DeepSeek Coder V2: The Open-Source MoE Code Model Explained

如果你在2026年选择一个开放权重的代码模型，DeepSeek Coder V2实际上适合在哪里——现在V4已经发布，它是否仍然值得运行？本指南将介绍其架构、原始报告中的基准测试数字、许可以及今天获取模型的现实方法（本地或在Hugging Face——原始托管端点于2024年退役，不再映射到当前V4模型）。 deepseek-coder DeepSeek Coder V2是DeepSeek公司于2024年6月推出的开源混合专家（MoE）代码语言模型。它进一步从DeepSeek-V2的中间检查点进行预训练，并额外增加了600亿个token，这显著提高了编码和数学推理能力，同时保持了可比的一般语言性能。项目的目标很简单：生产一个开放权重的编码器，能够在代码特定任务上与GPT-4-Turbo相匹配，而不需要封闭源代码的价格标签。

什么是DeepSeek Coder V2？

本发布包含两个大小——一个16B的轻量级模型和一个完整的236B模型——以及Base和Instruct变体。它将编程语言支持从86种扩展到338种，并将上下文长度从16K扩展到128K。如果您想更全面地了解该模型在系列中的位置，请参阅。

（此处省略了部分内容，因为原文中未提供完整信息） DeepSeek models hub 是索引。

Architecture and lineage

DeepSeek Coder V2基于DeepSeekMoE框架构建。DeepSeek基于DeepSeekMoE框架发布了V2版本，包含16B和236B参数，其中活动参数分别为2.4B和21B，包括基础模型和指令模型。这种稀疏性是整个架构的核心——完整的236B模型每处理一个标记只激活21B参数，因此推理成本与活动参数而非总参数量成正比。

它是 原始DeepSeek V2的延续 基础，而不是从头开始的模型。早期的 DeepSeek Coder系列 (1.3B–33B密集型)在2T个标记上，使用16K窗口进行训练；Coder V2继承了MoE，并增加了针对6T标记代码的更大规模预训练。

深Seek Coder V2 一段式训练配方

DeepSeek Coder V2进一步从DeepSeek-V2的中间检查点进行预训练，额外使用6万亿个标记，显著提升了DeepSeek-V2的编码和数学推理能力，同时在一般语言任务中保持了可比的性能。该混合训练以代码权重为主，覆盖多语言，并具有填补中间目标——如果你计划将其用作编辑器后端，这两者都很有相关性。

基准测试（来自 V2 报告）

下面的所有数字均来自DeepSeek的技术报告和GitHub README，比较了236B Instruct与2024年中期的闭源生成模型（GPT-4-Turbo、GPT-4o-0513、Claude-3-Opus、Gemini-1.5-Pro）。将这些引用为2024年的数据——当前前沿模型已经发展到了新的阶段。

DeepSeek的报告指出，在HumanEval上获得90.2%的分数，在MBPP（使用EvalPlus管道的领先结果）上获得76.2%的分数，在LiveCodeBench（2023年12月至2024年6月的问题）上获得43.4%的分数。Coder V2是第一个在SWE-Bench上超过10%的开源模型。详见 官方DeepSeek-Coder-V2技术报告 以查看完整表格。

优势——Coder V2 特别胜出的地方

• 开放重量级商业用途。 基础模型和指令模型的使用受DeepSeek模型许可协议约束，Coder V2系列支持商业使用。
• 两个适当级别的层次。 16B Lite（2.4B有效）适合自托管；完整的236B适用于严肃的基础设施或批量作业。
• 338种语言覆盖范围 强大的多语言HumanEval结果，包括Java和PHP——如果你不在Python单文化环境中工作，这将很有用。
• 128K上下文 用于仓库级别的提示。这些模型支持128K个token的上下文长度，针孔搜索测试显示DeepSeek-Coder-V2在整个128K窗口内保持性能，这对于涉及大型代码库或文档的任务很重要。
• 原生FIM 用于编辑器集成——如果你将其集成到IDE中则相关。

Weaknesses — where it falls short

• SWE-Bench表现平庸。 Coder V2在SWE-Bench上的得分为12.7，落后于GPT-4-Turbo-0409（18.7）和Gemini-1.5-Pro（18.3）；它仍然优于Claude-3-Opus（11.7）、Llama-3-70B（2.7）和Codestral。现实世界的仓库修复任务仍存在差距。
• 它已被用于聊天功能所取代。 DeepSeek-V2.5正式合并了DeepSeek-V2-0628和DeepSeek-Coder-V2-0724，保留了Coder模型的代码处理能力，同时增加了通用对话能力和人类偏好对齐。如果你需要一个用于聊天和代码的单个模型，那么V2.5——现在 DeepSeek V4-Flash ——取代它。
• 完整模型的硬件门槛较高。 在BF16格式下运行DeepSeek-Coder-V2进行推理需要80GB×8个GPU。Lite 16B是现实中的本地选项。
• No reasoning mode. 与 DeepSeek R1 或启用思考功能的V4，Coder V2没有逐步推理切换选项。

