Seed Coder 8B Reasoning GGUF

🚀 Seed-Coder-8B-Reasoning

Seed-Coder是一个强大、透明且参数高效的8B规模开源代码模型家族，包含基础、指令和推理等变体，在多种编码任务中表现出色。

Unsloth Dynamic 2.0 实现了卓越的准确性，超越了其他领先的量化方法。

✨ 主要特性

我们很高兴推出Seed-Coder，这是一个强大、透明且参数高效的8B规模开源代码模型家族，具有基础、指令和推理等变体。Seed-Coder通过以下亮点推动了开源代码模型的发展：

• 以模型为中心：Seed-Coder主要利用大语言模型（LLMs）而非手工规则进行代码数据过滤，最大限度地减少了预训练数据构建中的人工工作量。
• 透明：我们公开分享了以模型为中心的数据管道的详细信息，包括整理GitHub数据、提交数据和代码相关网络数据的方法。
• 强大：在各种编码任务中，Seed-Coder在同类规模的开源模型中达到了最先进的性能。

本仓库包含 Seed-Coder-8B-Reasoning 模型，该模型具有以下特点：

📦 安装指南

你需要安装最新版本的 transformers 和 accelerate：

pip install -U transformers accelerate

🚀 快速开始

以下是一个简单的示例，展示了如何使用Hugging Face的 pipeline API加载模型并进行代码生成：

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "ByteDance-Seed/Seed-Coder-8B-Reasoning"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)

messages = [
    {"role": "user", "content": "Write a quick sort algorithm."},
]

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

outputs = model.generate(input_ids, max_new_tokens=16384)
response = tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True)
print(response)

📚 详细文档

Seed-Coder-8B-Reasoning在竞赛编程中表现出色，证明了较小的大语言模型也能胜任复杂的推理任务。我们的模型在IOI'2024上超越了QwQ-32B和DeepSeek-R1，在Codeforces竞赛中的ELO评级与o1-mini相当。

有关详细的基准测试性能，请参考我们的 📑 技术报告。

📄 许可证

本项目采用MIT许可证。有关详细信息，请参阅 许可证文件。

📦 模型下载