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。 1.Introduction 软件开发领域因大型语言模型的迅速进步（OpenAI,2023；Touvron et al.,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；Nijkamp et al.,2022；Rozieretal.,2023；Wangetal.,2021）与闭源模型（Gemini Team,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（Bavarianetal.,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。