如何访问 DeepSeek Coder V2

本地 / Hugging Face

四个经典的Hugging Face仓库是 deepseek-ai/DeepSeek-Coder-V2-Base, DeepSeek-Coder-V2-Instruct, DeepSeek-Coder-V2-Lite-Base and DeepSeek-Coder-V2-Lite-Instruct. 最小Python加载模式（Transformers）：

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

tok = 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()

对于量化本地推理，Lite-Instruct GGUF构建在LM Studio或llama.cpp中运行顺畅。如果您不愿意直接调整权重，可以使用 Ollama设置指南 覆盖了更快的路径。

主机 API（当前无 Coder V2 端点）

The original deepseek-coder API端点在2024年9月被弃用，当时DeepSeek V2 Chat和DeepSeek Coder V2合并并升级为DeepSeek V2.5。当前的API模型ID是 deepseek-v4-pro and deepseek-v4-flash; DeepSeek仍然映射的唯一旧版ID是 deepseek-chat and deepseek-reasoner，将于2026年7月24日15:59 UTC退役。

今天，只有 deepseek-chat and deepseek-reasoner 被记录为仍然可路由的；根据DeepSeek的官方通知，它们将于退役 2026-07-24 at 15:59 UTC. deepseek-coder 不在那份退休通知中，并且不再是文档化的当前模型ID。新代码应针对 deepseek-v4-pro or deepseek-v4-flash 直接。聊天请求触达 POST /chat/completions, the OpenAI-compatible endpoint at https://api.deepseek.com；同时也在相同的基URL上暴露了Anthropic兼容的表面。API是无状态的——您的客户端必须在每次调用时重新发送完整的信息历史。chat.deepseek.com上的网页聊天会保留会话历史；API不会。

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key="YOUR_KEY",
)

resp = client.chat.completions.create(
    model="deepseek-v4-flash",   # current Coder V2 work targets V4-Flash directly; deepseek-coder is no longer a current API ID
    messages=[{"role": "user", "content": "Refactor this Python function..."}],
    temperature=0.0,             # 0.0 for code generation per DeepSeek guidance
    max_tokens=2048,
)
print(resp.choices[0].message.content)

对于完整参数参考，请参阅 DeepSeek API documentation. Useful parameters worth knowing: temperature, top_p, max_tokens, response_format （JSON模式），工具调用，流式传输，FIM完成（Beta — 需要） thinking: {"type": "disabled"}），以及聊天前缀完成（Beta）。JSON模式旨在返回有效的JSON，但不保证——在提示中包含单词“json”以及一个小示例模式，并设置 max_tokens high enough to avoid truncation.

Pricing snapshot (as of April 2026)

Coder V2 现在没有单独的价格列表 — 调用落在 V4-Flash 上。每1M个令牌的头条费率：

V4-Flash上的工作示例：使用2,000个token的缓存系统提示、200个token的用户消息和300个token的回复，进行了1,000,000次调用。

• Cached input: 2,000,000,000 tokens × $0.0028/M = $5.60
• Uncached input: 200,000,000 tokens × $0.14/M = $28.00
• Output: 300,000,000 tokens × $0.28/M = $84.00
• Total: $117.60

峰时折扣已于2025-09-05结束，尚未恢复。在做出任何承诺之前，请始终重新检查官方定价页面——另请参阅 DeepSeek API pricing breakdown.

Best use cases

• IDE自动补全和FIM补全——与VS Code搭配使用 DeepSeek与VS Code的配置.
• 超过128K-token存储库上下文的批量代码重构
• 在338种语言表面上进行多语言代码生成——详见 DeepSeek for coding 端到端工作流程。
• 在本地或断网部署中，权重至关重要——Lite 16B是现实目标。
• 个体贡献者的工作流程在 DeepSeek for developers.

Comparable alternatives

如果您在权衡Coder V2与闭源编码器，自然比较是 DeepSeek Coder与GitHub Copilot 对于IDE工作流程，以及更广泛的聊天编码器评估，例如 DeepSeek与ChatGPT. 对于其他开放权重选项，DeepSeek的替代品汇总涵盖了Codestral、Qwen-Coder和StarCoder2。 专注于编码的DeepSeek替代品汇总 包括Codestral、Qwen-Coder和StarCoder2。

Verdict

当您需要具有强大HumanEval/MBPP+数值、128K上下文和宽松的商业用途许可的开放权重时，DeepSeek Coder V2仍然是正确答案——尤其是适用于自托管的Lite 16B。对于新的托管API工作，请指向 deepseek-v4-flash它按token计费更便宜，并且默认提供思维模式；原始托管端点于2024年退役，不再是当前模型ID。 deepseek-coder 在发送请求之前的一个快速检查方法。

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek documentation and pricing page before committing to a production decision.