You can deploy this model and start earning money today!

RichardErkhov/
Orbina_-_Orbita-v0.1-gguf

Name: Orbina_-_Orbita-v0.1-gguf
Availability: InStock

Views

No views yet

Quantization made by Richard Erkhov.

Github

Discord

Request more models

Orbita-v0.1 - GGUF

Model creator: https://huggingface.co/Orbina/
Original model: https://huggingface.co/Orbina/Orbita-v0.1/

Name	Quant method	Size
Orbita-v0.1.Q2_K.gguf	Q2_K	5.51GB
Orbita-v0.1.Q3_K_S.gguf	Q3_K_S	6.31GB
Orbita-v0.1.Q3_K.gguf	Q3_K	6.91GB
Orbita-v0.1.Q3_K_M.gguf	Q3_K_M	6.91GB
Orbita-v0.1.Q3_K_L.gguf	Q3_K_L	7.3GB
Orbita-v0.1.IQ4_XS.gguf	IQ4_XS	7.37GB
Orbita-v0.1.Q4_0.gguf	Q4_0	7.62GB
Orbita-v0.1.IQ4_NL.gguf	IQ4_NL	7.68GB
Orbita-v0.1.Q4_K_S.gguf	Q4_K_S	7.98GB
Orbita-v0.1.Q4_K.gguf	Q4_K	8.56GB
Orbita-v0.1.Q4_K_M.gguf	Q4_K_M	8.56GB
Orbita-v0.1.Q4_1.gguf	Q4_1	8.4GB
Orbita-v0.1.Q5_0.gguf	Q5_0	9.18GB
Orbita-v0.1.Q5_K_S.gguf	Q5_K_S	9.34GB
Orbita-v0.1.Q5_K.gguf	Q5_K	9.81GB
Orbita-v0.1.Q5_K_M.gguf	Q5_K_M	9.81GB
Orbita-v0.1.Q5_1.gguf	Q5_1	9.96GB
Orbita-v0.1.Q6_K.gguf	Q6_K	11.46GB
Orbita-v0.1.Q8_0.gguf	Q8_0	14.03GB

Original model description:

license: apache-2.0 language:

tr model-index:
name: Orbita-v0.1 results:
- task: type: text-generation name: Text Generation dataset: name: AI2 Reasoning Challenge TR type: ai2_arc config: ARC-Challenge split: test args: num_few_shot: 25 metrics:
  - type: acc value: 41.97 name: accuracy
- task: type: text-generation name: Text Generation dataset: name: HellaSwag TR type: hellaswag split: validation args: num_few_shot: 10 metrics:
  - type: acc value: 48 name: accuracy
- task: type: text-generation name: Text Generation dataset: name: MMLU TR type: cais/mmlu config: all split: test args: num_few_shot: 5 metrics:
  - type: acc value: 49.51 name: accuracy
- task: type: text-generation name: Text Generation dataset: name: TruthfulQA TR type: truthful_qa config: multiple_choice split: validation args: num_few_shot: 0 metrics:
  - type: acc name: accuracy value: 50.78
- task: type: text-generation name: Text Generation dataset: name: Winogrande TR type: winogrande config: winogrande_xl split: validation args: num_few_shot: 5 metrics:
  - type: acc value: 56.16 name: accuracy
- task: type: text-generation name: Text Generation dataset: name: GSM8k TR type: gsm8k config: main split: test args: num_few_shot: 5 metrics:
  - type: acc value: 50.41 name: accuracy

Orbita-v0.1

This model is a Turkish Large Language Model with multiple abilites across different dimensions on the Turkish Language covering a variety of Tasks like Coding, Math, etc... This model is an extended version of a Qwen-based Large Language Model (LLM) for Turkish. It was trained on a cleaned Turkish dataset carefully annotated to carry out turkish instructions in an accurate and organized manner. This model was fully finetuned extensively on 8x H100 GPU's for 2 days using a carefully annotated Turkish dataset.

