DeepSeek Coder : modèles de code, FIM et usage local

DeepSeek Coder désigne deux générations historiques de modèles spécialisés dans le code : la famille dense originale publiée en 2023 et DeepSeek-Coder-V2, une génération MoE publiée en 2024. Leurs poids restent téléchargeables pour une exécution locale ou un travail de recherche, mais aucun modèle nommé DeepSeek Coder n’est proposé dans l’API officielle actuelle. Pour une intégration hébergée et maintenue par DeepSeek, les identifiants publics sont désormais deepseek-v4-flash et deepseek-v4-pro.

À retenir : choisissez DeepSeek Coder uniquement si vous avez besoin d’un checkpoint précis, reproductible et auto-hébergé. Pour un nouveau produit utilisant l’API officielle, partez sur DeepSeek-V4 et non sur un ancien nom deepseek-coder.

Dernière vérification : 20 juillet 2026. Ce site est un guide indépendant, sans affiliation avec DeepSeek. Les caractéristiques ci-dessous sont vérifiées dans les dépôts, fiches de modèles et licences publiés par DeepSeek.

Statut de DeepSeek Coder en 2026

Famille	Ce qu’elle contient	Contexte documenté	Statut
DeepSeek Coder original	Modèles denses Base et Instruct de 1,3B, 6,7B et 33B, plus un Base 5,7B MQA	16K	Poids historiques disponibles ; pas d’identifiant dans l’API actuelle
DeepSeek-Coder-V2	MoE Lite 16B/2,4B actifs et modèle complet 236B/21B actifs, en Base et Instruct	128K	Poids historiques disponibles ; déploiement local exigeant
DeepSeek-V4	`deepseek-v4-flash` et `deepseek-v4-pro`	1M dans les services officiels	Famille actuellement proposée sur le Web, l’application et l’API

Cette distinction évite une erreur fréquente : une ancienne page du dépôt Coder-V2 peut encore mentionner le chat ou la plateforme API de l’époque, mais elle ne décrit pas le catalogue actuel. La liste officielle des modèles de l’API fait foi au moment de l’intégration.

DeepSeek Coder original : à quoi servait-il ?

La première famille DeepSeek Coder a été entraînée depuis zéro sur 2 000 milliards de tokens : 87 % de code et 13 % de texte en anglais et en chinois. DeepSeek a organisé une partie des données au niveau des dépôts afin de mieux représenter les chemins de fichiers et leurs dépendances. Une deuxième phase de préentraînement a étendu la fenêtre à 16K, puis les variantes Instruct ont reçu un ajustement sur des consignes.

Base : adapté à la complétion, au Fill-in-the-Middle et à l’adaptation sur des données contrôlées.
Instruct : adapté aux demandes formulées en langage naturel : expliquer, corriger, refactoriser ou tester du code.
1,3B : checkpoint léger pour l’expérimentation et les machines modestes.
6,7B : compromis pratique pour un assistant local.
33B : plus capable dans cette génération, mais beaucoup plus lourd.
5,7B MQA Base : variante technique distincte ; elle ne doit pas être présentée comme une version Instruct.

Le dépôt officiel DeepSeek Coder documente la complétion de projet et le Fill-in-the-Middle. Cela ne transforme pas le modèle en IDE : il ne lance pas les tests, ne comprend que les fichiers réellement fournis dans son contexte et peut inventer une API ou une dépendance.

DeepSeek-Coder-V2 : ce qui change

DeepSeek-Coder-V2 n’est pas une simple mise à jour du checkpoint 33B. Cette génération poursuit le préentraînement d’un checkpoint intermédiaire de DeepSeek-V2 avec 6 000 milliards de tokens supplémentaires et adopte une architecture Mixture-of-Experts. Elle étend également la fenêtre documentée de 16K à 128K.

Checkpoint officiel	Paramètres totaux / actifs	Orientation	Usage réaliste
Coder-V2-Lite-Base	16B / 2,4B	Complétion et FIM	Recherche ou serveur local disposant d’un GPU adapté
Coder-V2-Lite-Instruct	16B / 2,4B	Consignes et dialogue	Assistant de code auto-hébergé
Coder-V2-Base	236B / 21B	Fondation	Infrastructure multi-GPU
Coder-V2-Instruct	236B / 21B	Consignes	Infrastructure multi-GPU

Les paramètres « actifs » expliquent le coût de calcul par token, mais ils ne représentent pas la mémoire totale nécessaire pour stocker les poids. Le dépôt officiel indique huit GPU de 80 Go pour le modèle Coder-V2 complet en BF16. La variante Lite reste plus accessible, sans être un modèle pour ordinateur portable ordinaire.

