Downloads · 30 days
8
19% of all-time downloads
alifgokce/qwen3.5-2b-turkish-news-prioritizer
qwen3.5-2b-turkish-news-prioritizer is a text generation model from alifgokce. Use it when you need the model to write or continue text. It is set up for peft. The card lists the license as apache-2.0.
Turkce haber akislarini gercek zamanli onceliklendirmek icin Qwen3.5-2B uzerine LoRA fine-tuning yapilmis modeldir. Qdrant vektör veritabani ile RAG entegrasyonu desteklenmektedir.
Downloads · 30 days
8
19% of all-time downloads
All-time downloads
42
Public
Repo size
—
Likes
0
Public
Click a slice to open those files.
.safetensors43.7 MB · 69%
From the Hugging Face model README
Turkce haber akislarini gercek zamanli onceliklendirmek icin Qwen3.5-2B uzerine LoRA fine-tuning yapilmis modeldir. Qdrant vektör veritabani ile RAG entegrasyonu desteklenmektedir.
Onceki calismam: WideWorldImporters SQL Assistant — NL2SQL & SP asistani
Buyuk haber ajanslarindan saniyeler icinde onlarca haber akiyor. Bu model bir editörün yapacagi "bu haber ne kadar önemli?" kararini otomatiklestirir:
| Parametre | Deger |
|---|---|
| Base model | Qwen/Qwen3.5-2B |
| Fine-tuning yontemi | LoRA |
| LoRA rank / alpha | 16 / 32 |
| LoRA hedef moduller | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
| Egitim ornegi | ~600 Turkce haber (dengelenmis) |
| Epoch | 15 |
| Efektif batch size | 16 (4 x 4 grad accum) |
| Learning rate | 2e-4 (cosine decay) |
| Max sequence length | 512 token |
| Donanim | NVIDIA RTX 5090 (34 GB) |
| Egitim suresi | ~64 dakika |
| Veri kaynagi | Turk haber ajanslarindan RSS besleme |
| Etiket | Anlam | Puan Araligi |
|---|---|---|
SON_DAKIKA | Kritik, aninda ilgi gerektiren haber | 75 - 100 |
GELISME | Onemli, takip edilmesi gereken haber | 50 - 74 |
NORMAL | Rutin haber akisi | 25 - 49 |
DUSUK | Dusuk oncelikli, arka plan haberi | 0 - 24 |
afet_acil · ekonomi · uluslararasi · siyaset · spor · teknoloji · genel
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
base_model = "Qwen/Qwen3.5-2B"
adapter = "alifgokce/qwen3.5-2b-turkish-news-prioritizer"
tokenizer = AutoTokenizer.from_pretrained(base_model, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
base_model, dtype=torch.bfloat16, device_map="auto", trust_remote_code=True
)
model = PeftModel.from_pretrained(model, adapter)
model.eval()
messages = [
{
"role": "system",
"content": (
"Sen Turkce haber onceliklendirme asistanisin. "
"Verilen haber basligina ve kaynagina gore aciliyet duzeyini belirle.\n"
"Cikti formati:\n"
"ETIKET: SON_DAKIKA | GELISME | NORMAL | DUSUK\n"
"PUAN: 0-100\n"
"KATEGORI: afet_acil | ekonomi | uluslararasi | siyaset | spor | teknoloji | genel\n"
"GEREKCE: kisa aciklama"
),
},
{
"role": "user",
"content": "Baslik: Merkez Bankasi faizi 500 baz puan artirdi\nKaynak: Bloomberg HT",
},
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
with torch.no_grad():
out = model.generate(
**inputs, max_new_tokens=80, do_sample=False, pad_token_id=tokenizer.eos_token_id
)
decoded = tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(decoded)
Beklenen cikti:
ETIKET: SON_DAKIKA
PUAN: 91
KATEGORI: ekonomi
GEREKCE: merkez bankasi faiz karari, finansal piyasalari dogrudan etkiler
Ornek 1 — Ekonomi son dakika:
Girdi: "Dolar/TL 40'i gecti" | Kaynak: Sabah
Cikti: ETIKET: SON_DAKIKA | PUAN: 88 | KATEGORI: ekonomi
Ornek 2 — Rutin spor:
Girdi: "Fenerbahce antrenman yapti" | Kaynak: Haberturk
Cikti: ETIKET: NORMAL | PUAN: 30 | KATEGORI: spor
Ornek 3 — Afet:
Girdi: "Istanbul'da 5.8 buyuklugunde deprem" | Kaynak: Anadolu Ajansi
Cikti: ETIKET: SON_DAKIKA | PUAN: 95 | KATEGORI: afet_acil
Daha yuksek dogruluk icin Qdrant vektör veritabani ile birlikte kullanilabilir:
from qdrant_client import QdrantClient
from sentence_transformers import SentenceTransformer
embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
client = QdrantClient("http://localhost:6333")
# Sorgu haberi icin benzer gecmis haberleri getir
query_vec = embedder.encode("Merkez Bankasi faiz karari").tolist()
hits = client.search(collection_name="news_labels", query_vector=query_vec, limit=3)
# Bulunan ornekleri prompt'a few-shot olarak ekle
# -> model bu orneklerden ogrenip daha tutarli etiketler uretir
Veriler asagidaki Turk haber kaynaklarindan RSS ile toplanmistir:
Tier 1 (en yuksek guvenilirlik): Anadolu Ajansi, TRT Haber, CNN Turk Tier 2: Sabah, Hurriyet, Milliyet, Haberturk Tier 3: Diger kaynaklar
Toplam ~600 ornek; SON_DAKIKA, GELISME, NORMAL, DUSUK kategorileri arasindan dengeli sekilde orneklendi (her sinif ~150 ornek).
Bu model alifgokce tarafindan gelistirilmistir.