat.md) 或 Model hub，在搜索栏中搜索 DeepSeek-V4-Flash，并下载你想要的模型和量化版本。

<figure><img src="/files/7d64b142d28366424001cd2fa0f7c9ebb0afe846" alt=""><figcaption></figcaption></figure>
{% endstep %}

{% step %}

#### 运行 DeepSeek-V4-Flash-0731

使用 Unsloth 时推理参数应会自动设置，不过你仍然可以手动更改。由于 **Think High 默认开启**，你可以在右侧下拉菜单中将其切换为 Non-think 或 Think Max。你也可以编辑上下文长度、聊天模板和其他设置。 **DSpark 会自动在** [**Unsloth**](#unsloth-studio-guide)**.**

更多信息可查看我们的 [Unsloth 推理指南](/docs/zh/xin/studio/chat.md).

<figure><img src="/files/59d449ad3ff706765e5e59b908bb8e80184d4383" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

### 🦙 Llama.cpp 指南

{% stepper %}
{% step %}
获取最新的 `llama.cpp` **在** [**GitHub 上获取**](https://github.com/ggml-org/llama.cpp)。你也可以按照下面的构建说明操作。将 `-DGGML_CUDA=ON` 改为 `-DGGML_CUDA=OFF` 如果你没有 GPU，或者只想进行 CPU 推理。 **对于 Apple Mac / Metal 设备**，设置 `-DGGML_CUDA=OFF` 然后照常继续——Metal 支持默认开启。

```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \\
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

{% endstep %}

{% step %}
你现在可以使用 `llama.cpp` 直接来加载和下载模型，就像 `ollama run`。 `IQ3_XXS`。另外还可以使用 `export LLAMA_CACHE="folder"` 以强制 `llama.cpp` 保存到指定位置。请注意，此下载过程可能非常慢，因此最好使用下一节中的手动下载方式。

```bash
export LLAMA_CACHE="unsloth/DeepSeek-V4-Flash-0731-GGUF"
./llama.cpp/llama-cli \\
    -hf unsloth/DeepSeek-V4-Flash-0731-GGUF:UD-IQ3_S \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.01
```

{% endstep %}

{% step %}
如果你想手动下载模型，在安装 `pip install huggingface_hub`之后，可以通过下面的代码下载模型。如果下载卡住，请参见： [Hugging Face Hub，XET 调试](/docs/zh/ji-chu/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md)

```bash
hf download unsloth/DeepSeek-V4-Flash-0731-GGUF \\
    --local-dir unsloth/DeepSeek-V4-Flash-0731-GGUF \\
    --include "*UD-IQ3_S*" # 4 位请使用 "*UD-IQ4_XS*"
```

{% endstep %}

{% step %}
你可以修改 `--threads 32` 以设置 CPU 线程数， `--ctx-size 32768` 以设置上下文长度， `--n-gpu-layers 2` 以指定有多少层进行 GPU 卸载。如果 GPU 显存不足，可以尝试调整；如果你只进行 CPU 推理，也请移除它。

{% code overflow="wrap" %}

```bash
./llama.cpp/llama-cli \\
    --model unsloth/DeepSeek-V4-Flash-0731-GGUF/UD-IQ3_S/DeepSeek-V4-Flash-0731-UD-IQ3_S-00001-of-00004.gguf \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.01
```

{% endcode %}
{% endstep %}
{% endstepper %}

## :zap:DSpark - 推测解码

DeepSeek-V4-Flash-0731 原生支持 DSpark，可实现最高 **2 倍更快的解码速度**！DSpark 是 DeepSeek 推出的一种新算法，优于朴素 MTP，并在这篇 [论文](https://arxiv.org/abs/2607.05147)。DSpark 使 DeepSeek-V4-Flash 达到 **120 tokens/s** ，在 B200 GPU 上相较于原始 60 tokens/s 基线。 **DSpark 会在** [**Unsloth**](#unsloth-studio-guide) **本地界面中自动启用。**

Llama.cpp 将 DSpark 集成到了 [PR 25784](https://github.com/ggml-org/llama.cpp/pull/25784) 中，并进一步改进了多 GPU 等功能。我们展示使用 `--spec-draft-n-max 3` 作为一个不错的默认值，可实现 1.9 倍更快的推理速度。更大的值似乎会更慢。

<figure><img src="/files/c44800116217d39302c8943c37996061c14297d2" alt=""><figcaption></figcaption></figure>

请同时下载 drafter 和 GGUF——我们制作了 2 个 Q8\_0 和一个无损 BF16 版本。注意，DSpark 需要额外约 10GB 内存，因此 128GB 机器需要 IQ3\_XXS 和 Q8\_0

{% code overflow="wrap" %}