Quel modèle choisir aujourd’hui ?

Besoin	Choix conseillé	Pourquoi
API officielle, agent de code ou grand contexte	DeepSeek-V4	Modèles actuels, servis et documentés par DeepSeek
Assistant local compact	Coder 1,3B ou 6,7B Instruct	Poids plus faciles à déployer et comportement reproductible
Complétion ou insertion dans du code	Une variante Base	Entraînement adapté à la continuation et au FIM
Ancien projet construit sur Coder-V2	Checkpoint V2 exact déjà validé	Évite une migration silencieuse de comportement
Nouveau serveur local puissant	Comparer Coder-V2 Lite et un modèle plus récent	V2 reste utile, mais ce n’est plus la génération courante

Pour un projet en production, commencez par formaliser vos critères : taux de tests réussis, sécurité des correctifs, latence, mémoire, licence et qualité en français. Une ancienne victoire sur HumanEval ne prédit pas automatiquement les performances sur votre dépôt, votre framework ou vos règles métier.

Exécuter DeepSeek Coder localement avec Transformers

L’exemple suivant utilise le checkpoint officiel deepseek-coder-1.3b-instruct. Il privilégie une petite variante pour rendre le test possible sans laisser croire que Coder-V2 complet tient sur une machine standard.

python -m venv .venv
source .venv/bin/activate
# Sous Windows PowerShell : .venv\Scripts\Activate.ps1
pip install torch transformers accelerate

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_ID = "deepseek-ai/deepseek-coder-1.3b-instruct"

tokenizer = AutoTokenizer.from_pretrained(
    MODEL_ID,
    trust_remote_code=True,
)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto",
)
model.eval()

messages = [
    {
        "role": "user",
        "content": (
            "Écris une fonction Python qui valide un numéro SIREN. "
            "Utilise uniquement la bibliothèque standard, ajoute les annotations "
            "de types et quatre tests avec assert. Explique les limites."
        ),
    }
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        max_new_tokens=384,
        do_sample=False,
        eos_token_id=tokenizer.eos_token_id,
        pad_token_id=tokenizer.eos_token_id,
    )

answer = tokenizer.decode(
    output_ids[0, input_ids.shape[1]:],
    skip_special_tokens=True,
)
print(answer)

trust_remote_code=True autorise l’exécution de code fourni avec le modèle. Inspectez le dépôt et fixez une révision précise pour une chaîne de production. Sur CPU, l’inférence sera lente ; sur GPU, la précision, le contexte et le cache KV influencent fortement la mémoire. La taille théorique des poids n’inclut ni le cache, ni les activations, ni les surcoûts du moteur.

Méthode de validation pour une équipe française

Constituez 30 à 100 tâches issues de votre code réel, sans secrets ni données personnelles.
Demandez un patch, pas seulement un bloc de code isolé.
Exécutez compilation, lint, tests unitaires et analyse de sécurité dans un bac à sable.
Mesurez le taux de correctifs acceptés sans retouche et le nombre de régressions.
Testez séparément les consignes françaises et anglaises : les familles historiques ont surtout été documentées pour l’anglais et le chinois.
Faites relire les changements affectant authentification, paiements, chiffrement ou données personnelles.

Un déploiement local peut limiter l’envoi des prompts à un fournisseur externe, mais il ne garantit pas à lui seul la confidentialité. Vérifiez les extensions d’IDE, journaux, systèmes de télémétrie, sauvegardes et droits d’accès. Pour des données personnelles en France, documentez aussi la finalité, la durée de conservation et les mesures de sécurité.

Prompts de test reproductibles

Évaluez le modèle avec des tâches dont le résultat peut être compilé et testé. Indiquez toujours le langage, la version, les dépendances autorisées, l’interface à préserver et le format de sortie. Trois modèles de consignes couvrent la plupart des essais :

Corriger sans réécrire tout le fichier

Contexte : API FastAPI, Python 3.12, SQLAlchemy 2.
Défaut : deux requêtes simultanées peuvent créer le même enregistrement.
Objectif : proposer le plus petit correctif idempotent.
Contraintes : ne change pas l’API publique et n’ajoute aucune dépendance.
Sortie : cause probable, patch unifié, test reproduisant la concurrence,
puis hypothèses qui restent à vérifier.

