Olympiccoder 32B GGUF

🚀 OlympicCoder-32B GGUF模型

OlympicCoder-32B是一个代码模型，在诸如LiveCodeBench和2024年国际信息学奥林匹克竞赛等竞赛编程基准测试中表现出色。该模型在代码竞赛领域具有强大的竞争力，为开发者和研究者提供了有力的工具。

🚀 快速开始

你可以使用🤗 Transformers库中的pipeline()函数来运行该模型：

# pip install transformers
# pip install accelerate

import torch
from transformers import pipeline

pipe = pipeline("text-generation", model="open-r1/OlympicCoder-32B", torch_dtype=torch.bfloat16, device_map="auto")

# We use the tokenizer's chat template to format each message - see https://huggingface.co/docs/transformers/main/en/chat_templating
messages = [
    {"role": "user", "content": "Write a python program to calculate the 10th Fibonacci number"},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt, max_new_tokens=8000, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])
#<|im_start|>user
#Write a python program to calculate the 10th fibonacci number<|im_end|>
#<|im_start|>assistant
#<think>Okay, I need to write a Python program that calculates the 10th Fibonacci number. Hmm, the Fibonacci sequence starts with 0 and 1. Each subsequent number is the sum of the two preceding ones. So the sequence goes: 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, and so on. ...

⚠️ 重要提示

为确保模型持续输出长思维链，我们已编辑聊天模板，在第一个助手回复中预填充了<think>标记。因此，如果你使用模型的generate()方法，输出将不会显示开头的<think>标记。若要使用格式奖励进行强化学习，可在模型完成的内容前添加<think>标记，或修改聊天模板以移除预填充内容。更多详情请查看我们的博客文章。

✨ 主要特性

超低比特量化技术

我们最新的量化方法为超低比特模型（1 - 2比特）引入了精度自适应量化，经基准测试证明，该方法在Llama - 3 - 8B上有显著改进。此方法采用特定层策略，在保持极高内存效率的同时保留了准确性。

多模型格式支持

提供多种模型格式，如BF16、F16、量化模型（Q4_K、Q6_K、Q8等）以及极低比特量化模型（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0），可根据不同的硬件能力和内存限制进行选择。

多场景适用

适用于多种场景，包括内存受限的部署、CPU和边缘设备，以及超低比特量化研究等。

📦 安装指南

文档未提及具体安装步骤，可参考相关库（如transformers）的官方安装指南进行安装。

💻 使用示例

基础用法

# pip install transformers
# pip install accelerate

import torch
from transformers import pipeline

pipe = pipeline("text-generation", model="open-r1/OlympicCoder-32B", torch_dtype=torch.bfloat16, device_map="auto")

# We use the tokenizer's chat template to format each message - see https://huggingface.co/docs/transformers/main/en/chat_templating
messages = [
    {"role": "user", "content": "Write a python program to calculate the 10th Fibonacci number"},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt, max_new_tokens=8000, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])
#<|im_start|>user
#Write a python program to calculate the 10th fibonacci number<|im_end|>
#<|im_start|>assistant
#<think>Okay, I need to write a Python program that calculates the 10th Fibonacci number. Hmm, the Fibonacci sequence starts with 0 and 1. Each subsequent number is the sum of the two preceding ones. So the sequence goes: 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, and so on. ...

📚 详细文档

量化方法详情

基准测试环境

所有测试均在Llama - 3 - 8B - Instruct上进行，使用以下设置：

• 标准困惑度评估管道
• 2048令牌上下文窗口
• 所有量化使用相同的提示集

量化方法

• 动态精度分配：
  • 前/后25%的层 → IQ4_XS（选定层）
  • 中间50% → IQ2_XXS/IQ3_S（提高效率）
• 关键组件保护：
  • 嵌入层/输出层使用Q5_K
  • 与标准1 - 2比特量化相比，误差传播降低38%

量化性能比较（Llama - 3 - 8B）

量化方式	标准困惑度	DynamicGate困惑度	困惑度变化	标准大小	DG大小	大小变化	标准速度	DG速度
IQ2_XXS	11.30	9.84	-12.9%	2.5G	2.6G	+0.1G	234s	246s
IQ2_XS	11.72	11.63	-0.8%	2.7G	2.8G	+0.1G	242s	246s
IQ2_S	14.31	9.02	-36.9%	2.7G	2.9G	+0.2G	238s	244s
IQ1_M	27.46	15.41	-43.9%	2.2G	2.5G	+0.3G	206s	212s
IQ1_S	53.07	32.00	-39.7%	2.1G	2.4G	+0.3G	184s	209s

