SykoLLM-V6.9-SFT

SykoLLM-V6.9-SFT

SykoLLM-V6.9-SFT, SykoSLM/SykoLLM-v6.9 temel modelinin, Alpaca formatlı bir talimat (instruction) veri seti üzerinde LoRA (Low-Rank Adaptation) yöntemiyle ince ayar yapılıp, ardından adaptör ağırlıklarının taban model ile birleştirilmesiyle (merge) elde edilmiş halidir.

Model Detayları

İnce Ayar (Fine-Tuning) Bilgileri

Model, taban ağırlıklar dondurulmuş şekilde yalnızca LoRA adaptör katmanları eğitilerek fine-tune edilmiştir:

trainable params: 24,379,392 || all params: 416,236,544 || trainable%: 5.8571

• Toplam parametre sayısı: ~416.2M
• Eğitilebilir (LoRA) parametre sayısı: ~24.4M
• Eğitilebilir oran: %5.86
• Yöntem: LoRA → eğitim sonrası merge_and_unload() ile taban modele birleştirildi
• Veri seti formatı: Alpaca (instruction / input / output)

Not: Yukarıdaki istatistikler yalnızca LoRA eğitim aşamasına aittir; bu repodaki ağırlıklar zaten birleştirilmiş (merged) haldedir, ayrıca bir adaptör yüklemeye gerek yoktur.

Kullanım

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "SykoSLM/SykoLLM-V6.9-SFT"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto",
)

prompt = """### Talimat:
Türkiye'nin başkenti neresidir?

### Cevap:
"""

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=128,
    do_sample=True,
    temperature=0.5,
    top_p=0.9,
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Karşılaştırmalı Inference Scripti (Base Model vs LoRA)

Base model ile LoRA adaptörünün yan yana karşılaştırılması için:

"""
Inference Script — SykoSLM/SykoLLM-v6.9 + LoRA Adapter
Base model ve LoRA'lı halini yan yana karşılaştırır.
Gereksinimler:
    pip install transformers peft torch --break-system-packages
"""
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

BASE_MODEL_NAME = "SykoSLM/SykoLLM-v6.9"
ADAPTER_PATH = "/kaggle/working/sykollm-lora-alpaca/final_adapter"
MAX_NEW_TOKENS = 200
TEMPERATURE = 0.5
TOP_P = 0.9
REPETITION_PENALTY = 1.0
NO_REPEAT_NGRAM_SIZE = 0

TEST_INSTRUCTIONS = [
    "hello!",
    "Explain what a black hole is in simple terms.",
    "Write a short poem about autumn.",
    "What is the capital of France?",
    "Give me three tips for staying productive while working from home.",
    "What is the capital of Turkey?",
]

print("Tokenizer yükleniyor...")
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_NAME, trust_remote_code=True)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token

print("Base model yükleniyor...")
base_model = AutoModelForCausalLM.from_pretrained(
    BASE_MODEL_NAME,
    trust_remote_code=True,
    torch_dtype=torch.float32,
    device_map="auto",
)
base_model.eval()

print("LoRA adaptörü yükleniyor...")
lora_model = PeftModel.from_pretrained(base_model, ADAPTER_PATH)
lora_model.eval()

def format_prompt(instruction, input_text=""):
    if input_text:
        return (
            f"### Instruction:\n{instruction}\n\n"
            f"### Input:\n{input_text}\n\n"
            f"### Response:\n"
        )
    return f"### Instruction:\n{instruction}\n\n### Response:\n"

def generate(model, prompt, max_new_tokens=MAX_NEW_TOKENS):
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    with torch.no_grad():
        output_ids = model.generate(
            **inputs,
            max_new_tokens=max_new_tokens,
            temperature=TEMPERATURE,
            top_p=TOP_P,
            repetition_penalty=REPETITION_PENALTY,
            no_repeat_ngram_size=NO_REPEAT_NGRAM_SIZE,
            do_sample=True,
            pad_token_id=tokenizer.pad_token_id,
        )
    full_text = tokenizer.decode(output_ids[0], skip_special_tokens=True)
    if "### Response:" in full_text:
        return full_text.split("### Response:")[-1].strip()
    return full_text[len(prompt):].strip()

if __name__ == "__main__":
    for instruction in TEST_INSTRUCTIONS:
        prompt = format_prompt(instruction)
        print("\n" + "=" * 80)
        print(f"INSTRUCTION: {instruction}")
        print("=" * 80)
        print("\n[BASE MODEL — LoRA'sız]")
        base_output = generate(base_model, prompt)
        print(base_output)
        print("\n[LoRA'LI MODEL]")
        lora_output = generate(lora_model, prompt)
        print(lora_output)
    print("\n" + "=" * 80)
    print("Test tamamlandı.")

Eğitim Şablonu (Alpaca Formatı)

### Talimat:
{instruction}

### Girdi:
{input}

### Cevap:
{output}

Sınırlamalar

• Model küçük ölçekli olduğu için (~416M parametre) karmaşık akıl yürütme gerektiren görevlerde sınırlı performans gösterebilir.
• Üretilen çıktılar yanlış, tutarsız veya önyargılı bilgi içerebilir; kritik kararlarda doğrulanmadan kullanılmamalıdır.
• max_position_embeddings değeri 1024 olduğundan çok uzun bağlamlarda kesilme yaşanabilir.

Lisans

Bu model kartında lisans olarak apache-2.0 varsayılan olarak belirtilmiştir. Taban modelin (SykoSLM/SykoLLM-v6.9) lisansına göre bu alanı güncellemeniz gerekebilir.

Atıf

@misc{sykollm-v69-sft,
  title  = {SykoLLM-V6.9-SFT},
  author = {SykoSLM},
  year   = {2026},
  note   = {LoRA fine-tuned and merged from SykoSLM/SykoLLM-v6.9}
}