qwen3-0.6b-turkish-ecommerce-ner

🛒⚡ Qwen3-0.6B Turkish E-Commerce NER (Fine-Tuned with Unsloth)

Bu model, Qwen/Qwen3-0.6B taban modeli üzerine gururaser/turkish-ecommerce-ner-dataset verisetindeki 1.500 adet doğal Türkçe e-ticaret ürünü kullanılarak NVIDIA L4 GPU üzerinde Unsloth + LoRA altyapısıyla fine-tune edilmiştir.

Model, Trendyol, Hepsiburada ve Çiçeksepeti tarzındaki karmaşık Türkçe ürün isimlerinden 8 farklı Named Entity Recognition (NER) etiketini yüksek doğrulukla ve yapılandırılmış JSON formatında çıkarmaktadır.

---

🏆 5-Model SOTA Benchmark Karşılaştırma Raporu (200 Test Kaydı)

---

🏷️ Desteklenen NER Etiketleri (8 Anahtar Class)

---

🚀 Kullanım (Usage Examples)

Unsloth ile Hızlı İnference (Önerilen)

from unsloth import FastLanguageModel
import json

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="gururaser/qwen3-0.6b-turkish-ecommerce-ner",
    max_seq_length=512,
    load_in_4bit=True
)
FastLanguageModel.for_inference(model)

prompt_system = "Sen e-ticaret ürün isimlerinden marka, kategori, renk, beden, cinsiyet ve malzeme gibi NER bileşenlerini çıkaran uzman bir sistemdir."
user_input = "Kategori: Ayakkabı\nÜrün Adı: Nike Air Max 270 Siyah Erkek Spor Ayakkabı 42 Numara"
prompt = f"<|im_start|>system\n{{prompt_system}}<|im_end|>\n<|im_start|>user\n{{user_input}}<|im_end|>\n<|im_start|>assistant\n"

inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
input_len = inputs["input_ids"].shape[1]

outputs = model.generate(**inputs, max_new_tokens=256)
gen_tokens = outputs[0][input_len:]

result_json = tokenizer.decode(gen_tokens, skip_special_tokens=True).strip()
print(json.loads(result_json))