关键说明：

• PPL = 困惑度（越低越好）
• Δ PPL = 从标准量化到DynamicGate量化的百分比变化
• 速度 = 推理时间（CPU avx2，2048令牌上下文）
• 大小差异反映了混合量化的开销

主要改进：

• 🔥 IQ1_M的困惑度大幅降低43.9%（从27.46降至15.41）
• 🚀 IQ2_S的困惑度降低36.9%，同时仅增加0.2GB
• ⚡ IQ1_S尽管是1比特量化，但准确性提高了39.7%

权衡之处：

• 所有变体的大小均有适度增加（0.1 - 0.3GB）
• 推理速度相近（差异<5%）

使用场景

• 📌 将模型装入GPU显存
• ✔ 内存受限的部署
• ✔ 可容忍1 - 2比特误差的CPU和边缘设备
• ✔ 超低比特量化研究

模型格式选择

选择正确的模型格式取决于你的硬件能力和内存限制。

BF16（Brain Float 16） – 若支持BF16加速则使用

• 一种16位浮点格式，专为更快的计算而设计，同时保留了良好的精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 若你的硬件支持BF16加速（请检查设备规格），建议使用。
• 与FP32相比，适用于高性能推理且内存占用减少的场景。

📌 适用情况： ✔ 你的硬件具有原生BF16支持（如较新的GPU、TPU）。 ✔ 你希望在节省内存的同时获得更高的精度。 ✔ 你计划将模型重新量化为其他格式。

📌 避免情况： ❌ 你的硬件不支持BF16（可能会回退到FP32并运行较慢）。 ❌ 你需要与缺乏BF16优化的旧设备兼容。

F16（Float 16） – 比BF16更广泛支持

• 一种16位浮点格式，精度较高，但取值范围小于BF16。
• 适用于大多数支持FP16加速的设备（包括许多GPU和一些CPU）。
• 数值精度略低于BF16，但通常足以进行推理。

📌 适用情况： ✔ 你的硬件支持FP16但不支持BF16。 ✔ 你需要在速度、内存使用和准确性之间取得平衡。 ✔ 你在GPU或其他针对FP16计算优化的设备上运行。

📌 避免情况： ❌ 你的设备缺乏原生FP16支持（可能运行比预期慢）。 ❌ 你有内存限制。

量化模型（Q4_K、Q6_K、Q8等） – 用于CPU和低显存推理

量化可在尽可能保持准确性的同时减小模型大小和内存使用。

• 低比特模型（Q4_K） → 最适合最小内存使用，可能精度较低。
• 高比特模型（Q6_K、Q8_0） → 准确性更好，需要更多内存。

📌 适用情况： ✔ 你在CPU上运行推理，需要优化的模型。 ✔ 你的设备显存较低，无法加载全精度模型。 ✔ 你希望在保持合理准确性的同时减少内存占用。

📌 避免情况： ❌ 你需要最高准确性（全精度模型更适合）。 ❌ 你的硬件有足够的显存用于更高精度的格式（BF16/F16）。

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极端内存效率进行了优化，非常适合低功耗设备或大规模部署，其中内存是关键限制因素。

• IQ3_XS：超低比特量化（3比特），具有极高的内存效率。
  • 使用场景：最适合超低内存设备，即使Q4_K也太大的情况。
  • 权衡：与高比特量化相比，准确性较低。
• IQ3_S：小块大小，实现最大内存效率。
  • 使用场景：最适合低内存设备，当IQ3_XS过于激进时。
• IQ3_M：中等块大小，比IQ3_S准确性更好。
  • 使用场景：适用于低内存设备，当IQ3_S限制过多时。
• Q4_K：4比特量化，具有逐块优化以提高准确性。
  • 使用场景：最适合低内存设备，当Q6_K太大时。
• Q4_0：纯4比特量化，针对ARM设备进行了优化。
  • 使用场景：最适合基于ARM的设备或低内存环境。

模型格式选择总结表

模型格式	精度	内存使用	设备要求	最佳使用场景
BF16	最高	高	支持BF16的GPU/CPU	减少内存的高速推理
F16	高	高	支持FP16的设备	BF16不可用时的GPU推理
Q4_K	中低	低	CPU或低显存设备	内存受限的环境
Q6_K	中等	适中	内存较多的CPU	量化模型中准确性较好的情况
Q8_0	高	适中	有足够显存的CPU或GPU	量化模型中准确性最佳
IQ3_XS	非常低	非常低	超低内存设备	极端内存效率和低准确性
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备进行优化

