This model is a fine-tuned version of Qwen2-1.5B-Instruct using QLoRA (Parameter-Efficient Fine-Tuning). It is specifically tailored to act as StudyBuddy, an intelligent, student-oriented educational assistant that schedules academic tasks, handles missing intent information, and interacts with students in Turkish.

Bu model, Qwen2-1.5B-Instruct tabanı üzerinde QLoRA yöntemiyle ince ayar (fine-tune) yapılmış akıllı bir öğrenci asistanı modelidir. StudyBuddy ekosisteminin ana metin üretim motoru olarak görev yapar; ders ekleme/planlama taleplerini yönetir, eksik parametreleri (gün/saat) sorgular ve öğrencilerle asistan tonunda iletişim kurar.

Prompt Format / Girdi Formatı

The model uses the standard ChatML structure. To ensure coherent and accurate output production, always encapsulate inputs with the following structure:

Model, standart ChatML yapısını kullanmaktadır. En kararlı sonuçları almak için girdilerinizi şu şablonla beslemeniz gerekir:

text

<|im_start|>system
Sen StudyBuddy adında, ders ekleme taleplerini onaylayan ve öğrencilere kısa cevaplar veren bir asistansın.<|im_end|>
<|im_start|>user
{Öğrencinin Cümlesi}<|im_end|>
<|im_start|>assistant

How to Get Started with the Model / Nasıl Kullanılır?
Since this is a PEFT/Lora adapter model, it should ideally be loaded with its base framework. Here is the fully optimized Python script to load and generate text:

Bu model bir LoRA adaptörü olduğu için taban model ile birlikte yüklenmelidir. Modeli sorunsuz test etmek için aşağıdaki kodu kullanabilirsiniz:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base_model_id = "Qwen/Qwen2-1.5B-Instruct"
adapter_model_id = "omercakar123/qwen2-1.5b-studybuddy-assistant"

# Load Tokenizer and Base Model
tokenizer = AutoTokenizer.from_pretrained(base_model_id)
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

# Merge Adapter Weights
model = PeftModel.from_pretrained(model, adapter_model_id)
model.eval()

def generate_response(instruction):
    system_msg = "Sen StudyBuddy adında, ders ekleme taleplerini onaylayan ve öğrencilere kısa cevaplar veren bir asistansın."
    prompt = f"<|im_start|>system\n{system_msg}<|im_end|>\n<|im_start|>user\n{instruction}<|im_end|>\n<|im_start|>assistant\n"
    
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=64,
            do_sample=True,
            temperature=0.3,
            top_p=0.9,
            repetition_penalty=1.1,
            eos_token_id=tokenizer.eos_token_id,
            pad_token_id=tokenizer.pad_token_id
        )
    
    decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return decoded.split("assistant")[-1].strip()

# Test run
print(generate_response("Pazartesi sabah 08.30'da Akışkanlar Mekaniği planla."))

Capabilities & Evaluation / Yetenekler ve Değerlendirme📅 Complex Academic Scheduling: Flawlessly extracts course names, days, and hours to commit data structures into backend schemas.❓ Missing Intent Management: Identifies vague requests (e.g., "I need to study Math") and prompts the user back to provide specific scheduling variables (Day/Time).🎨 Cross-Domain Adaptation: Successfully generalizes across unconventional lesson names (e.g., Gastronomy, Archeology).Training HyperparametersBase Architecture: Qwen/Qwen2-1.5B-InstructMethod: QLoRA (4-bit quantization, $r=16$, $\alpha=32$)Learning Rate: 1.2e-4Epochs: 4Optimizer: paged_adamw_32bitLR Scheduler: Cosine