许可证：apache-2.0
基础模型：

• prithivMLmods/Sombrero-Opus-14B-Elite6
  任务类型：文本生成
  库名称：transformers
  标签：
• 文本生成推理
• 代码
• 数学
• R1
  语言：
• 英文

La-Superba-14B-Y.2

La-Superba-14B-Y.2 是基于Qwen 2.5 14B架构构建的新一代语言模型，专为数学推理、编程和通用逻辑任务进行了精细优化。凭借其高级理解能力、结构化问题解决能力和长上下文处理能力，它成为技术、教育和推理密集型工作流程的强大助手。

核心改进

1. 卓越的数学推理能力
   专门训练用于处理符号数学、算术、代数、微积分和应用数学，具有清晰的步骤逻辑和精确性。

2. 高级编码与调试智能
   擅长代码生成、多语言编程支持（Python、JavaScript、C++等）以及自动调试，能够以最小提示解释、优化和重构代码。

3. 出色的通用推理能力
   微调以处理逻辑推理、多步推理和跨领域的上下文理解。

4. 精准的指令跟随能力
   能够精确解析嵌套、多部分指令，并返回结构清晰、连贯的响应，忠实遵循提示意图。

5. 扩展上下文支持
   支持128K tokens的输入和8K tokens的输出，适用于长文档、代码库和详细教程。

快速开始（Transformers）

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "prithivMLmods/La-Superba-14B-Y.2"  

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

prompt = "编写一个Python函数检查数字是否为素数，并逐步解释。"  
messages = [  
    {"role": "system", "content": "你是一个在数学、编程和逻辑推理方面能力出众的助手。"},  
    {"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]  

适用场景

1. 数学问题求解
   提供详细的解题步骤、符号运算和数值计算，适合学生、教师和专业人士。

2. 编程与自动化
   辅助编写简洁正确的代码，帮助调试和解释软件开发中的错误。

3. 技术支持与教学辅导
   可作为逻辑、STEM和工程学科教育平台的导师或助手。

4. 通用推理代理
   适用于需要多轮推理、结构化输出和逻辑一致性的应用场景。

5. 多语言知识助手
   支持跨语言和技术场景的智能交流和内容生成。

6. 结构化与长文本输出
   能够生成格式良好的JSON、表格、文档以及完整的指南和报告，同时保持连贯性。

局限性

1. 硬件要求高
   由于参数规模和上下文窗口较大，最佳性能需要高RAM的GPU或TPU支持。

2. 偏见与事实限制
   训练数据中的固有偏见和偶发事实错误可能仍然存在。

3. 非实时感知
   无法获取训练后的实时事件或信息。

4. 创意局限性
   在故事创作、诗歌或高度主观任务上表现不够稳定。

5. 提示敏感性
   输出质量和结构可能因提示的清晰度和格式而有所波动。