d
deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct
模型介绍文件和版本分析
下载使用量0
DeepSeek-V2
主页 聊天 Hugging Face
Discord 微信 关注 Twitter
代码许可证 模型许可证

API 平台 | 使用方法 | 许可证 |

论文链接👁️

DeepSeek-Coder-V2：打破闭源模型在代码智能领域的障碍

1. 引言

我们介绍了 DeepSeek-Coder-V2，这是一个开源的 Mixture-of-Experts（MoE）代码语言模型，其在代码特定任务上达到与 GPT4-Turbo 相比拟的性能。具体来说，DeepSeek-Coder-V2 是从 DeepSeek-V2 的一个中间检查点出发，额外预训练了 6 万亿个标记。通过这种持续的预训练，DeepSeek-Coder-V2 在保持与 DeepSeek-V2 相似的一般语言任务性能的同时，显著提高了编码和数学推理能力。与 DeepSeek-Coder-33B 相比，DeepSeek-Coder-V2 在代码相关任务的各个方面、推理和通用能力上都显示出了显著的进步。此外，DeepSeek-Coder-V2 将支持的编程语言数量从 86 扩展到 338，同时将上下文长度从 16K 延伸到 128K。

在标准基准评估中，DeepSeek-Coder-V2 在编码和数学基准上比 GPT4-Turbo、Claude 3 Opus 和 Gemini 1.5 Pro 等闭源模型表现更优。支持的语言列表可以在这里找到 此处。

2. 模型下载

我们基于 DeepSeekMoE 框架发布了参数量为 16B 和 236B 的 DeepSeek-Coder-V2 模型，其激活参数仅为 2.4B 和 21B，包括基础模型和指令模型，并向公众开放。

模型总参数量激活参数量上下文长度下载
DeepSeek-Coder-V2-Lite-Base16B2.4B128k🤗 HuggingFace
DeepSeek-Coder-V2-Lite-Instruct16B2.4B128k🤗 HuggingFace
DeepSeek-Coder-V2-Base236B21B128k🤗 HuggingFace
DeepSeek-Coder-V2-Instruct236B21B128k🤗 HuggingFace

3. 聊天网站

您可以在 DeepSeek 官方网站上与 DeepSeek-Coder-V2 聊天：coder.deepseek.com

4. API 平台

我们还在 DeepSeek 平台上提供了 OpenAI 兼容的 API：platform.deepseek.com，并且您还可以以无与伦比的价格按需付费。

5. 如何本地运行

这里，我们提供了一些如何使用 DeepSeek-Coder-V2-Lite 模型的示例。如果您想使用 DeepSeek-Coder-V2 的 BF16 格式进行推理，需要 80GB*8 的 GPU。

使用 Huggingface 的 Transformers 进行推理

您可以直接使用 Huggingface 的 Transformers 进行模型推理。

代码补全

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Base", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Base", trust_remote_code=True, torch_dtype=torch.bfloat16).cuda()
input_text = "#write a quick sort algorithm"
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_length=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

代码插入

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Base", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Base", trust_remote_code=True, torch_dtype=torch.bfloat16).cuda()
input_text = """<｜fim▁begin｜>def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[0]
    left = []
    right = []
<｜fim▁hole｜>
        if arr[i] < pivot:
            left.append(arr[i])
        else:
            right.append(arr[i])
    return quick_sort(left) + [pivot] + quick_sort(right)<｜fim▁end｜>"""
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_length=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True)[len(input_text):])

对话完成

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct", trust_remote_code=True, torch_dtype=torch.bfloat16).cuda()
messages=[
    { 'role': 'user', 'content': "write a quick sort algorithm in python."}
]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
# tokenizer.eos_token_id is the id of <｜end▁of▁sentence｜>  token
outputs = model.generate(inputs, max_new_tokens=512, do_sample=False, top_k=50, top_p=0.95, num_return_sequences=1, eos_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(outputs[0][len(inputs[0]):], skip_special_tokens=True))

完整的聊天模板可以在位于 Huggingface 模型仓库中的 tokenizer_config.json 文件中找到。

一个聊天模板的示例如下所示：

<｜begin▁of▁sentence｜>User: {user_message_1}

Assistant: {assistant_message_1}<｜end▁of▁sentence｜>User: {user_message_2}

Assistant:

您还可以添加一个可选的系统消息：

<｜begin▁of▁sentence｜>{system_message}

User: {user_message_1}

Assistant: {assistant_message_1}<｜end▁of▁sentence｜>User: {user_message_2}

Assistant:

使用 vLLM 进行推理（推荐）

为了使用 vLLM 进行模型推理，请将以下 Pull Request 合并到您的 vLLM 代码库中：https://github.com/vllm-project/vllm/pull/4650。

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

max_model_len, tp_size = 8192, 1
model_name = "deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
llm = LLM(model=model_name, tensor_parallel_size=tp_size, max_model_len=max_model_len, trust_remote_code=True, enforce_eager=True)
sampling_params = SamplingParams(temperature=0.3, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])

messages_list = [
    [{"role": "user", "content": "Who are you?"}],
    [{"role": "user", "content": "write a quick sort algorithm in python."}],
    [{"role": "user", "content": "Write a piece of quicksort code in C++."}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

6. 许可

本代码仓库遵循 MIT 许可。使用 DeepSeek-Coder-V2 Base/Instruct 模型需遵守 模型许可。DeepSeek-Coder-V2 系列产品（包括 Base 和 Instruct）均支持商业用途。

7. 联系方式

如有任何问题，请提出问题或通过 service@deepseek.com 与我们联系。