К содержимому
Другое

DeepSeek-Coder-V2

мощная открытая MoE-модель для кода

2 мин чтенияобновлено

DeepSeek-Coder-V2 — это открытая языковая модель с архитектурой MoE (Mixture-of-Experts, смесь экспертов), которая создана для решения задач программирования и математического анализа. Модель получена путем дальнейшего предварительного обучения промежуточного чекпоинта DeepSeek-V2 на дополнительных 6 триллионах токенов. Она поддерживает 338 языков программирования вместо прежних 86 и увеличивает длину контекста до 128K. Разработчики предлагают версии на 16B (lite) и 236B параметров, при этом активных параметров задействовано значительно меньше — всего 2.4B и 21B, что повышает эффективность работы.

Ключевые особенности

  • Поддержка 338 языков программирования и расширенный контекст до 128K токенов.
  • Производительность в задачах кодинга и математики, сравнимая с закрытыми моделями вроде GPT-4 Turbo.
  • Использование эффективной архитектуры DeepSeekMoE с активацией небольшой части параметров.
  • Поддержка как базовых (Base), так и диалоговых (Instruct) версий модели.

Что можно сделать

  • Автоматизировать генерацию, дополнение (code completion) и вставку кода на сотнях языков программирования.
  • Развернуть собственный умный ассистент для разработчиков с помощью Hugging Face Transformers или vLLM.
  • Решать сложные задачи по программированию и математике с длинным контекстом.

Пример

Пример инференса для дополнения кода с использованием библиотеки Transformers:

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))
ПодробнееВсего параметров: 236B (или 16B у Lite-версий), активных параметров: 21B (или 2.4B у Lite).
Длина контекста: до 128K токенов.
Для запуска полной версии в формате BF16 требуется 8 видеокарт по 80GB VRAM.
Поддерживает коммерческое использование в соответствии с лицензией модели.
Примеры
Обсудить Telegram 0 30

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • BF16веса 439 GB · готовые файлы484 GB
  • FP8 / INT8рекомендуемвеса 220 GB242 GB
  • 4-bitвеса 123 GB136 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Ни один инстанс не вместит модель целиком — нужна выгрузка в ОЗУ или кластер.

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # sahadevnirala/DeepSeek-Coder-V2-Instruct
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download sahadevnirala/DeepSeek-Coder-V2-Instruct --local-dir ~/models/DeepSeek-Coder-V2-Instruct
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DeepSeek-Coder-V2-Instruct
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

deepseek-ai/DeepSeek-Coder-V2-Base

Новые посты про версии DeepSeek-Coder-V2-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

sahadevnirala/DeepSeek-Coder-V2-Instruct
Автор
sahadevnirala
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

TR-OCR-Markdown v0.4

TR-OCR-Markdown v0.4