TanAi-turkish-20M

TanAI mimarisiyle sıfırdan eğitilmiş, 20M parametreli deneysel bir Türkçe dil modeli. Ethosoft/Turkish_corpus veri setinin streaming ile okunan ilk 75.000 örneği üzerinde 1 epoch eğitilmiştir.

Model Detayları

Kullanım

Model özel bir mimari kullandığı için trust_remote_code=True gerekir. İlk kullanımda model kodu ve ağırlıklar otomatik olarak indirilir.

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "coderian/TanAi-turkish-20M"

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, trust_remote_code=True)

inputs = tokenizer("Türkiye'nin en kalabalık şehri", return_tensors="pt")
outputs = model.generate(
    **inputs,
    max_new_tokens=50,
    do_sample=True,
    top_k=50,
    temperature=0.8,
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

pipeline ile:

from transformers import pipeline

generator = pipeline("text-generation", model=repo_id, trust_remote_code=True)
print(generator("Bugün hava", max_new_tokens=30)[0]["generated_text"])

İndirme (isteğe bağlı, from_pretrained modeli zaten otomatik indirir):

huggingface-cli download coderian/TanAi-turkish-20M

Eğitim

• Veri, streaming=True ile okundu; ilk 75.000 örnek kullanıldı (ilk 1.000 örnek doğrulama için ayrıldı).
• Tokenizer: GPT2TokenizerFast; belgeler arasına eos token'ı eklendi.
• Kayıp: token bazlı cross-entropy (causal language modeling).
• Hiperparametreler: 1 epoch, batch 24, blok 128, AdamW (lr 3e-4, weight decay 0.1), warmup + cosine LR, gradient clipping 1.0, dropout 0.1, bf16.

Sınırlamalar

• Küçük ölçekli ve deneysel bir modeldir; çıktılar tekrarlı veya anlamsız olabilir.
• Talimat takibi için eğitilmemiştir (instruction tuning yoktur).
• Bağlam uzunluğu 128 tokendır; prompt + üretilen token toplamı 128'i geçemez.
• Yalnızca Türkçe metin için eğitilmiştir.