Downloads · 30 days
0
gumush/turkish-finance-llama3.1-8b-lora
turkish-finance-llama3.1-8b-lora is a text generation model from gumush. Use it when you need the model to write or continue text. It is set up for transformers. The card lists the license as mit.
Türkçe finansal piyasalar için özel olarak fine-tune edilmiş bir dil modeli. Kripto para, borsa, teknik analiz, temel analiz, risk yönetimi ve finansal regülasyonlar konusunda uzmanlaşmıştır.
Downloads · 30 days
0
Access
Public
Updated Feb 23, 2026
Repo size
185 MB
Likes
0
Public
Click a slice to open those files.
.safetensors168 MB · 91%
From the Hugging Face model README
Türkçe finansal piyasalar için özel olarak fine-tune edilmiş bir dil modeli. Kripto para, borsa, teknik analiz, temel analiz, risk yönetimi ve finansal regülasyonlar konusunda uzmanlaşmıştır.
| Özellik | Değer |
|---|---|
| Base Model | meta-llama/Llama-3.1-8B-Instruct |
| Parametre | 8B (LoRA adapter: ~42M trainable) |
| Eğitim Yöntemi | QLoRA (4-bit) + SFT |
| Dil | Türkçe |
| Uzmanlık | Finans, Kripto, Borsa, Teknik/Temel Analiz |
| Lisans | MIT |
| Framework | Unsloth + TRL SFTTrainer |
| Formatlar | LoRA adapter + GGUF (q4_k_m) |
Bu model, AlicanKiraz0/Turkish-Finance-SFT-Dataset kullanılarak eğitilmiştir. Dataset yaklaşık 10 milyon token boyutunda, kripto para, borsa, teknik analiz, temel analiz, risk yönetimi ve finansal regülasyonlar dahil geniş bir yelpazede Türkçe soru-cevap çifti içermektedir.
| Parametre | Değer |
|---|---|
| LoRA Rank (r) | 16 |
| LoRA Alpha | 16 |
| Target Modules | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
| Dropout | 0 |
| Gradient Checkpointing | unsloth |
| Parametre | Değer |
|---|---|
| Batch Size | 2 |
| Gradient Accumulation | 4 (effective: 8) |
| Epoch | 1 |
| Learning Rate | 2e-4 |
| Optimizer | adamw_8bit |
| Max Seq Length | 2048 |
| LR Scheduler | linear |
| Warmup Steps | 5 |
| Weight Decay | 0.01 |
| Precision | bf16 |
| Quantization | 4-bit (QLoRA) |
pip install unsloth transformers torch accelerate peft
from unsloth import FastLanguageModel
model, tokenizer = FastLanguageModel.from_pretrained(
model_name="gumush/turkish-finance-llama3.1-8b-lora",
max_seq_length=2048,
load_in_4bit=True,
)
FastLanguageModel.for_inference(model)
SYSTEM_PROMPT = """Sen Türkiye finansal piyasaları konusunda uzmanlaşmış bir yapay zeka asistanısın.
Görevin kullanıcılara doğru, güncel ve anlaşılır finansal bilgi sağlamaktır.
SADECE doğruluğundan emin olduğun bilgileri paylaş.
ASLA uydurma terim, kurum veya düzenleme oluşturma.
Her finansal bilgi içeren yanıtın sonunda şu uyarıyı ekle:
'Bu bilgiler genel niteliktedir, yatırım tavsiyesi değildir.
Kararlarınızdan önce lisanslı bir yatırım danışmanına başvurmanız önerilir.'"""
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": "Teknik analizde RSI indikatörü nedir ve nasıl yorumlanır?"}
]
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=512,
temperature=0.7,
top_p=0.9,
do_sample=True,
)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch
base_model = "meta-llama/Llama-3.1-8B-Instruct"
lora_model = "gumush/turkish-finance-llama3.1-8b-lora"
tokenizer = AutoTokenizer.from_pretrained(base_model)
model = AutoModelForCausalLM.from_pretrained(
base_model,
torch_dtype=torch.bfloat16,
device_map="auto",
load_in_4bit=True,
)
model = PeftModel.from_pretrained(model, lora_model)
messages = [
{"role": "system", "content": "Sen Türkiye finansal piyasaları konusunda uzmanlaşmış bir yapay zeka asistanısın."},
{"role": "user", "content": "BIST 100 endeksi nedir?"}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, temperature=0.7, do_sample=True)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
Bu model GGUF formatında da sunulmaktadır. q4_k_m quantization ile boyut küçültülmüş, llama.cpp ve Ollama ile doğrudan kullanılabilir.
GGUF dosyası: gumush/turkish-finance-llama3.1-8b-lora-GGUF
# Ollama ile kullanım
ollama run hf.co/gumush/turkish-finance-llama3.1-8b-lora-GGUF
# llama-cpp-python ile kullanım
from llama_cpp import Llama
llm = Llama.from_pretrained(
repo_id="gumush/turkish-finance-llama3.1-8b-lora-GGUF",
filename="*q4_k_m.gguf",
n_ctx=2048,
)
output = llm.create_chat_completion(
messages=[
{"role": "system", "content": "Sen Türkiye finansal piyasaları konusunda uzmanlaşmış bir yapay zeka asistanısın."},
{"role": "user", "content": "Borsa'da stop-loss nedir?"}
],
temperature=0.7,
)
print(output["choices"][0]["message"]["content"])
Kripto Para
Borsa
Teknik Analiz
Risk Yönetimi
Bu model aşağıdaki çalışmalar ve kaynaklara dayanmaktadır:
@dataset{turkish-finance-sft,
author = {Alican Kiraz},
title = {Turkish-Finance-SFT-Dataset},
year = {2026},
publisher = {HuggingFace},
url = {https://huggingface.co/datasets/AlicanKiraz0/Turkish-Finance-SFT-Dataset}
}
@model{mihenk-llm,
author = {Alican Kiraz},
title = {Mihenk-LLM: A Fine-tuned Model for Turkish Financial Analysis},
year = {2026},
publisher = {HuggingFace},
url = {https://huggingface.co/AlicanKiraz0/Mihenk-LLM-14B-Turkish-Financial-Model-mlx-8Bit}
}
@model{llama3.1,
author = {Meta AI},
title = {Llama 3.1},
year = {2024},
publisher = {Meta},
url = {https://huggingface.co/meta-llama/Llama-3.1-8B-Instruct}
}
MIT - Bu model MIT lisansı altında dağıtılmaktadır. Base model (Llama 3.1) Meta'nın Llama lisansı koşullarına tabidir. Dataset (Turkish-Finance-SFT-Dataset) MIT lisansı altındadır.