Bu model, Qwen/Qwen3-0.6B taban modeli üzerine gururaser/turkish-ecommerce-ner-dataset verisetindeki 1.500 adet doğal Türkçe e-ticaret ürünü kullanılarak NVIDIA L4 GPU üzerinde Unsloth + LoRA altyapısıyla fine-tune edilmiştir.

Model, Trendyol, Hepsiburada ve Çiçeksepeti tarzındaki karmaşık Türkçe ürün isimlerinden 8 farklı Named Entity Recognition (NER) etiketini yüksek doğrulukla ve yapılandırılmış JSON formatında çıkarmaktadır.

🏆 5-Model SOTA Benchmark Karşılaştırma Raporu (200 Test Kaydı)

F1-Score	Precision	Recall	Exact Match	Model	Inference Süresi (ms)
0.855	0.867	0.844	57.5%	Qwen3-0.6B (Fine-Tuned Unsloth)	11832
0.589	0.646	0.541	0.0%	GLiNER (urchade/gliner_multi-v2.1)	115
0.352	0.435	0.295	0.0%	GLiNER2 (fastino/gliner2-base-v1)	133
0.077	0.154	0.051	0.0%	BERT-Turkish-NER (savasy/bert)	5
0	0	0	0.0%	Base Qwen3-0.6B (Zero-Shot)	5563

🏷️ Desteklenen NER Etiketleri (8 Anahtar Class)

Etiket	Açıklama	Örnek Çıktı
`BRAND`	Marka Adı	Nike, Samsung, İstikbal, Karaca
`CATEGORY`	Ürün Kategorisi / Türü	Spor Ayakkabı, Akıllı TV, Koltuk Takımı
`MODEL`	Model veya Ürün Serisi	Air Max 270, Galaxy S24, Nova
`COLOR`	Renk Bilgisi	Siyah, Uzay Grisi, Bej, Lacivert
`SIZE_VARIANT`	Beden / Boyut / Kapasite	42 Numara, XL, 150x220 cm, 128 GB
`GENDER_TARGET`	Hedef Kitle	Erkek, Kadın, Çocuk, Unisex
`MATERIAL`	Malzeme / Kumaş Bileşimi	Pamuk, Deri, Paslanmaz Çelik, Granit
`SPECIFICATION`	Nitelik / Teknik Özellik	Kareli, Kablosuz, Su Geçirmez, Mat Bitiş

🚀 Kullanım (Usage Examples)

Unsloth ile Hızlı İnference (Önerilen)

python

from unsloth import FastLanguageModel
import json

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="gururaser/qwen3-0.6b-turkish-ecommerce-ner",
    max_seq_length=512,
    load_in_4bit=True
)
FastLanguageModel.for_inference(model)

prompt_system = "Sen e-ticaret ürün isimlerinden marka, kategori, renk, beden, cinsiyet ve malzeme gibi NER bileşenlerini çıkaran uzman bir sistemdir."
user_input = "Kategori: Ayakkabı\nÜrün Adı: Nike Air Max 270 Siyah Erkek Spor Ayakkabı 42 Numara"
prompt = f"<|im_start|>system\n{{prompt_system}}<|im_end|>\n<|im_start|>user\n{{user_input}}<|im_end|>\n<|im_start|>assistant\n"

inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
input_len = inputs["input_ids"].shape[1]

outputs = model.generate(**inputs, max_new_tokens=256)
gen_tokens = outputs[0][input_len:]

result_json = tokenizer.decode(gen_tokens, skip_special_tokens=True).strip()
print(json.loads(result_json))