包含文件详情

OlympicCoder-32B-bf16.gguf

• 模型权重以BF16保存。
• 如果你想将模型重新量化为不同格式，请使用此文件。
• 若你的设备支持BF16加速，效果最佳。

OlympicCoder-32B-f16.gguf

• 模型权重以F16存储。
• 若你的设备支持FP16，尤其是BF16不可用时使用。

OlympicCoder-32B-bf16-q8_0.gguf

• 输出和嵌入层保持为BF16。
• 所有其他层量化为Q8_0。
• 若你的设备支持BF16且你想要量化版本，可使用此文件。

OlympicCoder-32B-f16-q8_0.gguf

• 输出和嵌入层保持为F16。
• 所有其他层量化为Q8_0。

OlympicCoder-32B-q4_k.gguf

• 输出和嵌入层量化为Q8_0。
• 所有其他层量化为Q4_K。
• 适合内存有限的CPU推理。

OlympicCoder-32B-q4_k_s.gguf

• 最小的Q4_K变体，以牺牲准确性为代价使用更少的内存。
• 最适合极低内存设置。

OlympicCoder-32B-q6_k.gguf

• 输出和嵌入层量化为Q8_0。
• 所有其他层量化为Q6_K。

OlympicCoder-32B-q8_0.gguf

• 完全Q8量化的模型，以获得更好的准确性。
• 需要更多内存，但提供更高的精度。

OlympicCoder-32B-iq3_xs.gguf

• IQ3_XS量化，针对极端内存效率进行了优化。
• 最适合超低内存设备。

OlympicCoder-32B-iq3_m.gguf

• IQ3_M量化，提供中等块大小以提高准确性。
• 适用于低内存设备。

OlympicCoder-32B-q4_0.gguf

• 纯Q4_0量化，针对ARM设备进行了优化。
• 最适合低内存环境。
• 若追求更好的准确性，建议使用IQ4_NL。

模型测试详情

测试邀请

如果你觉得这些模型有用，请点赞！同时，帮助我测试我的支持量子安全检查的AI网络监控助手： 👉 免费网络监控器

测试方法

1. 点击任何页面右下角的聊天图标。
2. 选择一个AI助手类型：
   • TurboLLM（GPT - 4 - mini）
   • FreeLLM（开源）
   • TestLLM（仅支持CPU的实验性模型）

测试内容

我正在探索小型开源模型在AI网络监控中的极限，具体包括：

• 针对实时网络服务的函数调用
• 模型可以多小，同时仍能处理：
  • 自动化Nmap扫描
  • 量子就绪检查
  • Metasploit集成

各助手详情

• 🟡 TestLLM – 当前的实验性模型（llama.cpp在6个CPU线程上运行）：
  • ✅ 零配置设置
  • ⏳ 30秒加载时间（推理较慢，但无API成本）
  • 🔧 寻求帮助！ 如果你对边缘设备AI感兴趣，让我们合作！
• 🟢 TurboLLM – 使用gpt - 4 - mini进行：
  • 实时网络诊断
  • 自动化渗透测试（Nmap/Metasploit）
  • 🔑 通过下载我们的免费网络监控代理获取更多令牌。
• 🔵 HugLLM – 开源模型（约8B参数）：
  • 比TurboLLM多2倍的令牌
  • AI日志分析
  • 🌐 在Hugging Face推理API上运行

测试用AI命令示例

1. "Give me info on my websites SSL certificate"
2. "Check if my server is using quantum safe encyption for communication"
3. "Run a quick Nmap vulnerability test"

🔧 技术细节

训练过程

训练超参数

在16个H100节点上训练时使用了以下超参数：

• 数据集：open - r1/codeforces - cots_decontaminated
• 学习率：4.0e - 5
• 训练批次大小：1
• 随机种子：42
• 打包：false
• 分布式类型：fsdp
• 设备数量：128
• 梯度累积步数：1
• 总训练批次大小：16
• 优化器：Adam，beta=(0.9, 0.999)，epsilon = 1e - 08
• 学习率调度器类型：cosine_with_min_lr
• 最小学习率：0.1
• 学习率调度器热身比例：0.03
• 训练轮数：10.0

📄 许可证

本项目采用Apache - 2.0许可证。