open-r1_OlympicCoder-7B-GGUF開源代碼生成模型

首頁

Open R1 OlympicCoder 7B GGUF

由bartowski開發

OlympicCoder-7B是一個專注於代碼生成的7B參數大語言模型，基於open-r1/OlympicCoder-7B進行llama.cpp量化，支持多種量化級別選擇。

大型語言模型英語開源協議:Apache-2.0 #代碼生成 #競賽編程 #多級量化

下載量 5,859

發布時間 : 3/11/2025

模型概述

這是一個針對編程競賽和代碼生成任務優化的7B參數語言模型，提供從BF16到Q2_K的多種量化版本，適用於不同硬件環境。

模型特點

多樣化量化選項

提供從BF16到Q2_K共22種量化版本，滿足不同硬件性能和存儲需求

代碼生成優化

基於Codeforces競賽數據集訓練，擅長解決編程競賽類問題

跨平臺支持

支持LM Studio、llama.cpp等多種運行環境，兼容ARM/AVX架構

智能權重分配

部分量化版本中嵌入和輸出權重使用更高精度的Q8_0量化

模型能力

代碼生成

編程問題解答

算法實現

文本補全

使用案例

編程教育

編程競賽訓練

幫助學生理解和解決類似Codeforces的編程競賽題目

可生成符合競賽要求的代碼解決方案

開發輔助

代碼自動補全

在IDE中提供智能代碼補全建議

提高開發效率，減少重複編碼工作

🚀 open-r1對OlympicCoder-7B的Llamacpp imatrix量化版本

本項目是對open-r1的OlympicCoder-7B模型進行的Llamacpp imatrix量化處理。它能幫助用戶在不同硬件條件下更高效地運行模型，提供了多種量化類型供選擇，以平衡模型質量和文件大小。

🚀 快速開始

使用 llama.cpp 版本 b4867 進行量化。原始模型：https://huggingface.co/open-r1/OlympicCoder-7B 所有量化均使用imatrix選項，並採用來自此處的數據集。你可以在 LM Studio 中運行這些量化模型，也可以直接使用 llama.cpp 或任何基於llama.cpp的項目來運行。

✨ 主要特性

多種量化類型：提供了豐富的量化類型，如bf16、Q8_0、Q6_K_L等，滿足不同硬件和性能需求。
在線重打包：部分量化類型支持在線重打包，可自動優化ARM和AVX機器的性能。
靈活選擇：用戶可根據自身硬件條件和需求，選擇合適的量化文件。

📦 安裝指南

使用huggingface-cli下載

點擊查看下載說明

首先，確保你已安裝huggingface-cli：

pip install -U "huggingface_hub[cli]"

然後，你可以指定要下載的特定文件：

huggingface-cli download bartowski/open-r1_OlympicCoder-7B-GGUF --include "open-r1_OlympicCoder-7B-Q4_K_M.gguf" --local-dir ./

如果模型大小超過50GB，它會被拆分為多個文件。若要將它們全部下載到本地文件夾，可運行：

huggingface-cli download bartowski/open-r1_OlympicCoder-7B-GGUF --include "open-r1_OlympicCoder-7B-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如open-r1_OlympicCoder-7B-Q8_0），也可以將它們全部下載到當前目錄（./）。

