/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,6 млрд
Размер весов
13,8 ГБ
Лицензия
Apache 2.0
Архитектура
gpt_oss · MoE
Базовая модель
gpt-oss-20b-unsloth-bnb-4bit
Опубликована
9 авг 2025

gpt-oss-coder-20b

Генерация текстаТекст → текст5 профессий

Дообученная на GPT-OSS-20B модель для генерации, дополнения и объяснения программного кода.

43скачиваний за 30 дней13лайковвеса обновлены9 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GPT-OSS-Coder-20B — дообученная модель для генерации кода на базе GPT-OSS-20B, опубликованная пользователем yasserrmd. Для настройки использовались TRL и оптимизации Unsloth; в карточке указано обучение на случайно сгенерированных записях в течение 150 шагов. Модель предназначена для генерации и дополнения кода, ответов на вопросы по программированию и краткого пересказа кода.

Это разговорная причинная языковая модель архитектуры GPT-OSS с MoE. В метаданных указано 1,6 млрд параметров, контекст до 131 072 токенов, формат safetensors и язык en. Модель принимает текст и генерирует текст; заявленные возможности reasoning_effort позволяют настраивать глубину ответа. Лицензия — Apache-2.0. Короткое обучение на случайных данных может ограничивать качество и надёжность результатов по программированию.

Сценарии применения

  • генерация фрагментов кода по текстовому запросу
  • автодополнение программного кода
  • ответы на вопросы по программированию
  • краткое изложение исходного кода
  • объяснение решений и логики кода

Ограничения

Обучение продолжалось лишь 150 шагов на случайно сгенерированных записях, поэтому качество и надёжность ответов по коду могут быть ограничены. Результаты следует проверять, особенно перед использованием сгенерированного кода.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GPT-OSS-Coder-20B

This model is a fine-tuned version of OpenAI's GPT-OSS-20B, optimized for code generation tasks. The fine-tuning leveraged the Unsloth library to enable efficient low-bit quantized training and inference.

Model Details

  • Base Model: openai/gpt-oss-20b
  • Training Framework: Hugging Face's TRL library combined with Unsloth optimizations.
  • Training Data: 1 million randomly generated records, trained for 150 steps

Intended Use

This model is designed to assist with:

  • Code generation and completion
  • Programming query answering
  • Code summarization

About reasoning_effort

The reasoning_effort parameter influences the model's focus during text generation:

  • low: Produces straightforward, concise answers suitable for simple coding tasks.
  • medium: Balances speed and detail, suitable for moderate complexity tasks.
  • high: Encourages detailed and complex reasoning, useful for advanced code generation or explanations.

Adjusting this parameter allows you to control the depth of the model's reasoning process, balancing between performance and response complexity.

Usage Example

from transformers import AutoTokenizer, AutoModelForCausalLM
from transformers import TextStreamer

tokenizer = AutoTokenizer.from_pretrained("yasserrmd/gpt-oss-coder-20b")
model = AutoModelForCausalLM.from_pretrained("yasserrmd/gpt-oss-coder-20b")

messages = [
    {"role": "system", "content": "You are a helpful coding assistant."},
    {"role": "user", "content": "Using Python to connect MySQL and retrieve table 'employee' where empno is 1234."},
]

inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True,
    reasoning_effort="low",
).to(model.device)

streamer = TextStreamer(tokenizer)
_ = model.generate(**inputs, max_new_tokens=512, streamer=streamer)

Training Overview

The fine-tuning process adapted GPT-OSS-20B to better assist with coding tasks by fine-tuning on a dataset of 1 million random records. The training utilized only the Unsloth library for efficient low-bit quantized fine-tuning.

Citation

@misc{yasserrmd2025gptosscoder20b,
  author = {Yasser RMD},
  title = {GPT-OSS-Coder-20B},
  year = {2025},
  publisher = {Hugging Face},
  journal = {Hugging Face Model Hub},
  url = {https://huggingface.co/yasserrmd/gpt-oss-coder-20b}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GptOssForCausalLM
Ревизия весов
6bd1ed2

0 моделей