/ Модель

Характеристики

Контекст
1 024 токена
Параметры
110 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
10 сен 2026

egemen-turkish-124m

Генерация текстаТекст → текст3 профессии

Небольшая базовая Llama-подобная языковая модель, обученная с нуля для генерации турецкого текста и экспериментов с дальнейшей настройкой.

273скачиваний за 30 дней0лайковвеса обновлены11 сен 2026

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

Egemen Turkish LM — 124M — это базовая языковая модель, разработанная Berkay Adanalı в Mega Bilgisayar Tic. Ltd. Şti. Она обучена с нуля на турецких текстах и использует плотный декодерный трансформер в стиле Llama с причинным языковым моделированием. Модель содержит 109,5 млн параметров, а её контекст ограничен 1024 токенами.

Модель предназначена для экспериментов с предобучением турецких языковых моделей и токенизаторами, обучения и демонстраций, а также для дальнейшей тонкой настройки через SFT или LoRA. Она генерирует продолжение текста, но не является диалоговым помощником: инструкция не настраивалась, RLHF и выравнивание безопасности не применялись. В репозитории есть веса safetensors и ONNX, включая вариант ONNX с квантованием int8; модель можно запускать в браузере через transformers.js или с ONNX Runtime.

Модель обучалась на турецких веб-текстах и не рассчитана на другие языки или генерацию кода. Это небольшой чекпойнт, обучение которого завершилось на половине запланированных шагов; возможны повторы, фактические ошибки и галлюцинации. Обучающие данные не фильтровались по безопасности, поэтому модель может воспроизводить содержащиеся в них предвзятость и нежелательный контент. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения турецкого текста
  • эксперименты с предобучением языковых моделей на турецком языке
  • обучение и сравнение турецких токенизаторов
  • тонкая настройка турецкой базовой модели через SFT или LoRA
  • демонстрация запуска языковой модели в браузере

Ограничения

Модель небольшая, обучение завершено на половине запланированных шагов, а контекст ограничен 1024 токенами; ожидаются повторы, галлюцинации и низкая фактическая точность. Она не проходила инструкционную настройку или выравнивание безопасности, а веб-данные обучения могли содержать ошибки, предвзятость и нежелательный контент.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Egemen Turkish LM — 124M (from scratch)

A small Llama-style decoder-only language model trained from scratch on Turkish, as the headline run of an A/B pre-training experiment ("Config A"). It is a research / educational base model — a demonstration that a coherent Turkish LM can be trained on a single 8 GB GPU — not an instruction-tuned or aligned assistant. Developed at, and on the infrastructure of, Mega Bilgisayar Tic. Ltd. Şti.

  • Developed by: Berkay Adanalı (@BerkayRA)
  • Developed at: Mega Bilgisayar (Ankara, Turkey)
  • Model type: decoder-only transformer (causal LM), Llama-style
  • Language: Turkish (tr)
  • License: Apache-2.0
  • Trained from scratch (no parent model)
  • Run: u32_124m, stopped at step 300,000 on 2026-08-01
  • Live demo: in-browser Space (runs client-side via transformers.js — no server)

Architecture

ComponentValue
Layers12
Attention heads12 (head dim 64, no GQA)
Hidden size (d_model)768
FFNSwiGLU, intermediate 2048
Context length1024 tokens
Positional encodingRoPE (θ = 10,000)
NormalizationRMSNorm (pre-norm, ε = 1e-5)
Biasesnone
Embeddingstied input/output
Vocab32,000
Parameters≈110 M total (~85 M non-embedding + 24.6 M tied token embedding); the project labels this config "124M" / "Config A"

The architecture is standard Llama, so it loads directly with AutoModelForCausalLM and is servable by TGI / vLLM / text-generation-inference.

Tokenizer

SentencePiece unigram, vocab 32,000 (sp_unigram_32000). Special tokens: unk=0, bos=1 (<s>), eos=2 (</s>), pad=3 (<pad>). eos (2) doubles as the document separator in the training stream.

Training

  • Data: Turkish web/text corpus, packed into uint16 token shards with eos between documents; ~39.3 B tokens seen over training.
  • Objective: next-token prediction (cross-entropy).
  • Optimizer: AdamW, β = (0.9, 0.95), weight decay 0.1 (norms & embeddings excluded), gradient clip 1.0.
  • LR schedule: peak 6e-4 → cosine floor 6e-5, 2,000-step linear warmup.
  • Batch: 4 micro × 32 grad-accum × 1024 ctx = 131,072 tokens / step.
  • Steps: 300,000 (of a planned 600,000). Precision: fp16 AMP. Init: GPT-2/nanoGPT (std 0.02; residual projections scaled by 1/√(2·n_layer)). Seed 1337.
  • Hardware: single NVIDIA Quadro RTX 4000 (Turing, 8 GB); ~67.5 h wall-clock.

Results

MetricValue
Train loss (step 300k)2.832
Validation loss3.048
Start loss (step 0)10.52

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "BerkayRA/egemen-turkish-124m"   # <- your repo id
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype=torch.float16)

prompt = "Türkiye'nin başkenti"
# The tokenizer does not auto-prepend BOS; the model was trained with id 1 as BOS
# and id 2 as the document separator / EOS.
ids = torch.tensor([[1] + tok(prompt, add_special_tokens=False).input_ids])
out = model.generate(ids, max_new_tokens=60, do_sample=True, temperature=0.8,
                     top_p=0.95, eos_token_id=2, repetition_penalty=1.3)
print(tok.decode(out[0][1:], skip_special_tokens=True))

ONNX / in-browser (transformers.js)

ONNX weights are included under onnx/: model.onnx (fp32) and model_quantized.onnx (int8, ~135 MB) — so the model runs in the browser via 🤗 transformers.js with no server (see the live demo above), or under ONNX Runtime in Python.

import { AutoTokenizer, AutoModelForCausalLM, Tensor } from "@huggingface/transformers";
const tok = await AutoTokenizer.from_pretrained("BerkayRA/egemen-turkish-124m");
const model = await AutoModelForCausalLM.from_pretrained("BerkayRA/egemen-turkish-124m", { dtype: "q8" });
const enc = await tok("Türkiye'nin başkenti", { add_special_tokens: false });
const ids = [1n, ...Array.from(enc.input_ids.data, BigInt)];           // bos=1
const input_ids = new Tensor("int64", BigInt64Array.from(ids), [1, ids.length]);
const out = await model.generate({ input_ids, max_new_tokens: 60, do_sample: true,
                                   temperature: 0.8, top_p: 0.95, eos_token_id: 2,
                                   repetition_penalty: 1.3 });
console.log(tok.decode(Array.from(out[0].data, Number).slice(ids.length), { skip_special_tokens: true }));

Intended use & limitations

Intended: research on Turkish LM pre-training, tokenizer/architecture experiments, a small base model for further fine-tuning (SFT/LoRA), education.

Not intended: production use, factual question answering, or any safety-sensitive application. This is a base model — no instruction tuning, no RLHF, no safety alignment.

Limitations:

  • Small (110 M) and trained on a partial schedule (300k of 600k steps) — expect limited factuality, frequent repetition, and hallucination.
  • Short 1024-token context.
  • Trained on web text not filtered for safety; may reproduce biases, errors, or undesirable content present in the corpus.
  • Turkish-only; no meaningful multilingual or code ability.

Citation

@misc{adanali2026turkishllm124m,
  title  = {Egemen Turkish LM 124M (from scratch)},
  author = {Adanalı, Berkay},
  year   = {2026},
  note   = {From-scratch Llama-style Turkish base model, run u32\_124m}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
abe21b6

0 моделей