Deepseek Coder V2 Lite Base AWQ

🚀 DeepSeek-Coder-V2：コードAI分野における閉源モデルの壁を打ち破る

DeepSeek-Coder-V2-Lite-BaseモデルのAWQ量子化バージョンです。本プロジェクトで提供されるDeepSeek-Coder-V2は、オープンソースのハイブリッドエキスパート（MoE）コード言語モデルで、特定のコードタスクにおいてGPT4-Turboに匹敵する性能を発揮します。これは、高品質かつ多様なソースのコーパスから収集された6兆個のトークンを用いて、DeepSeek-Coder-V2-Baseをさらに事前学習することで開発されました。この事前学習により、コーディング能力と数学的推論能力が大幅に向上し、同時に一般的な言語タスクにおいても相当な性能を維持しています。

APIプラットフォーム | 使用方法 | ライセンス |

論文リンクüëÅÔ∏è

🚀 クイックスタート

モデルの概要

当社は、オープンソースのハイブリッドエキスパート（MoE）コード言語モデルであるDeepSeek-Coder-V2をリリースしました。このモデルは、特定のコードタスクにおいてGPT4-Turboに匹敵する性能を発揮します。具体的には、DeepSeek-Coder-V2は、DeepSeek-Coder-V2-Baseを、高品質かつ多様なソースのコーパスから収集された6兆個のトークンを用いてさらに事前学習することで開発されました。この事前学習により、DeepSeek-Coder-V2はコーディング能力と数学的推論能力を大幅に向上させ、同時に一般的な言語タスクにおいても相当な性能を維持しています。DeepSeek-Coderと比較すると、DeepSeek-Coder-V2はコード関連のタスクや推論、一般的な能力のすべての面で著しい進歩を遂げています。さらに、サポートするプログラミング言語は86種類から338種類に拡張され、コンテキスト長は16Kから128Kに拡張されています。

標準的なベンチマーク評価において、DeepSeek-Coder-V2は、コーディングと数学のベンチマークテストで、GPT4-Turbo、Claude 3 Opus、Gemini 1.5 Proなどの閉源モデルよりも優れた性能を示しています。サポートされるプログラミング言語のリストは、論文の中で確認できます。

✨ 主な機能

• 卓越した性能：標準的なベンチマーク評価において、コーディングと数学のベンチマークテストで、GPT4-Turbo、Claude 3 Opus、Gemini 1.5 Proなどの閉源モデルよりも優れた性能を示します。
• 能力の向上：コーディング能力と数学的推論能力が大幅に向上し、同時に一般的な言語タスクにおいても相当な性能を維持しています。
• 言語の拡張：サポートするプログラミング言語が86種類から338種類に拡張されました。
• コンテキスト長の拡張：コンテキスト長が16Kから128Kに拡張されました。

📦 モデルのダウンロード

当社は、DeepSeekMoEフレームワークをベースに、16Bと236Bのパラメータを持つDeepSeek-Coder-V2をリリースしました。これらのモデルの活性化パラメータはそれぞれ2.4Bと21Bで、ベースモデルと命令モデルを含んでいます。

💻 使用例

オンラインでの体験

あなたは、DeepSeekの公式ウェブサイトでDeepSeek-Coder-V2とチャットすることができます：coder.deepseek.com

ローカルでの実行

ここでは、DeepSeek-Coder-V2-Liteモデルを使用する方法の例をいくつか紹介します。もしBF16形式のDeepSeek-Coder-V2を使用して推論を行いたい場合は、80GB * 8のGPUが必要です。

HuggingfaceのTransformersを使用した推論

あなたは、HuggingfaceのTransformersを直接使用してモデルの推論を行うことができます。

コードの補完

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))

コードの挿入

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 = """<｜fim▁begin｜>def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[0]
    left = []
    right = []
<｜fim▁hole｜>
        if arr[i] < pivot:
            left.append(arr[i])
        else:
            right.append(arr[i])
    return quick_sort(left) + [pivot] + quick_sort(right)<｜fim▁end｜>"""
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)[len(input_text):])

チャットの補完

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct", trust_remote_code=True, torch_dtype=torch.bfloat16).cuda()
messages=[
    { 'role': 'user', 'content': "write a quick sort algorithm in python."}
]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
# tokenizer.eos_token_id is the id of <|EOT|> token
outputs = model.generate(inputs, max_new_tokens=512, do_sample=False, top_k=50, top_p=0.95, num_return_sequences=1, eos_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(outputs[0][len(inputs[0]):], skip_special_tokens=True))

完全なチャットテンプレートは、Huggingfaceのモデルリポジトリ内のtokenizer_config.jsonで確認できます。

チャットテンプレートの例は次の通りです：

<｜begin▁of▁sentence｜>User: {user_message_1}

Assistant: {assistant_message_1}<｜end▁of▁sentence｜>User: {user_message_2}

Assistant:

また、オプションのシステムメッセージを追加することもできます：

<｜begin▁of▁sentence｜>{system_message}

User: {user_message_1}

Assistant: {assistant_message_1}<｜end▁of▁sentence｜>User: {user_message_2}

Assistant:

vLLMを使用した推論（推奨）

vLLMを使用してモデルの推論を行うには、このプルリクエストをあなたのvLLMコードベースにマージしてください：https://github.com/vllm-project/vllm/pull/4650。

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

max_model_len, tp_size = 8192, 1
model_name = "deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
llm = LLM(model=model_name, tensor_parallel_size=tp_size, max_model_len=max_model_len, trust_remote_code=True, enforce_eager=True)
sampling_params = SamplingParams(temperature=0.3, max_tokens=256, stop_token_ids=[tokenizer.eos_token_id])

messages_list = [
    [{"role": "user", "content": "Who are you?"}],
    [{"role": "user", "content": "write a quick sort algorithm in python."}],
    [{"role": "user", "content": "Write a piece of quicksort code in C++."}],
]

prompt_token_ids = [tokenizer.apply_chat_template(messages, add_generation_prompt=True) for messages in messages_list]

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)

📚 ドキュメント

APIプラットフォーム

当社は、DeepSeekプラットフォーム上でOpenAIと互換性のあるAPIも提供しています：platform.deepseek.com。登録すると、数百万個の無料トークンを取得できます。また、必要に応じて支払うこともでき、価格は非常に競争力があります。

📄 ライセンス

このコードリポジトリは、MITライセンスに従っています。DeepSeek-Coder-V2のベース/命令モデルの使用には、モデルライセンスに従う必要があります。DeepSeek-Coder-V2シリーズ（ベースモデルと命令モデルを含む）は、商用利用が可能です。

📞 お問い合わせ

何か質問がある場合は、イシューを作成するか、service@deepseek.comまでご連絡ください。