lojistik-lora-adapter

LojistikAI — Lojistik Fine-Tuned Model (LoRA)

Oluşturan: Cihat Yıldız
Base Model: unsloth/Qwen3-1.7B-unsloth-bnb-4bit
Eğitim Verisi: cihatyldz/lojistik-soru-cevap
Benchmark: cihatyldz/lojistik-benchmark

Türkçe lojistik ve tedarik zinciri alanında uzmanlaşmış bir LoRA adaptörüdür. Araç rotalama, depo yönetimi, stok optimizasyonu, taşımacılık ve dış ticaret konularında soru-cevap yeteneği kazandırılmıştır.

---

🎯 Özel Lojistik Benchmark Sonuçları

Bu model için özel olarak hazırlanmış Türkçe lojistik benchmark'ında 6 farklı model karşılaştırılmıştır.

Benchmark: 116 çoktan seçmeli soru (15 elle yazılmış + 101 sentetik)
Puanlama: Accuracy (doğru/toplam)
Rastgele başarı tabanı: %20 (5 seçenek)

Kendi Modelimin Kategori Bazlı Sonuçları

Metodoloji

• Eğitim/test ayrımı: Fine-tune veri setinden %10'luk dilim kenara ayrılmış, benchmark bu dilim ve yeni sorulardan oluşturulmuştur.
• Elle yazılan sorular: Lojistik sektöründeki pratik deneyime dayanarak hazırlanmıştır (hesaplama + kavramsal karışık).
• Sentetik sorular: GPT-4o mini ile üretilmiş, format ve tutarlılık doğrulamasından geçirilmiştir.
• Cevap ayıklama: 3 aşamalı — doğrudan harf, harf+ayraç, anlamsal benzerlik (fallback).
• Protokol: temperature=0.01, max_new_tokens=42, zero-shot.

---

Kullanım

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="cihatyldz/lojistik-lora-adapter",
    max_seq_length=2048,
    load_in_4bit=True,
)
FastLanguageModel.for_inference(model)

messages = [{"role": "user", "content": "Cross-docking nedir?"}]
inputs = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, return_tensors="pt"
).to("cuda")
outputs = model.generate(input_ids=inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Eğitim Detayları