> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-ru/yazykovye-modeli/deepseek-coder.md).

# DeepSeek Coder

{% hint style="info" %}
**Доступны более новые версии!** [**DeepSeek-R1**](/guides/guides_v2-ru/yazykovye-modeli/deepseek-r1.md) (рассуждение + кодирование) и [**DeepSeek-V3**](/guides/guides_v2-ru/yazykovye-modeli/deepseek-v3.md) (общего назначения) значительно более мощные. Также см. [**Qwen2.5-Coder**](/guides/guides_v2-ru/yazykovye-modeli/qwen25.md) как мощную альтернативу для кодирования.
{% endhint %}

Лучшее в классе генерации кода с моделями DeepSeek Coder.

{% hint style="success" %}
Все примеры можно запускать на GPU-серверах, арендованных через [маркетплейс CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Аренда на CLORE.AI

1. Перейдите на [маркетплейс CLORE.AI](https://clore.ai/marketplace)
2. Отфильтруйте по типу GPU, объёму VRAM и цене
3. Выберите **On-Demand** (фиксированная ставка) или **Spot** (цена ставки)
4. Настройте свой заказ:
   * Выберите Docker-образ
   * Установите порты (TCP для SSH, HTTP для веб-интерфейсов)
   * При необходимости добавьте переменные окружения
   * Введите команду запуска
5. Выберите способ оплаты: **CLORE**, **BTC**, или **USDT/USDC**
6. Создайте заказ и дождитесь развертывания

### Получите доступ к своему серверу

* Найдите данные для подключения в **Мои заказы**
* Веб-интерфейсы: используйте URL HTTP-порта
* SSH: `ssh -p <port> root@<proxy-address>`

## Что такое DeepSeek Coder?

DeepSeek Coder предлагает:

* Передовую генерацию кода
* 338 языков программирования
* Поддержка заполнения середины
* Понимание на уровне репозитория

## Варианты модели

| Модель              | Параметры | VRAM  | Контекст |
| ------------------- | --------- | ----- | -------- |
| DeepSeek-Coder-1.3B | 1.3B      | 3GB   | 16K      |
| DeepSeek-Coder-6.7B | 6.7B      | 8 ГБ  | 16K      |
| DeepSeek-Coder-33B  | 33B       | 40 ГБ | 16K      |
| DeepSeek-Coder-V2   | 16B/236B  | 20GB+ | 128K     |

## Быстрое развёртывание

**Docker-образ:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime
```

**Порты:**

```
22/tcp
8000/http
```

**Команда:**

```bash
pip install vllm && \\
vllm serve deepseek-ai/deepseek-coder-6.7b-instruct --port 8000
```

## Доступ к вашему сервису

После развертывания найдите свой `http_pub` URL в **Мои заказы**:

1. Перейдите на **Мои заказы** страницу
2. Нажмите на свой заказ
3. Найдите `http_pub` URL (например, `abc123.clorecloud.net`)

Используйте `https://YOUR_HTTP_PUB_URL` вместо `localhost` в примерах ниже.

## Использование Ollama

```bash

# Запуск DeepSeek Coder
ollama run deepseek-coder

# Конкретные размеры
ollama run deepseek-coder:1.3b
ollama run deepseek-coder:6.7b
ollama run deepseek-coder:33b

# V2 (последняя версия)
ollama run deepseek-coder-v2
```

## Установка

```bash
pip install transformers accelerate torch
```

## Генерация кода

```python
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "deepseek-ai/deepseek-coder-6.7b-instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

messages = [
    {"role": "user", "content": """
Напишите класс Python для клиента REST API со следующими возможностями:
- Поддержка аутентификации
- Логика повторных попыток с экспоненциальной задержкой
- Логирование запросов/ответов
"""}
]

inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to("cuda")

outputs = model.generate(
    inputs,
    max_new_tokens=1024,
    temperature=0.2,
    do_sample=True
)

print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))
```

## Заполнение середины (FIM)

```python
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "deepseek-ai/deepseek-coder-6.7b-base"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

# Формат заполнения середины
prefix = """def calculate_statistics(data):
    \"\"\"Вычислите среднее, медиану и стандартное отклонение списка.\"\"\"
    import statistics

    mean = statistics.mean(data)
"""

suffix = """
    return {
        'mean': mean,
        'median': median,
        'std': std
    }
"""

# FIM-токены
prompt = f"<｜fim▁begin｜>{prefix}<｜fim▁hole｜>{suffix}<｜fim▁end｜>"

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=128)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))
```

## DeepSeek-Coder-V2

Последняя и самая мощная:

```python
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

messages = [
    {"role": "user", "content": "Реализуйте потокобезопасный LRU-кэш на Python"}
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")
outputs = model.generate(inputs, max_new_tokens=1024, temperature=0.2)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))
```

## Сервер vLLM

```bash
vllm serve deepseek-ai/deepseek-coder-6.7b-instruct \\
    --port 8000 \\
    --dtype bfloat16 \\
    --max-model-len 16384 \
    --trust-remote-code
```

### Использование API

