DeepSeek Coder

Лучшая в классе генерация кода с DeepSeek Coder на Clore.ai

Доступны более новые версии! DeepSeek-R1 (рассуждение + кодирование) и DeepSeek-V3 (общего назначения) значительно более мощные. Также см. Qwen2.5-Coder как мощную альтернативу для кодирования.

Лучшее в классе генерации кода с моделями DeepSeek Coder.

Все примеры можно запускать на GPU-серверах, арендованных через маркетплейс CLORE.AI.

Аренда на CLORE.AI

1. Перейдите на маркетплейс CLORE.AI

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:

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

# 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

pip install transformers accelerate torch

Генерация кода

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)

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:

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

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

Использование API

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

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 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 - Последняя флагманская модель DeepSeek

• CodeLlama - Альтернативная модель для кода

• Qwen2.5-Coder - Кодовая модель Alibaba

• vLLM - Развертывание в продакшене