Instructions to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B")
model = AutoModelForCausalLM.from_pretrained("burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

SGLang

How to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio new

How to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B",
    max_seq_length=2048,
)

Docker Model Runner
How to use burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B with Docker Model Runner:
```
docker model run hf.co/burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B
```

МИСЛЕЩА модела базирана на най-новата DeepSeek-R1-Distill-Qwen-7B

Актуализиран 04.02.2025

Short text:
Perplexity (PPL) base model: 179.76
Perplexity (PPL) this model: 72.63

Long text:
Perplexity (PPL) base model: 258.56
Perplexity (PPL) this model: 83.96

Changed training params
Continued pretraining
Уикипедиа 100%

Релиз 31.01.2025

Continued pretraining
Уикипедиа 50%

Пример за работа:

SYSTEM: `Ти си българоезичен автоматичен асистент. Ползвател дава задача - трябва да предоставиш решение на Български език.`

USER: `2x - 7 = 93. Определи x`

ASSISTANT:

<think>
Добре, ще помогна! Съм стигнал до тази задача: 2x - 7 = 93. Открием за x! Как ще я реша? Първо, ще използвам уравнението и ще се справя с променливите. Тъй като има 2x, това означава 2 по x, т.е. 2 умножено по неизвестниятour x. След това, ще извършва инвертиране на действията. Стъпка по стъпка, ще се извършва. Първо, ще съберем 7 от двете страни, за да намерим стойността на 2x. След това, ще разделим резултата на 2, за да намерим стойността на x. Пак, ще проверя, дали това е вярно, че 2x - 7 = 93, с x = 50. След това, ще използвам редовната ми методология за решаване на уравнения и ще се сподели стъпките, за да се получи x. Всички тези стъпки са логични и правилни, така че резултатът ще бъде точен. Мисля, че това е лесно и ясно, и ще се сподели с теб! <|im_end|>
</think>

Добре, ще помогна! 

1. **Решаване на уравнението:**
   - Начално, имаме уравнението: 2x - 7 = 93.
   - Първо, извършваме инвертиране на действията. Стъпка по стъпка, ще се извършва.
   - Първо, ще съберем 7 от двете страни, за да намерим стойността на 2x.
     - 2x - 7 + 7 = 93 + 7
     - 2x = 100
   - След това, ще разделим резултата на 2, за да намерим стойността на x.
     - 2x / 2 = 100 / 2
     - x = 50

2. **Проверка на резултата:**
   - Тъй като 2 * 50 - 7 = 100 - 7 = 93, това е вярно.

3. **Решение:**
   - x = 50

Така че, резултатът е x = 50.

Uploaded model

Developed by: burgasdotpro
License: apache-2.0
Finetuned from model : unsloth/DeepSeek-R1-Distill-Qwen-7B-unsloth-bnb-4bit

Тази qwen2 модела тренирана 2 пъти по-бързо с помоща на Unsloth и TRL библиотеката на Huggingface.

Downloads last month: 1

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

Base model

deepseek-ai/DeepSeek-R1-Distill-Qwen-7B

Quantized

unsloth/DeepSeek-R1-Distill-Qwen-7B-unsloth-bnb-4bit

Finetuned

(36)

this model

burgasdotpro
/

bgGPT-DeepSeek-R1-Distill-Qwen-7B

Пример за работа:

SYSTEM: `Ти си българоезичен автоматичен асистент. Ползвател дава задача - трябва да предоставиш решение на Български език.`

USER: `2x - 7 = 93. Определи x`

ASSISTANT:

Uploaded model

Model tree for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

Dataset used to train burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

Пример за работа:

SYSTEM: Ти си българоезичен автоматичен асистент. Ползвател дава задача - трябва да предоставиш решение на Български език.

USER: 2x - 7 = 93. Определи x

ASSISTANT:

Uploaded model

Model tree for burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

Dataset used to train burgasdotpro/bgGPT-DeepSeek-R1-Distill-Qwen-7B

SYSTEM: `Ти си българоезичен автоматичен асистент. Ползвател дава задача - трябва да предоставиш решение на Български език.`

USER: `2x - 7 = 93. Определи x`