DeepSeek Coder

Лучшее в своём классе генерирование кода с DeepSeek Coder на Clore.ai

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

Лучшее в своем классе генерация кода с моделями DeepSeek Coder.

Все примеры можно запускать на GPU-серверах, арендуемых через CLORE.AI Marketplace.

Аренда на CLORE.AI

Посетите CLORE.AI Marketplace
Отфильтруйте по типу GPU, объему VRAM и цене
Выберите On-Demand (фиксированная ставка) или Spot (цена по ставке)
Настройте ваш заказ:
- Выберите Docker-образ
- Установите порты (TCP для SSH, HTTP для веб-интерфейсов)
- Добавьте переменные окружения при необходимости
- Введите команду запуска
Выберите способ оплаты: CLORE, BTC, или USDT/USDC
Создайте заказ и дождитесь развертывания

Доступ к вашему серверу

Найдите данные для подключения в Моих заказах
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 Fill-in-the-middle
Понимание на уровне репозитория

Варианты моделей

Модель

Параметры

VRAM

Контекст

DeepSeek-Coder-1.3B

1.3B

3GB

16K

DeepSeek-Coder-6.7B

6.7B

8GB

16K

DeepSeek-Coder-33B

33B

40GB

16K

DeepSeek-Coder-V2

16B/236B

20GB+

128K

Быстрое развертывание

Docker-образ:

pytorch/pytorch:2.5.1-cuda12.4-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 ваш http_pub URL в Моих заказах:

Перейдите на Моих заказах страницу
Нажмите на ваш заказ
Найдите http_pub URL (например, abc123.clorecloud.net)

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

Использование Ollama


# Запустить 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)
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 на Python для REST API клиента с:
- Поддержкой аутентификации
- Логикой повторных попыток с экспоненциальной задержкой
- Логированием 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))

Fill-in-the-Middle (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 Fill-in-the-middle
prefix = """def calculate_statistics(data):
    \"\"\"Рассчитать 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

Новейшее и самое мощное:

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": "Implement a thread-safe LRU cache in 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))

vLLM Сервер

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": "You are an expert programmer."},
        {"role": "user", "content": "Write a FastAPI websocket server"}
    ],
    temperature=0.2,
    max_tokens=1500
)

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

Ревью 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}

Сосредоточьтесь на:

Производительность
Читаемость
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="Prompt", lines=5, placeholder="Describe the code you need..."),
        gr.Slider(0.1, 1.0, value=0.2, label="Temperature"),
        gr.Slider(256, 2048, value=1024, step=128, label="Max Tokens")
    ],
    outputs=gr.Code(language="python", label="Generated Code"),
    title="DeepSeek Coder"
)

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

Производительность

Модель

GPU

Токенов/с

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 в корректном формате подсказки с <|fim_prefix|>, <|fim_suffix|>, <|fim_middle|>
Установите подходящие max_new_tokens для генерации кода

Модель генерирует мусор

Проверьте, что модель полностью загружена
Проверьте, используется ли CUDA: model.device
Попробуйте понизить температуру (0.2-0.5 для кода)

Медленная инференция

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

Ошибки импорта

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

Оценка стоимости

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

GPU

Почасовая ставка

Дневная ставка

Сессия 4 часа

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 40GB

~$0.17

~$4.00

~$0.70

A100 80GB

~$0.25

~$6.00

~$1.00

Цены варьируются в зависимости от провайдера и спроса. Проверьте CLORE.AI Marketplace для текущих тарифов.

Экономьте деньги:

Используйте Spot рынок для гибких рабочих нагрузок (часто на 30–50% дешевле)
Платите с помощью CLORE токенов
Сравнивайте цены у разных провайдеров

Дальнейшие шаги

DeepSeek-V3 - Последняя флагманская модель DeepSeek
CodeLlama - Альтернативная модель для кода
Qwen2.5-Coder - Кодовая модель Alibaba
vLLM - Производственное развертывание

ПредыдущаяMistral & Mixtral СледующаяDeepSeek-V3

Последнее обновление 1 день назад

Это было полезно?

hashtagАренда на CLORE.AI

hashtagДоступ к вашему серверу

hashtagЧто такое DeepSeek Coder?

hashtagВарианты моделей

hashtagБыстрое развертывание

hashtagДоступ к вашему сервису

hashtagИспользование Ollama

hashtagУстановка

hashtagГенерация кода

hashtagFill-in-the-Middle (FIM)

hashtagDeepSeek-Coder-V2

hashtagvLLM Сервер

hashtagИспользование API

hashtagРевью кода

hashtagПроизводительность

hashtagСравнение

hashtagУстранение неполадок

hashtagАвтодополнение кода не работает

hashtagМодель генерирует мусор

hashtagМедленная инференция

hashtagОшибки импорта

hashtagОценка стоимости

hashtagДальнейшие шаги

Аренда на CLORE.AI

Доступ к вашему серверу

Что такое DeepSeek Coder?

Варианты моделей

Быстрое развертывание

Доступ к вашему сервису

Использование Ollama

Установка

Генерация кода

Fill-in-the-Middle (FIM)

DeepSeek-Coder-V2

vLLM Сервер

Использование API

Ревью кода

Производительность

Сравнение

Устранение неполадок

Автодополнение кода не работает

Модель генерирует мусор

Медленная инференция

Ошибки импорта

Оценка стоимости

Дальнейшие шаги