```python
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="x")

response = client.chat.completions.create(
    model="deepseek-ai/deepseek-coder-6.7b-instruct",
    messages=[
        {"role": "system", "content": "Вы эксперт-программист."},
        {"role": "user", "content": "Напишите сервер websocket на FastAPI"}
    ],
    temperature=0.2,
    max_tokens=1500
)

print(response.choices[0].message.content)
```

## Проверка кода

````python
code_to_review = """
def process_data(data):
    result = []
    for i in range(len(data)):
        if data[i] > 0:
            result.append(data[i] * 2)
    return result
"""

messages = [
    {"role": "user", "content": f"""
Проверьте этот код и предложите улучшения:

```python
{code_to_review}
````

Обратите внимание на:

1. Производительность
2. Читабельность
3. Лучшие практики """} ]

````

## Исправление ошибок

```python
buggy_code = """
def merge_sorted_lists(list1, list2):
    result = []
    i = j = 0
    while i < len(list1) and j < len(list2):
        if list1[i] < list2[j]:
            result.append(list1[i])
            i += 1
        else:
            result.append(list2[j])
    return result
"""

messages = [
    {"role": "user", "content": f"""
Найдите и исправьте ошибку в этом коде:

```python
{buggy_code}
````

"""} ]

````

## Интерфейс Gradio

```python
import gradio as gr
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "deepseek-ai/deepseek-coder-6.7b-instruct"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True
)

def generate_code(prompt, temperature, max_tokens):
    messages = [{"role": "user", "content": prompt}]
    inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")
    outputs = model.generate(inputs, max_new_tokens=max_tokens, temperature=temperature, do_sample=True)
    return tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True)

demo = gr.Interface(
    fn=generate_code,
    inputs=[
        gr.Textbox(label="Запрос", lines=5, placeholder="Опишите нужный вам код..."),
        gr.Slider(0.1, 1.0, value=0.2, label="Температура"),
        gr.Slider(256, 2048, value=1024, step=128, label="Макс. токенов")
    ],
    outputs=gr.Code(language="python", label="Сгенерированный код"),
    title="DeepSeek Coder"
)

demo.launch(server_name="0.0.0.0", server_port=7860)
````

## Производительность

| Модель           | GPU      | Токенов/сек |
| ---------------- | -------- | ----------- |
| DeepSeek-1.3B    | RTX 3060 | \~120       |
| DeepSeek-6.7B    | RTX 3090 | \~70        |
| DeepSeek-6.7B    | RTX 4090 | \~100       |
| DeepSeek-33B     | A100     | \~40        |
| DeepSeek-V2-Lite | RTX 4090 | \~50        |

## Сравнение

| Модель             | HumanEval | Качество кода |
| ------------------ | --------- | ------------- |
| DeepSeek-Coder-33B | 79.3%     | Отлично       |
| CodeLlama-34B      | 53.7%     | Хорошо        |
| GPT-3.5-Turbo      | 72.6%     | Хорошо        |

## Устранение неполадок

### Автодополнение кода не работает

* Убедитесь, что используется правильный формат запроса с `<|fim_prefix|>`, `<|fim_suffix|>`, `<|fim_middle|>`
* Установите подходящие `max_new_tokens` для генерации кода

### Модель выдаёт мусор

* Проверьте, что модель полностью загружена
* Проверьте, что используется CUDA: `model.device`
* Попробуйте более низкую температуру (0.2-0.5 для кода)

### Медленный инференс

* Используйте vLLM для ускорения в 5-10 раз
* Включите `torch.compile()` для transformers
* Используйте квантизированную модель для больших вариантов

### Ошибки импорта

* Установите зависимости: `pip install transformers accelerate`
* Обновите PyTorch до 2.0+

## Оценка стоимости

Типичные цены на маркетплейсе CLORE.AI (по состоянию на 2024 год):

| GPU        | Почасовая ставка | Дневная ставка | 4-часовая сессия |
| ---------- | ---------------- | -------------- | ---------------- |
| RTX 3060   | \~$0.03          | \~$0.70        | \~$0.12          |
| RTX 3090   | \~$0.06          | \~$1.50        | \~$0.25          |
| RTX 4090   | \~$0.10          | \~$2.30        | \~$0.40          |
| A100 40 ГБ | \~$0.17          | \~$4.00        | \~$0.70          |
| A100 80 ГБ | \~$0.25          | \~$6.00        | \~$1.00          |

*Цены зависят от провайдера и спроса. Проверьте* [*маркетплейс CLORE.AI*](https://clore.ai/marketplace) *актуальные тарифы.*

**Сэкономьте деньги:**

* Используйте **Spot** рынок для прерываемых задач — примерно треть серверов оценивает spot-цены ниже on-demand (медиана \~13% скидки), остальные совпадают с ними
* Платите **CLORE** токенами
* Сравните цены у разных провайдеров

## Дальнейшие шаги

* [DeepSeek-V3](/guides/guides_v2-ru/yazykovye-modeli/deepseek-v3.md) - Последняя флагманская модель DeepSeek
* [CodeLlama](/guides/guides_v2-ru/yazykovye-modeli/codellama.md) - Альтернативная модель для кода
* [Qwen2.5-Coder](/guides/guides_v2-ru/yazykovye-modeli/qwen25.md) - Кодовая модель Alibaba
* [vLLM](/guides/guides_v2-ru/yazykovye-modeli/vllm.md) - Развертывание в продакшене


---

# 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://docs.clore.ai/guides/guides_v2-ru/yazykovye-modeli/deepseek-coder.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.