Refactoriser avec un contrat mesurable

Refactorise la classe TypeScript fournie sans modifier ses méthodes publiques.
Sépare validation, accès aux données et règles métier. Conserve Node.js 22,
le mode strict et les dépendances existantes. Retourne d’abord un plan,
puis les fichiers complets et enfin la liste des tests de non-régression.

Analyser plusieurs fichiers sans halluciner

À partir uniquement des fichiers fournis, décris le trajet d’une requête
du contrôleur à la base de données. Cite chaque fonction et chaque fichier.
Si une information manque, écris « non vérifiable dans le contexte ».
Termine par cinq questions à poser à l’équipe avant toute modification.

Conservez les mêmes prompts, paramètres de génération et versions de dépendances lorsque vous comparez Coder 6,7B, Coder-V2 Lite et V4. Sans ce protocole, une réponse plus longue ou mieux formulée peut donner l’illusion d’un meilleur modèle alors que le code échoue aux mêmes tests.

Migrer un ancien projet Coder vers DeepSeek-V4

Identifiez le checkpoint exact, son format de prompt et ses paramètres de génération.
Figez un jeu de tâches et les sorties attendues avant de changer de modèle.
Adaptez l’intégration à l’API actuelle ; ne remplacez pas seulement le nom du modèle dans un serveur local.
Vérifiez les différences de contexte, de mode de raisonnement, de FIM et d’outils.
Mesurez de nouveau qualité, coût, latence et exposition des données.
Gardez un retour arrière jusqu’à validation des cas critiques.

Une migration vers V4 échange le contrôle d’un checkpoint local contre un service actuel et maintenu. Ce choix peut simplifier l’exploitation, mais modifie la confidentialité, la facturation, la disponibilité réseau et la reproductibilité. Si le projet doit fonctionner hors ligne ou produire le même comportement pendant plusieurs années, conserver un modèle historique validé peut rester rationnel.

Limites à connaître

Le modèle peut produire du code compilable mais faux ou vulnérable.
Une fenêtre de 16K ou 128K ne signifie pas que tout un dépôt est correctement compris.
Les dépendances, signatures d’API et CVE peuvent être obsolètes.
Une quantification réduit la mémoire, mais peut modifier qualité et vitesse.
Les scores publiés par DeepSeek reflètent des protocoles de benchmark précis, pas votre environnement.
Les checkpoints historiques ne reçoivent pas automatiquement les capacités ou corrections de DeepSeek-V4.

Licences : code et poids ne sont pas identiques

Pour DeepSeek Coder original comme pour Coder-V2, le code du dépôt est publié sous licence MIT, tandis que les poids sont soumis à la DeepSeek Model License. Les dépôts indiquent que l’usage commercial est permis sous ses conditions. N’écrivez donc pas simplement « licence MIT » pour l’ensemble du modèle et ne présentez pas cette famille comme « open source » sans préciser la licence des poids.

Avant redistribution, fine-tuning ou mise à disposition sous forme de service, lisez la licence attachée au checkpoint exact et conservez-en une copie datée. La licence des poids n’accorde pas automatiquement un droit d’utiliser le nom ou le logo DeepSeek comme marque de votre produit.

Questions fréquentes

DeepSeek Coder est-il encore disponible dans l’API officielle ?

Non sous un identifiant dédié. Au 20 juillet 2026, l’API publique liste deepseek-v4-flash et deepseek-v4-pro. Les anciens poids Coder restent téléchargeables séparément.

Base ou Instruct : lequel faut-il télécharger ?

Choisissez Base pour la complétion, le FIM ou une adaptation contrôlée. Choisissez Instruct pour dialoguer, expliquer un défaut ou générer un correctif à partir d’une consigne.

Coder-V2 Lite est-il un modèle de 2,4B ?

Non. Il contient 16B paramètres au total et en active environ 2,4B par token grâce à l’architecture MoE. Le stockage des poids dépend du total, pas seulement des paramètres actifs.

Peut-on utiliser DeepSeek Coder commercialement ?

Les dépôts officiels l’autorisent sous les conditions de la DeepSeek Model License. Le code est sous MIT, mais les poids ont leur propre licence ; vérifiez le checkpoint et votre mode de distribution.

DeepSeek Coder remplace-t-il une revue de code ?

Non. Toute sortie doit être compilée, testée et relue. Les changements de sécurité, de paiement ou de données personnelles nécessitent une validation humaine renforcée.

Sources officielles

Pour poursuivre : consultez notre guide DeepSeek pour le code, le comparatif exécution locale ou API et la page consacrée à DeepSeek-V4.