```bash
hf download unsloth/DeepSeek-V4-Flash-0731-GGUF \\
    --local-dir unsloth/DeepSeek-V4-Flash-0731-GGUF \\
    --include "*dspark-DeepSeek-V4-Flash-0731-Q8_0*" \\
    --include "*UD-IQ3_XXS*" # 4 位请使用 "*UD-IQ4_XS*"
```

{% endcode %}

然后通过 llama-cli 或 llama-server 加载：

{% code overflow="wrap" %}

```bash
./llama.cpp/llama-cli \\
    --model unsloth/DeepSeek-V4-Flash-0731-GGUF/UD-IQ3_XXS/DeepSeek-V4-Flash-0731-UD-IQ3_XXS-00001-of-00004.gguf \\
    -md unsloth/DeepSeek-V4-Flash-0731-GGUF/dspark-DeepSeek-V4-Flash-0731-Q8_0.gguf \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.01 \\
    --spec-type draft-dspark \\
    --spec-draft-n-max 3 \\
    -ngl 99 -ngld 99
```

{% endcode %}

原始 DSpark 论文中的基准测试，也展示了它与 MTP 的对比：

<figure><img src="/files/ecc792b27c37104255bd43f7121d38facbe15ef9" alt=""><figcaption></figcaption></figure>

## 📊 基准测试

### GGUF 基准测试

下面是一张对比 Unsloth 和其他提供方量化版本基准的表格。参考 = 官方权重。在 4x B200 上，ctx 512 条件下对 wikitext-2 计算困惑度和 KL 散度。

<figure><img src="/files/8f29a9f74f33e8dd0c8ce3e4d97b453414ab0c58" alt="" width="563"><figcaption></figcaption></figure>

| 量化版本                               | 大小（GB） | PPL    | 平均 KLD      | RMS delta-p | 相同 top token | 按位完全一致的权重    |
| ---------------------------------- | ------ | ------ | ----------- | ----------- | ------------ | ------------ |
| 官方（参考）                             | 156.4  | 4.5319 | 0           | 0%          | 100%         | 100%         |
| **Unsloth UD-Q8\_K\_XL**           | 161.9  | 4.5319 | **\~0（无损）** | 0.000%      | 100.000%     | **100.000%** |
| **Unsloth UD-Q4\_K\_XL**           | 155.1  | 4.5335 | 0.0102      | 3.40%       | 96.28%       | 97.46%       |
| bartowski MXFP4                    | 156.0  | 4.5351 | 0.0105      | 3.42%       | 96.18%       | 97.57%       |
| antirez Q4KExperts-F16 (imatrix)   | 164.6  | 4.5743 | 0.0291      | 5.87%       | 93.95%       | 0.51%        |
| antirez Q4KExperts-F16             | 164.6  | 4.5726 | 0.0290      | 5.89%       | 93.94%       | 0.93%        |
| antirez mixed L37-42-Q4K (imatrix) | 97.6   | 5.8169 | 0.3605      | 21.15%      | 79.74%       | 0.41%        |
| antirez IQ2XXS (imatrix)           | 86.7   | 6.0808 | 0.4079      | 22.23%      | 78.15%       | 0.39%        |
| antirez IQ2XXS                     | 86.7   | 6.1518 | 0.4207      | 22.74%      | 77.92%       | 0.47%        |

### 官方基准测试

DeepSeek-V4-Flash-0731 在下面的基准测试中优于 DeepSeek-V4-Pro（预览版），尽管其激活参数少得多，且仍与领先的闭源模型保持竞争力。

| 基准测试                | DeepSeek-V4-Flash-0731 | DeepSeek-V4-Flash（预览版） | DeepSeek-V4-Pro（预览版） | GLM-5.2 | Opus-4.8 |
| ------------------- | :--------------------: | :--------------------: | :------------------: | :-----: | :------: |
| 终端基准 2.1            |          82.7          |          61.8          |         72.1         |   81.0  |   85.0   |
| NL2Repo             |          54.2          |          39.4          |         38.5         |   48.9  |   69.7   |
| Cybergym            |          76.7          |          38.7          |         52.7         |    -    |   83.1   |
| DeepSWE             |          54.4          |           7.3          |         12.8         |   46.2  |   58.0   |
| Toolathlon-Verified |          70.3          |          49.7          |         55.9         |   59.9  |   76.2   |
| 智能体的最后一场考试          |          25.2          |          15.8          |         16.5         |   23.8  |   25.7   |
| AutomationBench 公共版 |          25.1          |          10.8          |         12.8         |   12.9  |   27.2   |
| DSBench-全栈 †        |          68.7          |          37.0          |         41.8         |   61.8  |   71.6   |
| DSBench-高难度 †       |          59.6          |          25.8          |         31.1         |   54.5  |   71.7   |


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://unsloth.ai/docs/zh/mo-xing/deepseek-v4.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.