💻 使用示例

提示格式

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
<think>

📚 詳細文檔

下載文件選擇

文件名	量化類型	文件大小	拆分情況	描述
OlympicCoder-7B-bf16.gguf	bf16	15.24GB	false	完整的BF16權重。
OlympicCoder-7B-Q8_0.gguf	Q8_0	8.10GB	false	極高質量，通常不需要，但為最大可用量化。
OlympicCoder-7B-Q6_K_L.gguf	Q6_K_L	6.52GB	false	嵌入和輸出權重使用Q8_0。非常高質量，接近完美，推薦。
OlympicCoder-7B-Q6_K.gguf	Q6_K	6.25GB	false	非常高質量，接近完美，推薦。
OlympicCoder-7B-Q5_K_L.gguf	Q5_K_L	5.78GB	false	嵌入和輸出權重使用Q8_0。高質量，推薦。
OlympicCoder-7B-Q5_K_M.gguf	Q5_K_M	5.44GB	false	高質量，推薦。
OlympicCoder-7B-Q5_K_S.gguf	Q5_K_S	5.32GB	false	高質量，推薦。
OlympicCoder-7B-Q4_K_L.gguf	Q4_K_L	5.09GB	false	嵌入和輸出權重使用Q8_0。質量良好，推薦。
OlympicCoder-7B-Q4_1.gguf	Q4_1	4.87GB	false	舊格式，性能與Q4_K_S相似，但在Apple硅芯片上每瓦令牌數有所提高。
OlympicCoder-7B-Q4_K_M.gguf	Q4_K_M	4.68GB	false	質量良好，是大多數用例的默認大小，推薦。
OlympicCoder-7B-Q3_K_XL.gguf	Q3_K_XL	4.57GB	false	嵌入和輸出權重使用Q8_0。質量較低但可用，適合低內存情況。
OlympicCoder-7B-Q4_K_S.gguf	Q4_K_S	4.46GB	false	質量略低，但節省空間，推薦。
OlympicCoder-7B-Q4_0.gguf	Q4_0	4.44GB	false	舊格式，支持ARM和AVX CPU推理的在線重打包。
OlympicCoder-7B-IQ4_NL.gguf	IQ4_NL	4.44GB	false	與IQ4_XS相似，但略大。支持ARM CPU推理的在線重打包。
OlympicCoder-7B-IQ4_XS.gguf	IQ4_XS	4.22GB	false	質量不錯，比Q4_K_S小，性能相似，推薦。
OlympicCoder-7B-Q3_K_L.gguf	Q3_K_L	4.09GB	false	質量較低但可用，適合低內存情況。
OlympicCoder-7B-Q3_K_M.gguf	Q3_K_M	3.81GB	false	低質量。
OlympicCoder-7B-IQ3_M.gguf	IQ3_M	3.57GB	false	中低質量，新方法，性能與Q3_K_M相當。
OlympicCoder-7B-Q2_K_L.gguf	Q2_K_L	3.55GB	false	嵌入和輸出權重使用Q8_0。質量非常低，但出人意料地可用。
OlympicCoder-7B-Q3_K_S.gguf	Q3_K_S	3.49GB	false	低質量，不推薦。
OlympicCoder-7B-IQ3_XS.gguf	IQ3_XS	3.35GB	false	質量較低，新方法，性能不錯，略優於Q3_K_S。
OlympicCoder-7B-IQ3_XXS.gguf	IQ3_XXS	3.11GB	false	質量較低，新方法，性能不錯，與Q3量化相當。
OlympicCoder-7B-Q2_K.gguf	Q2_K	3.02GB	false	質量非常低，但出人意料地可用。
OlympicCoder-7B-IQ2_M.gguf	IQ2_M	2.78GB	false	質量相對較低，採用最先進技術，出人意料地可用。

嵌入/輸出權重

部分量化（如Q3_K_XL、Q4_K_L等）採用標準量化方法，將嵌入和輸出權重量化為Q8_0，而非通常的默認值。

ARM/AVX信息

以前，你會下載Q4_0_4_4/4_8/8_8，這些權重會在內存中交錯排列，以便通過一次加載更多數據來提高ARM和AVX機器的性能。

然而，現在有了一種名為“在線重打包”的權重處理方式。詳情見此PR。如果你使用Q4_0，且硬件能從權重重打包中受益，它將自動即時進行處理。

從llama.cpp構建版本 b4282 開始，你將無法運行Q4_0_X_X文件，而需要使用Q4_0。

此外，如果你想獲得略好的質量，可以使用IQ4_NL，這得益於此PR，它也會為ARM重打包權重，不過目前僅支持4_4。加載時間可能會更長，但總體速度會提高。

點擊查看Q4_0_X_X信息（已棄用）

我保留這部分內容，以展示使用支持在線重打包的Q4_0在性能上的潛在理論提升。

點擊查看AVX2系統（EPYC7702）上的基準測試

模型	大小	參數	後端	線程數	測試	令牌/秒	與Q4_0相比的百分比
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp512	204.03 ± 1.03	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp1024	282.92 ± 0.19	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	pp2048	259.49 ± 0.44	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg128	39.12 ± 0.27	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg256	39.31 ± 0.69	100%
qwen2 3B Q4_0	1.70 GiB	3.09 B	CPU	64	tg512	40.52 ± 0.03	100%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp512	301.02 ± 1.74	147%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp1024	287.23 ± 0.20	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	pp2048	262.77 ± 1.81	101%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg128	18.80 ± 0.99	48%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg256	24.46 ± 3.04	83%
qwen2 3B Q4_K_M	1.79 GiB	3.09 B	CPU	64	tg512	36.32 ± 3.59	90%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp512	271.71 ± 3.53	133%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp1024	279.86 ± 45.63	100%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	pp2048	320.77 ± 5.00	124%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg128	43.51 ± 0.05	111%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg256	43.35 ± 0.09	110%
qwen2 3B Q4_0_8_8	1.69 GiB	3.09 B	CPU	64	tg512	42.60 ± 0.31	105%