开源推荐 morning

GitHub 热门项目：s1

摘要

GitHub项目：s1 仓库地址：https://github.com/simplescaling/s1 Stars：6663 | 作者：simplescaling 项目描述：s1: Simple test-time scaling ================================================== README 内容： s1: Simple test-time ...

https simplescaling datasets com scaling 32B s1K test time with

2026-08-09 1 阅读 约7分钟阅读 GitHub Trending

 ********************************************************************** **更新：** * 2025 年 3 月：在 s1 上发布了 2 个视频：[TWIML 播客 (Sam Charrington 和 Niklas Muennighoff)](https://www.youtube.com/watch?v=kEfUaLBlSHc) 和 [Microsoft GenAI Talk (Niklas Muennighoff)](https://www.youtube.com/watch?v=EEkxuqlvCss) * 2025-02：我们发布了 [s1.1](https://huggingface.co/simplescaling/s1.1-32B)，这是一个比 s1 更好的模型，方法是重用相同的 s1K 问题，但推理轨迹由 r1 而不是 Gemini 生成：[s1K-1.1](https://huggingface.co/datasets/simplescaling/s1K-1.1)。检查[这条推文](https://x.com/Muennighoff/status/1889310803746246694)了解详情 * 2025-01：我们发布了通过[此推文](https://x.com/Muennighoff/status/1886405528777073134)宣布的[我们的论文](https://arxiv.org/abs/2501.19393)。 ********************************************************************** 此存储库提供了论文 [“s1：简单测试时间缩放”](https://arxiv.org/abs/2501.19393) 的所有资源的概述。 - [文物](#artifacts) - [结构](#结构) - [推理](#inference) - [vLLM](#vllm) - [vLLM 与预算强制](#vllm-with-budget-forcing) - [变形金刚](#变形金刚) - [训练](#training) - [评价](#evaluation) - [数据](#数据) - [视觉效果](#视觉效果) - [已知问题](#known-issues) - [引文](#引文) ### 文物 - **论文**：https://arxiv.org/abs/2501.19393 - **型号**：https://hf.co/simplescaling/s1.1-32B（旧：https://hf.co/simplescaling/s1-32B） - **数据**：https://hf.co/datasets/simplescaling/s1K-1.1（旧：https://hf.co/datasets/simplescaling/s1K） - s1-prob：https://hf.co/datasets/simplescaling/s1-prob - s1-teasers：https://hf.co/datasets/simplescaling/s1-teasers - 完整 59K：https://hf.co/datasets/simplescaling/data_ablation_full59K ### 结构 - `eval/`：评估脚本 - `data/`：综合数据创建脚本等 - `train/`：训练脚本 ### 推论 #### 法学硕士 安装 `vllm` 库并运行： ````蟒蛇 从 vllm 导入 LLM，SamplingParams 从 Transformer 导入 AutoTokenizer 模型 = 法学硕士( “简单缩放/s1.1-32B”， 张量并行大小=2， ） tok = AutoTokenizer.from_pretrained("simplescaling/s1-32B") stop_token_ids = tok("<|im_end|>")["input_ids"] 采样参数 = 采样参数（ 最大令牌=32768， min_tokens=0, stop_token_ids=stop_token_ids, ） 提示=“树莓派中有多少个r” Prompt = "<|im_start|>系统\n你是Qwen，阿里云打造，你是一个得力助手。<|im_end|>\n<|im_start|>用户\n" + Prompt + "<|im_end|>\n<|im_start|>助手\n" o = model.generate(提示，sampling_params=sampling_params) 打印（o[0].输出[0].文本） ```` #### 具有预算强制的 vLLM ````蟒蛇 从 vllm 导入 LLM，SamplingParams f