“DeepSeek - Coder：当大型语言模型遇到编程时 - 代码智能的兴起”一文介绍了DeepSeek-Coder系列开源代码模型，通过优化数据处理、训练策略等，在多任务评估中表现优异，缩小了与闭源模型差距，推动代码智能发展。
1. 研究背景：大型语言模型革新代码智能，但开源与闭源模型存在性能差距，闭源模型访问受限。为解决此问题，推出DeepSeek-Coder系列开源代码模型。
2. 数据收集
数据来源与过滤：训练数据含87%源代码、10%英语代码相关自然语言语料库和3%代码无关中文自然语言语料库。从GitHub收集数据，经多规则过滤，减少数据量并初步筛选低质量代码。
依赖解析与排序：解析文件依赖关系，按特定顺序排列文件，使数据集更符合实际编码结构。采用近似去重保仓库完整，用编译器、质量模型和启发式规则筛选数据，排除测试集污染。
3. 训练策略
训练目标：采用下一个令牌预测和填充中间（FIM）两种训练目标。FIM通过实验确定50%的PSM率为优，引入哨兵标记按PSM模式构造训练示例。
其他设置：使用HuggingFace Tokenizer库训练BPE分词器；基于DeepSeek-LLM框架构建不同参数模型，采用多种技术优化；用AdamW优化器，依建议调整超参数；在HAI-LLM框架下，利用特定GPU集群训练；扩展上下文窗口；通过指令微调得到DeepSeek-Coder-Instruct。
4. 实验结果
代码生成：在HumanEval、MBPP、DS-1000和LeetCode竞赛基准测试中，DeepSeek-Coder表现出色，部分模型超越开源和闭源模型，Chain-of-Thought提示可提升性能。
FIM代码完成：在单行填充基准测试中，DeepSeek-Coder性能优于同类模型，建议部署6.7B模型。
跨文件代码完成：在跨文件代码完成任务中，DeepSeek-Coder优于其他模型，仓库级别预训练有效。
程序基础的数学推理：在程序辅助数学推理任务中，DeepSeek-Coder尤其是33B变体表现出色。
5. 继续预训练：从通用语言模型额外预训练得到DeepSeek-Coder-v1.5 7B，其在数学推理和自然语言处理能力上提升显著。
6. 研究结论：DeepSeek-Coder系列模型基于优质语料库训练，扩展上下文窗口，性能优异。微调后的模型在编程任务中表现卓越，继续预训练的模型增强了自然语言理解能力，未来将基于更大规模通用LLMs开发更强大的代码模型。
免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系
