DeepSeek Coder 十分钟上手指南开源代码大模型覆盖 80 余种语言【免费下载链接】DeepSeek-CoderDeepSeek Coder: Let the Code Write Itself项目地址: https://gitcode.com/GitHub_Trending/de/DeepSeek-CoderDeepSeek Coder 是由 DeepSeek AI 开源的代码大模型系列在 2 万亿 token 上从零训练覆盖 80 余种编程语言可本地部署完成项目级代码补全、代码填充与代码问答。第一次使用三步跑通本地代码大模型 Demo第一步获取项目git clone https://gitcode.com/GitHub_Trending/de/DeepSeek-Coder拿到全部代码和评测脚本无需额外配置。第二步装依赖pip install -r requirements.txt依赖很少核心是 torch 和锁定在 4.35.0 的 transformers版本被钉死后面别再手动升级。第三步启动演示python demo/app.py浏览器里会打开一个 Gradio 聊天页输入一句话就能和模型对话。注意这一步需要 NVIDIA GPU只有 CPU 的话见下文坑一节。它能帮你做什么补全、填充、代码问答三个场景代码补全输入一行注释比如# write a quick sort algorithm模型直接输出一段可运行的 quick_sort 函数。适合写半行代码、让它接完的日常场景。代码填充把已有代码片段包进 FIM 填空模板在缺的位置留一个洞模型只把缺失的中间几行补上。16K 的上下文窗口让它能看懂整个文件做项目级填充时不会丢了前文。代码问答Instruct 版本带对话界面输入用 pygame 实现贪吃蛇能拿到可运行的完整代码也支持让它解释一段陌生代码。demo 页面 里预置了三句示例点一下就能试。️ 三个场景对应的输入输出都很直观建议按顺序各跑一遍。凭什么值得用基准成绩与训练细节先看训练细节2T token 从零预训练其中 87% 是代码、13% 是中英自然语言提供 1B / 5.7B / 6.7B / 33B 四种规格训练语料按仓库内文件依赖关系拼接成整仓库样本这是它支持项目级补全的原因。再看硬指标Base-33B 在 HumanEvalPython上比 CodeLlama-34B 高 7.9 个点多语言 HumanEval 高 9.3 个MBPP 高 10.8 个7B 版本甚至追平了 34B 版本。指令微调后的 Instruct-33B 在 HumanEval 上超过 GPT-3.5-turboMBPP 与其持平。新手常踩的坑三个高频问题与解法CPU 跑不动 Demo。现象启动后页面提示 Running on CPU, this demo does not work on CPU。解法app.py 默认用 bfloat16 加载 6.7B 模型必须有 GPU只有 CPU 就换 1B 或 5.7B 小模型并把 dtype 改成 float32。生成的代码反复循环。现象模型在同一段代码上打转、不收敛。解法调小 top_p默认 0.9并把 max_new_tokens 从 1024 调低让它早点停。升级依赖后直接报错。现象transformers 升到新版后特殊 token 原样输出或加载失败。解法该模型的 tokenizer 和 transformers4.35.0 绑定建议单独建虚拟环境按仓库锁定的版本装。⚠️ 三个坑都在 demo/app.py 的默认参数里改起来都是几行的事。想本地跑一个开源代码大模型DeepSeek Coder 的补全和填充能力已经够用。打开终端把它克隆下来先跑一遍快排试试。【免费下载链接】DeepSeek-CoderDeepSeek Coder: Let the Code Write Itself项目地址: https://gitcode.com/GitHub_Trending/de/DeepSeek-Coder创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
DeepSeek Coder 十分钟上手指南开源代码大模型覆盖 80 余种语言【免费下载链接】DeepSeek-CoderDeepSeek Coder: Let the Code Write Itself项目地址: https://gitcode.com/GitHub_Trending/de/DeepSeek-CoderDeepSeek Coder 是由 DeepSeek AI 开源的代码大模型系列在 2 万亿 token 上从零训练覆盖 80 余种编程语言可本地部署完成项目级代码补全、代码填充与代码问答。第一次使用三步跑通本地代码大模型 Demo第一步获取项目git clone https://gitcode.com/GitHub_Trending/de/DeepSeek-Coder拿到全部代码和评测脚本无需额外配置。第二步装依赖pip install -r requirements.txt依赖很少核心是 torch 和锁定在 4.35.0 的 transformers版本被钉死后面别再手动升级。第三步启动演示python demo/app.py浏览器里会打开一个 Gradio 聊天页输入一句话就能和模型对话。注意这一步需要 NVIDIA GPU只有 CPU 的话见下文坑一节。它能帮你做什么补全、填充、代码问答三个场景代码补全输入一行注释比如# write a quick sort algorithm模型直接输出一段可运行的 quick_sort 函数。适合写半行代码、让它接完的日常场景。代码填充把已有代码片段包进 FIM 填空模板在缺的位置留一个洞模型只把缺失的中间几行补上。16K 的上下文窗口让它能看懂整个文件做项目级填充时不会丢了前文。代码问答Instruct 版本带对话界面输入用 pygame 实现贪吃蛇能拿到可运行的完整代码也支持让它解释一段陌生代码。demo 页面 里预置了三句示例点一下就能试。️ 三个场景对应的输入输出都很直观建议按顺序各跑一遍。凭什么值得用基准成绩与训练细节先看训练细节2T token 从零预训练其中 87% 是代码、13% 是中英自然语言提供 1B / 5.7B / 6.7B / 33B 四种规格训练语料按仓库内文件依赖关系拼接成整仓库样本这是它支持项目级补全的原因。再看硬指标Base-33B 在 HumanEvalPython上比 CodeLlama-34B 高 7.9 个点多语言 HumanEval 高 9.3 个MBPP 高 10.8 个7B 版本甚至追平了 34B 版本。指令微调后的 Instruct-33B 在 HumanEval 上超过 GPT-3.5-turboMBPP 与其持平。新手常踩的坑三个高频问题与解法CPU 跑不动 Demo。现象启动后页面提示 Running on CPU, this demo does not work on CPU。解法app.py 默认用 bfloat16 加载 6.7B 模型必须有 GPU只有 CPU 就换 1B 或 5.7B 小模型并把 dtype 改成 float32。生成的代码反复循环。现象模型在同一段代码上打转、不收敛。解法调小 top_p默认 0.9并把 max_new_tokens 从 1024 调低让它早点停。升级依赖后直接报错。现象transformers 升到新版后特殊 token 原样输出或加载失败。解法该模型的 tokenizer 和 transformers4.35.0 绑定建议单独建虚拟环境按仓库锁定的版本装。⚠️ 三个坑都在 demo/app.py 的默认参数里改起来都是几行的事。想本地跑一个开源代码大模型DeepSeek Coder 的补全和填充能力已经够用。打开终端把它克隆下来先跑一遍快排试试。【免费下载链接】DeepSeek-CoderDeepSeek Coder: Let the Code Write Itself项目地址: https://gitcode.com/GitHub_Trending/de/DeepSeek-Coder创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
