许可证：apache-2.0
语言：

• 英文
  基础模型：
• prithivMLmods/Viper-Coder-v1.6-r999
  任务标签：文本生成
  库名称：transformers
  标签：
• 程序员
• 文本生成推理
• 蝰蛇
• 高效内存
• 千问
• 化学
• 代码

模型索引：

• 名称：Viper-Coder-v1.7-Vsm6
  结果：

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：IFEval（零样本）
    类型：wis-k/instruction-following-eval
    拆分：训练集
    参数：
    零样本数量：0
    指标：

    • 类型：指令级严格准确率和提示级严格准确率
      值：50.04
      名称：平均准确率
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：BBH（三样本）
    类型：SaylorTwift/bbh
    拆分：测试集
    参数：
    少样本数量：3
    指标：

    • 类型：归一化准确率
      值：49.53
      名称：归一化准确率
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：MATH 5级（四样本）
    类型：lighteval/MATH-Hard
    拆分：测试集
    参数：
    少样本数量：4
    指标：

    • 类型：精确匹配
      值：46.45
      名称：精确匹配
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：GPQA（零样本）
    类型：Idavidrein/gpqa
    拆分：训练集
    参数：
    零样本数量：0
    指标：

    • 类型：归一化准确率
      值：19.57
      名称：归一化准确率
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：MuSR（零样本）
    类型：TAUR-Lab/MuSR
    参数：
    零样本数量：0
    指标：

    • 类型：归一化准确率
      值：18.86
      名称：归一化准确率
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：MMLU-PRO（五样本）
    类型：TIGER-Lab/MMLU-Pro
    配置：主要
    拆分：测试集
    参数：
    少样本数量：5
    指标：

    • 类型：准确率
      值：47.64
      名称：准确率
      来源：
      网址：https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard#/?search=prithivMLmods%2FViper-Coder-v1.7-Vsm6
      名称：开放大模型排行榜

Viper-Coder-v1.7-Vsm6

Viper-Coder-v1.7-Vsm6基于千问2.5 14B模态架构设计，旨在提升编码效率和计算推理能力。该模型针对高效内存使用进行了优化，避免生成冗余文本标记，并在编码、解释性推理、数学问题解决和技术任务中表现卓越。通过使用专用数据集进行微调，提升了代码生成、结构化编程逻辑和问题解决能力。

关键改进

1. 编码优化：专注于生成高质量、结构化的代码，减少冗余标记，确保高效执行。
2. 内存利用增强：采用高效内存优化技术，降低计算开销并提升性能。
3. 卓越推理能力：擅长解决复杂的数学和算法问题，提供逻辑清晰、结构化的解释。
4. 长上下文支持：支持高达128K的输入上下文标记，单次输出可生成8K标记，适合详细的编码响应。
5. 减少冗余文本：通过最小化不必要的文本响应，确保编码任务的输出更加专注。

快速入门（使用transformers库）

以下代码片段展示了如何使用apply_chat_template加载分词器和模型并生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "prithivMLmods/Viper-Coder-v1.7-Vsm6"

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

prompt = "编写一个Python函数来生成斐波那契数列。"
messages = [
    {"role": "system", "content": "你是一个高级编程助手。"},
    {"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)

预期用途

1. 代码生成与优化：
   为开发者设计，协助编写、重构和优化多种编程语言的代码。

2. 算法与数学问题解决：
   为计算和数学问题提供精确的解释和解决方案。

3. 技术解释与文档生成：
   生成清晰、结构化的编码概念、库和API的说明文档。

4. 调试辅助：
   分析代码片段，检测错误并提供修正建议。

5. 教育用途：
   帮助学生和学习者分解复杂的编程主题，便于理解。

6. 结构化数据处理：
   能够分析和生成结构化输出（如JSON、XML和表格），适合数据科学应用。

局限性

1. 硬件要求：
   由于参数规模大且支持长上下文，需要高内存GPU或TPU。

2. 潜在响应偏差：
   虽然设计为中立，但输出仍可能反映训练数据中的偏差。

3. 创意任务输出不稳定：
   在故事生成和非技术主题中可能产生不一致的结果。

4. 实时信息缺失：
   无法获取训练截止日期后的实时事件信息。

5. 长输出中的错误传播：
   早期响应中的小错误可能影响长篇代码输出的整体连贯性。

6. 提示敏感性：
   响应的有效性可能取决于输入提示的结构是否合理。

开放大模型排行榜评估结果

详细结果请查看此处！
汇总结果请查看此处！