Model Details

Base Model: Qwen 14B based LLM
Training Dataset: Annotated Turkish Dataset
Training Method: Full Finetuning

Usage Examples

python

from transformers import AutoModelForCausalLM, AutoTokenizer
device = "cuda" # the device to load the model onto

model = AutoModelForCausalLM.from_pretrained(
    "Orbina/Orbita-v0.1",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("Orbina/Orbita-v0.1")

prompt = "Python'da ekrana 'Merhaba Dünya' nasıl yazılır?"
messages = [
    {"role": "system", "content": "Sen, Orbina AI tarafından üretilen ve verilen talimatları takip ederek en iyi cevabı üretmeye çalışan yardımcı bir yapay zekasın."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)

generated_ids = model.generate(
    model_inputs.input_ids,
    temperature=0.3,
    top_k=50,
    top_p=0.9,
    max_new_tokens=512,
    repetition_penalty=1,
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

Example Generations

Prompt:
Türkiye'deki finansal kurumlar, yapay zeka ile birlikte gelen veri güvenliği risklerini nasıl yönetiyor, 3 örnek verir misin?

Cevap:
Türkiye'deki finansal kurumlar, yapay zeka (AI) teknolojilerinin getirdiği veri güvenliği riskleri çeşitli yöntemlerle ele almakta ve bu riskleri azaltmaya çalışmaktadır. İşte üç örnek:

1. **Veri Şifreleme:** Finansal kuruluşlar, müşteri bilgileri gibi hassas verileri şifrelemeyi kullanarak veri ihlallerine karşı koruma sağlar. AES (Advanced Encryption Standard), RSA (Rivest-Shamir-Adleman) veya ECC (Elliptik Eğri Kriptografisi) gibi güçlü şifreleme algoritmaları, verilerin okunmasını engelleyebilir.
2. **Anomali Tespit Sistemleri:** Yapay zeka destekli anomali tespit sistemleri, beklenmedik davranışları algılayabilir ve güvenlik ekiplerini uyarır. Bu sistemler, makine öğrenimi modelleri sayesinde zaman içinde daha etkili hale gelebilir ve dolandırıcılık faaliyetlerini önlemede önemli rol oynar.
3. **Sürekli İzleme ve Güvenlik Politikası Uygulama:** Türkiye'deki finansal kurumlar, sürekli izleme ve güvenlik politikalarını uygularak veri güvenliğini sürdürür. Bu süreçlerde düzenli güvenlik denetimleri yapılır ve tüm personelin güvenlik konusunda eğitildiği göz önünde bulundurulur. Ayrıca, müşterilere de güvenlik protokollerini anlatan eğitimler sunulur.

Bu örnekler, Türkiye'deki finansal kurumların yapay zeka ile ilgili veri güvenliği risklerini yönetmek için kullandıkları bazı stratejileri göstermektedir. Ancak herhangi bir güvenlik sistemi mükemmel değildir ve bu nedenle kurumlar da sürekli olarak güvenlik durumlarını değerlendirip iyileştirmeler yapmaktadırlar.

Prompt:
Python'da ekrana "Merhaba Dünya" nasıl yazılır?

Cevap:
Python'da ekrana "Merhaba Dünya" yazmak için `print` fonksiyonunu kullanabilirsiniz. İşte basit bir örnek:

``python
print("Merhaba Dünya")
``

Bu kodu çalıştırdığınızda, konsol ekranında "Merhaba Dünya" metnini göreceksiniz. `print` fonksiyonu, verilen argümanı (bu durumda "Merhaba Dünya") alır ve onu çıktı olarak verir.

Open LLM Turkish Leaderboard Evaluation Results

Metric	Value
Avg.	49.47
AI2 Reasoning Challenge_tr	41.97
HellaSwag_tr	48.00
MMLU_tr	49.51
TruthfulQA_tr	50.78
Winogrande _tr	56.16
GSM8k_tr	50.41

RichardErkhov/Orbina_-_Orbita-v0.1-gguf