Bu model, Qwen3-14B mimarisi temel alınarak, Bursa Uludağ Üniversitesi (BU-BİP) bilgi asistanı olarak görev yapması için ince ayar (fine-tune) işleminden geçirilmiştir. Model, maksimum doğruluk ve performans sağlaması amacıyla tam FP16 (Full FP16) formatında eğitilmiş ve ağırlıkları bu formatta korunmuştur. Özellikle sunucu ortamlarında ve üretim (production) aşamasında yüksek verimli çıkarım (high-throughput inference) yapabilmesi için vLLM altyapısı ile tam uyumlu çalışacak şekilde tasarlanmıştır.

Eğitim Süreci

Modelin eğitimi iki temel aşamadan oluşmaktadır:

SFT (Supervised Fine-Tuning): Model, "Düşünce Zinciri" (Chain-of-Thought) yaklaşımıyla cot_dataset.jsonl üzerinden eğitilmiştir.
DPO (Direct Preference Optimization): SFT aşamasının ardından, yanıt kalitesini ve bağlama sadakati artırmak için dpo_dataset.jsonl kullanılarak tercih optimizasyonu uygulanmıştır.

Çıkarım ve Düşünce Yeteneği

Model, doğrudan bir çıktı vermek yerine önce bir mantık yürütme süreci işletir. Bu düşünce adımları <think> ... </think> etiketleri arasında üretilir ve sonrasında resmî belgelere dayalı, uydurmadan uzak nihai cevap sunulur.

vLLM ile Kullanım

Modeli yüksek hızda sunucu olarak ayağa kaldırmak veya Python kodunuzda doğrudan kullanmak için vLLM kütüphanesini tercih edebilirsiniz.

1. API Sunucusu Olarak Başlatma (CLI)

Modeli OpenAI uyumlu bir API sunucusu olarak başlatmak için aşağıdaki komutu kullanabilirsiniz:

bash

python -m vllm.entrypoints.openai.api_server \
    --model nypgd/bubip-qwen3-14b \
    --dtype float16 \
    --max-model-len 4096 \
    --gpu-memory-utilization 0.9


from vllm import LLM, SamplingParams

# Modeli yükle
llm = LLM(model="nypgd/bubip-qwen3-14b", dtype="float16")

# Örnekleme parametrelerini ayarla
sampling_params = SamplingParams(temperature=0.7, top_p=0.9, max_tokens=1024)

# Sisteme gönderilecek prompt (Düşünce zinciri tetiklemesi ile)
prompt = "Bursa Uludağ Üniversitesi kütüphane çalışma saatleri nelerdir?"

# Çıkarım yap
outputs = llm.generate([prompt], sampling_params)

# Sonucu yazdır
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Soru: {prompt}\nCevap: {generated_text}")