LazuriMT

LazuriMT — Experimental Multilingual → Lazca Translation Model

\\\*\\\*Bu model şu anda yayına kapalıdır.\\\*\\\*
\\\*\\\*This model is currently not publicly available.\\\*\\\*
Güncellemeler için \\\*\\\*\\\[anadil.org](https://anadil.org)\\\\\\\*\\\\\\\* adresini takip edin.
For updates, follow \\\*\\\*\\\[anadil.org](https://anadil.org)\\\\\\\*\\\\\\\*.

---

Nedir? / What Is This?

LazuriMT, Google'ın TranslateGemma-4B-IT modelini temel alarak geliştirilen, Lazca (ISO 639-3: lzz) desteği eklenmiş deneysel bir çokdilli çeviri modelidir. Türkçe, İngilizce, İspanyolca, Almanca, Rusça ve Arapça'dan Lazca'ya yüksek kaliteli çeviriler üretir.

LazuriMT is an experimental multilingual translation model based on Google's TranslateGemma-4B-IT, with Lazca (ISO 639-3: lzz) support added via LoRA fine-tuning. It produces high-quality translations from Turkish, English, Spanish, German, Russian, and Arabic into Lazca.

---

Teknik Özellikler / Technical Specifications

---

Desteklenen Dil Yönleri / Supported Directions

---

Örnek Çeviriler / Example Translations

Aşağıdaki çıktılar, checkpoint-3090 modelinden greedy decoding ile alınmıştır. Model \\\*\\\*deneysel\\\*\\\* aşamadadır; sonuçlar doğrultuda ve içeriğe göre değişebilir.
The following outputs were generated from checkpoint-3090 via greedy decoding (temperature=0). This model is still experimental — results may vary by context and content.

Türkçe → Lazca / Turkish → Lazca

İngilizce → Lazca / English → Lazca

İspanyolca → Lazca / Spanish → Lazca

Almanca → Lazca / German → Lazca

Rusça → Lazca / Russian → Lazca

Arapça → Lazca / Arabic → Lazca

---

Lazca Karakter Sistemi / Lazca Character System

Model, Lazoğlu-Feurstein Latin alfabesindeki Lazca'ya özgü karakterleri doğru bir şekilde üretir:

Ç̌ / ç̌ — c-cedilla + combining caron (U+00C7 + U+030C)
Ǩ / ǩ — k + caron (U+01E8 / U+01E9)
P̌ / p̌ — p + combining caron (U+0050 + U+030C)
Ť / ť — t + caron (U+0164 / U+0165)
Ž / ž — z + caron (U+017D / U+017E)
Ʒ / ʒ — ezh (U+01B7 / U+0292)
Ǯ / ǯ — ezh + caron (U+01EE / U+01EF)

Bu karakterler tokenizer'a normal kelime parçacıkları olarak eklenmiştir (special\\\\\\\_tokens=True değil) — bu sayede çeviri çıktısında kaybolmazlar.

The model correctly produces Lazca characters specific to the Lazoğlu-Feurstein Latin alphabet. These characters were added to the tokenizer as regular vocabulary tokens (not special\\\\\\\_tokens=True), so they are preserved in translation output rather than being stripped.

---

Sınırlılıklar / Limitations

• Bu model deneysel aşamadadır ve eğitim verisi sınırlıdır (~263K örnek).
• Günlük/pratik cümleler için nispeten güvenilir çalışır, ancak edebi veya teknik metinlerde doğrulanmamıştır.
• Bazı çıktılarda gereğinden uzun üretim gözlemlenmiştir (model, eğitim formatından ötürü bazen tekrar üretir).
• Bu model indirme için mevcut değildir. Yayına girdiğinde anadil.org üzerinden duyurulacaktır.

This model is experimental and trained on limited data (~263K sentence pairs). It works reasonably for everyday/practical sentences but has not been validated on literary or technical texts. Some outputs may be longer than necessary due to repeated generation patterns inherited from training format. This model is not available for download. It will be announced via anadil.org when it becomes available.

---

Eğitim Yöntemi / Training Method

TranslateGemma'nın resmi chat template'i (ISO 639-1 dil kodları gerektirir) Lazca için uygun değildir — çünkü Lazca'nın bir ISO 639-1 kodu yoktur (yalnızca ISO 639-3: lzz). Bunun yerine, eğitim ve çıkarım Gemma'nın yerel turn token formatını kullanır:

<bos><start\\\\\\\_of\\\\\\\_turn>user\\\\\\\\nYou are a professional translation system.\\\\\\\\n\\\\\\\\nTranslate the following text from {kaynak} to {hedef}.\\\\\\\\n\\\\\\\\nTEXT:\\\\\\\\n{metin}<end\\\\\\\_of\\\\\\\_turn>\\\\\\\\n<start\\\\\\\_of\\\\\\\_turn>model\\\\\\\\n{cevap}<end\\\\\\\_of\\\\\\\_turn>\\\\\\\\n

Bu yaklaşım, modelin zaten güçlü bir önceliği olan <end\\\\\\\_of\\\\\\\_turn> durdurma token'ını kullanır ve LoRA ile yalnızca attention/projeksiyon katmanlarına etki eder. Lazca karakterleri için embedding'ler ise phonetic initialization yöntemiyle (Latin anahtar harf + Kartvelian/Gürcü harfinin embedding ortalaması) başlatılmıştır.

The official TranslateGemma chat template requires ISO 639-1 language codes, which doesn't support Lazca (only ISO 639-3: lzz). Instead, training and inference use Gemma's native turn token format, leveraging the model's strong pre-trained prior on <end\\\\\\\_of\\\\\\\_turn> as a stop signal. LoRA only affects attention/projection layers, and new Lazca token embeddings are initialized via phonetic initialization — averaging the embeddings of a Latin anchor letter and its Kartvelian/G Georgian counterpart.

---

İletişim / Contact

Geri bildirim, hata raporları ve model güncellemeleri için:
For feedback, bug reports, and model updates:

• Web: https://anadil.org
• GitHub: Proje kaynak kodu ileride açıkça paylaşılacaktır.