MiniCPM5-1B-Turkish

Name: MiniCPM5-1B-Turkish
Availability: InStock

openbmb/MiniCPM5-1B tabanlı, Türkçe talimat takibi ve kod üretimi için tam ince ayar (full fine-tuning) yapılmış bir sohbet modeli.

A fully fine-tuned (not LoRA/QLoRA) chat model derived from openbmb/MiniCPM5-1B, targeting Turkish instruction following and Turkish-instructed code generation.

Özet / At a glance


Taban model / Base model	`openbmb/MiniCPM5-1B`
Mimari / Architecture	LlamaForCausalLM (MiniCPM5)
Parametre / Parameters	1,080,632,832
Eğitilen parametre / Trained	1,080,632,832 (100.0%)
Yöntem / Method	Supervised fine-tuning (SFT), full-parameter
Diller / Languages	Türkçe (birincil), İngilizce (korunmuş)
Bağlam / Context	eğitim 2048 token (taban model 131k)
Precision	torch.bfloat16
Lisans / License	apache-2.0

Kullanım / Usage

Transformers

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "thealper2/MiniCPM5-1B-Turkish"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
)

messages = [
    {"role": "user", "content": "Python'da bir CSV dosyasını okuyup eksik değerleri temizleyen bir fonksiyon yaz."}
]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt"
).to(model.device)

# do_sample=True sarttir - asagidaki nota bakin / see the decoding note below
out = model.generate(inputs, max_new_tokens=512, do_sample=True, temperature=0.7, top_p=0.95)
print(tokenizer.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))

Sohbet şablonu taban modelin ChatML türevidir (<|im_start|>role\n...<|im_end|>). Her zaman apply_chat_template kullanın; prompt'u elle kurmayın.

Model, yanıtlarına boş bir düşünme bloğu (<think>\n\n</think>) ile başlayacak şekilde eğitildi; bu, taban modelin enable_thinking=False biçimiyle uyumludur. Uzun zincirleme akıl yürütme (CoT) verisiyle eğitilmedi.

llama.cpp / GGUF

bash

llama-cli -hf thealper2/MiniCPM5-1B-Turkish -p "Merhaba, kendini tanıt."
# veya yerel dosyayla:
llama-cli -m MiniCPM5-1B-Turkish-Q8_0.gguf -cnv

dosya / file	tür / type	boyut / size
`MiniCPM5-1B-Turkish-BF16.gguf`	BF16	2066 MB
`MiniCPM5-1B-Turkish-Q4_K_M.gguf`	Q4_K_M	656 MB
`MiniCPM5-1B-Turkish-Q5_K_M.gguf`	Q5_K_M	750 MB
`MiniCPM5-1B-Turkish-Q8_0.gguf`	Q8_0	1100 MB

Eğitim verisi / Training data

Tüm kaynaklar tek bir konuşma şemasına (messages) normalize edildi; ardından temizleme, tüm veri setleri arasında birebir tekrar temizliği (exact dedup) ve kategori bazlı ağırlıklı örnekleme uygulandı. Veri setleri körlemesine birleştirilmedi.

kaynak / source	kategori	ham satır	temizlik sonrası	seçilen
`AlicanKiraz0/Turkce-Atlas-Instruct`	general_turkish	336,146	336,099	55,000
`tascib/turkish-instruction`	general_turkish	324,080	311,627	55,000
`sixfingerdev/turkish-qa-multi-dialog-dataset`	qa_dialog	21,282	18,790	20,000
`berhaan/Turkish-CodeAlpaca-20k`	coding	19,996	19,565	19,474
`alztrk/turkish-code-instructions`	coding	2,676	1,895	1,895
`bysismo/Turkish-Python-instruction-500k`	coding	335,286	330,668	48,631

Birebir tekrar silinen / exact duplicates removed: 27,709
Eğitim örneği / train examples: 195,876
Doğrulama örneği / validation examples: 3,960
Eğitim token'ı / training tokens: 82,165,802 (bunun 42,684,848 tanesi kayıp hesabına giriyor)
Hedef dağılım / target mix: general_turkish 55%, coding 35%, qa_dialog 10%

Eğitim yöntemi / Training procedure

ayar / setting	değer / value
Yöntem	Full fine-tuning (LoRA/QLoRA kullanılmadı)
Kayıp / Loss	Yalnızca asistan token'ları (kullanıcı ve sistem token'ları -100 ile maskelendi)
Epoch	1
Learning rate	2e-05
Scheduler	cosine (warmup 0.03)
Optimizer	paged_adamw_8bit
Weight decay	0.1
Grad clipping	1.0
Batch	1 x 16 accum
Sekans uzunluğu	2048
Sequence packing	True
Gradient checkpointing	True
Precision	torch.bfloat16
Donanım / Hardware	NVIDIA GeForce RTX 5060 Ti

Eğitim metrikleri / Training metrics

İlk kayıp / first loss: 2.0483232498168946
Son kayıp / last loss: 1.3010472297668456
En iyi doğrulama kaybı / best eval loss: 1.276915431022644
Zirve GPU belleği / peak VRAM: 5.435 GB

Değerlendirme / Evaluation

Değerlendirme, taban model ile ince ayarlı model üzerinde aynı prompt'lar ve aynı çözümleme ayarlarıyla yapıldı. Türkçe kazanımının genel bir iyileşme anlamına gelmediğini görebilmek için İngilizce ve akıl yürütme yetenekleri de ayrıca ölçüldü (regresyon testi).

sonuç / verdict	prompt
improved	9
not auto-scored	9
possible regression	2
unchanged	10

Olası gerilemeler / possible regressions

code_js_01 (code_generation): 0/1 vs 1/1 checks
en_code_02 (english_coding): 0/2 vs 2/2 checks

Sınırlar ve riskler / Limitations

1B parametreli küçük bir modeldir; olgusal doğruluk sınırlıdır ve halüsinasyon görülebilir.
Eğitim verisi büyük ölçüde sentetik/derlenmiş Türkçe talimat setlerinden gelir; kaynaklardaki hatalar modele geçmiş olabilir.
Kaynaklardan biri (alztrk/turkish-code-instructions) Türkçe karakterleri ASCII'ye indirgenmiş metin içerir; bu nedenle katkısı bilinçli olarak düşük tutuldu.
Kod çıktıları çalıştırılmadan doğrulanmamıştır; üretime almadan önce test edin.
Tam ince ayar yapıldığı için taban modelin bazı yetenekleri (ör. araç çağırma, uzun bağlam, 2048 token üstü davranış) zayıflamış olabilir.
Güvenlik hizalaması ayrıca eğitilmedi; taban modelden gelen davranış korunmaya çalışıldı ancak garanti edilmez.
Model tıbbi, hukuki veya finansal tavsiye için kullanılmamalıdır.

Yeniden üretim / Reproduction

bash

python scripts/inspect_datasets.py
python scripts/prepare_datasets.py
python scripts/train.py --dry_run
python scripts/train.py
python scripts/compare_models.py --run

Tüm hiperparametreler config/training.yaml içindedir ve eğitim çıktısıyla birlikte config.yaml, dataset_report.json, training_summary.json olarak kaydedilir.

Atıf / Citation

bibtex

@misc{minicpm5_turkish,
  title  = {MiniCPM5-1B-Turkish},
  note   = {Full supervised fine-tune of openbmb/MiniCPM5-1B for Turkish instruction following and coding},
  year   = {2026}
}