Ophiuchi Qwen3 14B Instruct

🚀 Ophiuchi-Qwen3-14B-Instruct

Ophiuchi-Qwen3-14B-Instruct基于Qwen3-14B架构，采用Qwen3ForCausalLM主干。它经过指令调优，以增强在数学推理、代码生成和事实准确性方面的能力。通过利用高质量数据集和长上下文架构，该模型旨在出色地解决复杂的推理任务，并在多个领域生成准确、结构化的内容。

🚀 快速开始

使用Transformers库快速上手

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "prithivMLmods/Ophiuchi-Qwen3-14B-Instruct"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "Explain the principles of alignment in large language models."

messages = [
    {"role": "system", "content": "You are a highly capable assistant focused on reasoning, coding, and factual precision."},
    {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

✨ 主要特性

1. 数学和逻辑推理：经过微调，可进行逐步推理、符号逻辑和高等数学运算，支持教育和技术应用场景。
2. 代码生成与理解：针对编写、解释和调试各种编程语言（包括Python、JavaScript和C++）的代码进行了优化。
3. 事实完整性和精确性：在经过精心策划和对齐的数据集上进行训练，以提高基于事实任务的准确性并减少幻觉。
4. 长上下文支持：能够处理最多128K个输入令牌，并生成最多8K个输出令牌，从而能够在长序列上提供详细而全面的响应。
5. 指令调优对齐：表现出强大的遵循多步骤指令、维护对话上下文以及在多个会话中生成结构化输出的能力。
6. 多语言能力：支持包括英语、中文、法语、西班牙语、阿拉伯语、俄语、日语、韩语等在内的29种以上语言，可实现全球通信和翻译任务。

📚 详细文档

预期用途

• 解决数学和符号问题
• 代码生成与解释
• 以JSON、Markdown或表格格式生成结构化响应
• 长篇技术写作和文档编写
• 事实问答和事实核查
• 跨STEM领域的教育辅助
• 多语言对话和翻译任务

局限性

• 计算要求高（建议使用A100/H100级GPU）
• 在边缘情况或对抗性输入下仍可能产生虚假事实
• 对结构不佳或模糊的提示敏感
• 早期错误可能在长输出中传播
• 不太适合创意小说或主观叙事任务

参考资料

1. Analysing Mathematical Reasoning Abilities of Neural Models. arXiv:1904.01557. https://arxiv.org/pdf/1904.01557
2. YaRN: Efficient Context Window Extension of Large Language Models. arXiv:2309.00071. https://arxiv.org/pdf/2309.00071

📄 许可证

本项目采用Apache-2.0许可证。

模型信息