原创 深度求索 2024-09-06 19:38 北京
DeepSeek-V2.5 不仅保留了原有 Chat 模型的通用对话能力和 Coder 模型的强大代码处理能力，还更好地对齐了人类偏好
今天，我们完成了 DeepSeek-V2-Chat 和 DeepSeek-Coder-V2 两个模型的合并，正式发布 DeepSeek-V2.5。
DeepSeek-V2.5 不仅保留了原有 Chat 模型的通用对话能力和 Coder 模型的强大代码处理能力，还更好地对齐了人类偏好。此外，DeepSeek-V2.5 在写作任务、指令跟随等多个方面也实现了大幅提升。
DeepSeek-V2.5 现已在网页端及 API 全面上线，API 接口向前兼容，用户通过deepseek-coder 或 deepseek-chat 均可以访问新的模型。同时，Function Calling、FIM 补全、Json Output 等功能保持不变。
All-in-One 的 DeepSeek-V2.5 将为用户带来更简洁、智能、高效的使用体验。
升级历史
DeepSeek 一直专注于模型的改进和优化。在 6 月份，我们对 DeepSeek-V2-Chat 进行了重大升级，用 Coder V2 的 Base 模型替换原有的 Chat 的 Base 模型，显著提升了其代码生成和推理能力，并发布了 DeepSeek-V2-Chat-0628 版本。紧接着，DeepSeek-Coder-V2 在原有 Base 模型的基础上，通过对齐优化，大大提升通用能力后推出了 DeepSeek-Coder-V2 0724 版本。最终，我们成功将 Chat 和 Coder 两个模型合并，推出了全新的DeepSeek-V2.5 版本。
由于本次模型版本变动较大，如出现某些场景效果变差，建议重新调整 System Prompt 和 Temperature，以获得最佳性能。
通用能力
通用能力测评
首先，我们使用业界通用的测试集对 DeepSeek-V2.5 的能力进行测评，在中文和英文四个测试集上，DeepSeek-V2.5 均优于之前的 DeepSeek-V2-0628 以及 DeepSeek-Coder-V2-0724。
在我们内部的中文评测中，和 GPT-4o mini、ChatGPT-4o-latest 的对战胜率（裁判为 GPT-4o）相较于 DeepSeek-V2-0628 均有明显提升。此测评中涵盖创作、问答等通用能力，用户使用体验将得到提升：
DeepSeek-v2.5 Preference Evaluation
安全能力测评
Safety 和 Helpful 之间的权衡是我们在迭代开发中一直重点关注的问题。在 DeepSeek-V2.5 版本中，我们对于模型安全问题的边界做了更加清晰的划分，在强化模型对于各种越狱攻击的安全性的同时，减少了安全策略过度泛化到正常问题中去的倾向。
*基于内部测试集合的得分，分数越高代表模型的整体安全性越高
**基于内部测试集合的得分，比例越低代表模型的安全策略对于正常问题的影响越小
代码能力
在代码方面，DeepSeek-V2.5 保留了 DeepSeek-Coder-V2-0724 强大的代码能力。在 HumanEval Python 和LiveCodeBench（2024 年 1 月 - 2024 年 9 月）测试中，DeepSeek-V2.5 显示了较为显著的改进。在 HumanEval Multilingual 和 Aider 测试中，DeepSeek-Coder-V2-0724 略胜一筹。在 SWE-verified 测试中，两个版本的表现都较低，表明在此方面仍需进一步优化。另外，在FIM补全任务上，内部评测集DS-FIM-Eval的评分提升了 5.1%，可以带来更好的插件补全体验。
另外，DeepSeek-V2.5对代码常见场景进行了优化，以提升实际使用的表现。在内部的主观评测 DS-Arena-Code 中，DeepSeek-V2.5 对战竞品的胜率（GPT-4o 为裁判）取得了显著提升。
模型开源
一如既往，秉持着持久开源的精神，DeepSeek-V2.5 现已开源到了 HuggingFace：
https://huggingface.co/deepseek-ai/DeepSeek-V2.5
——end——
