DeepSeek-Coder：当大型语言模型遇到编程时-代码智
能的兴起
郭大雅*1,朱启浩?1,2、杨德建1，谢振达1、启东1，张文涛1
日陈官厅1、小碧1,Y.Wu1,Y.K.Li1、罗富力1，熊英飞2，梁文峰1
6
21DeepSeek-AI
2HCST(PKU)教育部重点实验室；北京大学SCS
月{zhuqh,guodaya}@deepseek.comhttps://github
1.com/deepseek-ai/DeepSeek-Coder
年
4Abstract
2
0
2
大型语言模型的快速发展已彻底革新了软件开发中的代码智能。然而，主要依赖闭源模型限制
]了广泛的研究与开发。为解决这一问题，我们推出了DeepSeek-Coder系列开源代码模型，其
E
S规模从13亿到330亿不等，并从2万亿个标记中从头开始训练。这些模型预先在高质量的项目
级代码语料库上进行训练，并采用16K窗口的填空任务来增强代码生成和填补。我们的广泛评
s.估表明，DeepSeek-Coder不仅在多个基准测试中实现了开源代码模型的最佳性能，还超越了
c现有的闭源模型如Codex和GPT-3.5。此外，DeepSeek-Coder模型处于宽松的许可之下，允
[许同时进行研究和无限制的商业使用。
2
v
6
9
1
4
1
.
1
0
4
2
:
v
i
X
r
a
图1|DeepSeek-Coder的性能
*核心贡献者，按名称字母顺序排序。
1.Introduction
软件开发领域因大型语言模型的迅速进步（OpenAI,2023；Touvronetal.,2023）而得到了显
著转型，这些模型带来了代码智能的新时代。这些模型有可能自动化和简化许多编码方面的工
作，从错误检测到代码生成，从而提高生产力并减少人为错误的可能性。然而，该领域的重大
挑战之一是在开源模型（Lietal.,2023；Nijkampetal.,2022；Rozieretal.,2023；Wanget
al.,2021）与闭源模型（GeminiTeam,2023；OpenAI,2023）之间的性能差距。尽管巨型闭
源模型非常强大，但由于其专有性质，许多研究人员和开发者仍然难以访问这些模型。
为了应对这一挑战，我们推出了DeepSeek-Coder系列。该系列包括一系列开源代码模型，规
模从13亿到33亿不等，涵盖每个规模的基版本和指令版本。每个系列中的模型均从87种编程
语言中提取的2万亿个标记重新训练，确保对编程语言和语法有全面的理解。此外，我们尝试
在仓库级别组织预训练数据，以增强模型在仓库内部跨文件上下文中的理解能力。除了在预训
练过程中使用下一个标记预测损失外，我们还引入了Fill-In-Middle（FIM）方法（Bavarianet
al.,2022；Lietal.,2023）。这种方法旨在进一步提升模型的代码完成能力。为满足处理更长
代码输入的要求，我们将上下文长度扩展到16K。这一调整使我们的模型能够处理更加复杂和
广泛的编码任务，从而增强了其在各种编码场景中的适用性和灵活性。
我们使用多种公开的代码相关基准进行了全面的实验。研究发现，在开源模型中，DeepSeek-
Coder-Base33B在所有基准测试中均表现出优越的性能。此外，
OpenAIGPT-3.5Turbo
Coder-Instruct33B超越在大多数评估基准中，
OpenAIGPT-4
显著缩小两者之间