You can deploy this model and start earning money today!

SykoLLM-V5.4

Name: SykoLLM-V5.4
Rating: 2.5 (12 reviews)

SykoLLM, modern dil modeli tasarım prensiplerinden (RoPE, RMSNorm, SwiGLU, GQA) ilham alınarak sıfırdan yazılmış özel bir mimariyle oluşturulmuş 233M parametreli bir nedensel dil modelidir. Türkçe, İngilizce ve kod içeren çok dilli bir veri karışımıyla eğitilmiştir.

Model Detayları

Özellik	Değer
Mimari	Syko (özel Llama-tarzı decoder)
Parametre Sayısı	233,214,720
Gizli Boyut	768
Katman Sayısı	24
Dikkat Başlığı	6
Bağlam Uzunluğu	1024 token
Kelime Hazinesi	32.000 (özel BPE)
Eğitim Adımı	4.000
Son Loss	~2.0
Hassasiyet	fp16
Lisans	Apache 2.0

Mimari Özellikleri

RMSNorm — fp16 stabilitesi için varyans hesabı float32'de yapılır
RoPE — float32 cos/sin hesaplamasıyla Döndürmalı Konum Kodlaması
SwiGLU — kapılı MLP aktivasyonu (gate × up → down projeksiyonu)
GQA desteği — num_key_value_heads ile Gruplu Sorgu Dikkat mekanizması
Ön-norm — her alt katmandan (dikkat + MLP) önce normalizasyon
Embedding scaling yok — sqrt çarpımı olmadan temiz embedding
lm_head float32'de — 768→32000 projeksiyonunda fp16 taşmasını önler

Eğitim Verisi

Model, aşağıdaki veri setlerinin harmanlanmış karışımıyla eğitilmiştir:

Veri Seti	Açıklama
`uonlp/CulturaX` (tr)	Türkçe web metni
`HuggingFaceTB/cosmopedia`	Sentetik eğitim içeriği
`roneneldan/TinyStories`	Kısa İngilizce hikayeler
`nampdn-ai/tiny-textbooks`	Sentetik ders kitabı içeriği
`nampdn-ai/tiny-codes`	Kod talimat çiftleri
`ise-uiuc/Magicoder-Evol-Instruct-110K`	Kod talimat verisi
`theblackcat102/evol-codealpaca-v1`	Kod talimat verisi
`turkish-nlp-suite/InstrucTurca`	Türkçe talimat çiftleri

Veriler, düzgün karışım sağlamak amacıyla 10K'lık bloklar halinde karıştırılarak eğitime hazırlanmıştır.

Tokenizer

Eğitim verisinin 100K örneği üzerinde eğitilmiş özel BPE tokenizer.

Özel tokenlar: <pad>, <bos>, <eos>, <unk>, <user>, </user>, <assistant>, </assistant>, <think>, </think>, <code>, </code>, <tr>, <en>

Kurulum Öncesi Hazırlık

Syko mimarisi Transformers'a kayıtlı olmadığı için, modeli çalıştırmak kendi özel kütüphanemi indirmeniz gerekmektedir. Kütüphane şu:

!pip install syko-llm

Kullanım

python

# 1. Yeni sürümü zorla yükle (Eski sürümün önbellekte kalmasını önler)
# 1. Yeni sürümü zorla yükle ve uyumluluk için torchvision'ı dahil et
!pip install --upgrade syko-llm==0.3.4 transformers

import syko
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# 2. Cihaz ayarı (GPU varsa GPU, yoksa CPU)
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Kullanılan cihaz: {device}")

# 3. Model ve Tokenizer'ı yükle
model_id = "SykoSLM/SykoLLM-V5.4"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.float32, device_map="cuda:0")
model.eval()

# 4. Prompt hazırlığı (Eğitim formatınla birebir aynı olmalı!)
prompt = "<bos><user>\nGökyüzü hangi renktir?</user>\n<assistant>\n"
inputs = tokenizer(prompt, return_tensors="pt").to(device)

# 5. Yeni nesil, stabilize edilmiş Generation ayarları
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,           # Üretilecek maksimum token
        use_cache=False,               
        do_sample=True,               # Modelin farklı kelimeler seçmesine izin ver
        temperature=0.3,              # Yaratıcılık/Tutarlılık dengesi
        top_p=0.9,                    # Sadece en mantıklı %90'lık ihtimallerden seç
        repetition_penalty=1.17,      
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

# 6. Çıktıyı decode et ve göster
# prompt'u dahil etmeden sadece yeni üretilen kısmı görmek istersen skip_special_tokens=True yapabilirsiniz
response = tokenizer.decode(outputs[0], skip_special_tokens=False)

print("\n--- MODEL ÇIKTISI ---")
print(response)
print("---------------------")

Sınırlamalar

233M parametre nispeten küçük bir modeldir. Karmaşık çok adımlı akıl yürütme güvenilir olmayabilir.
4.000 adım eğitilmiştir — daha fazla eğitim tutarlılığı ve doğruluğu artırır.
Özellikle bilgi yoğun sorularda yanlış bilgi üretebilir.
Güvenlik için ince ayar yapılmamıştır — çıktılar filtresizdir.

Eğitim Altyapısı

Özellik	Değer
Donanım	2× NVIDIA T4 (Kaggle)
Framework	PyTorch + HuggingFace Transformers
Dağıtık Eğitim	DDP (Accelerate)
Optimizer	AdamW
Öğrenme Hızı	3e-4, cosine decay
Batch Boyutu	6 cihaz başına × 10 gradient accumulation = efektif 120
Warmup	300 adım

Lisans

Apache 2.0 — detaylar için LICENSE dosyasına bakın.