Downloads · 30 days
28
34% of all-time downloads
tunahanf/gemma-4-12b-it-medlaw-tr-LORA-2
gemma-4-12b-it-medlaw-tr-LORA-2 is a text generation model from tunahanf. 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.
google/gemma-4-12B-it üzerine QLoRA adaptörü. Türkçe tıp hukuku metinlerinde yapılandırılmış ön analiz üretir: karar özeti, senaryodan kusur analizi, onam metni denetimi, mevzuat sorusu.
Downloads · 30 days
28
34% of all-time downloads
All-time downloads
82
Public
Repo size
557 MB
Likes
0
Public
Click a slice to open those files.
.safetensors525 MB · 94%
From the Hugging Face model README
google/gemma-4-12B-it üzerine QLoRA adaptörü. Türkçe tıp hukuku metinlerinde yapılandırılmış ön analiz üretir: karar özeti, senaryodan kusur analizi, onam metni denetimi, mevzuat sorusu.
Bu bir hukuki görüş üreticisi değildir. Hedef kullanıcı hukukçu, bilirkişi veya sağlık kuruluşunun hukuk birimidir; çıktı ön analiz + kontrol listesi niteliğindedir ve insan denetimi olmadan kullanılamaz. Hastaya veya hekime doğrudan tavsiye vermez.
Not: Yayınlanan sürüm V2 değil V1'dir (
tunahanf/gemma-4-12b-it-medlaw-tr-LORA). İkisi aynı test kümesinde karşılaştırıldı; 12 alanın 10'unda fark ölçülemedi,madde_qaV1 lehine sağlam çıktı.
| veri | tunahanf/turkish-medicine-law sürüm v2.0 |
| yöntem | QLoRA (4-bit), train_on_completions |
| r / alpha / dropout | 32 / 64 / 0.05 |
| epoch | 2 (542 adım) |
| en iyi eval_loss | 0.3481 (adım 542) |
| görülen token | 13,668,592 |
Eğitim promptunda JSON şeması, alan listesi veya örnek yoktur; model çıktı biçimini yalnız örneklerden öğrenir. Bu, ölçümde önemli: şema promptla verildiğinde model şemadaki örnek değerleri tekrarlıyor (aşağıya bakın).
Test split'inin 565 örneğinde, aynı koşuda, greedy decoding ile. Karşılaştırma base model lehine kurulu: base'e promptta açık JSON şeması + kapalı etiket kümeleri veriliyor, fine-tune'a verilmiyor.
| görev / metrik | base + şema | fine-tune | naif taban | karar |
|---|---|---|---|---|
madde_qa.dogru_sik | 0.798 | 0.776 | 0.557 (en uzun şık) | fark ölçülemedi |
karar_ozeti.mahkeme (daire no) | 0.919 | 1.000 | — | LoRA üstün · taban yok |
karar_ozeti.esas_karar_no (sayısal) | 0.984 | 1.000 | 0.000 (train sabiti) | fark ölçülemedi |
karar_ozeti.sonuc | 0.944 | 0.944 | 0.371 (train sabiti) | fark ölçülemedi |
karar_ozeti.kusur_tipi (imla sade) | 0.577 | 0.855 | 0.440 (train sabiti) | LoRA üstün |
senaryo_analizi.kusur_var_mi | 0.571 | 0.625 | 0.446 (train sabiti) | fark ölçülemedi |
senaryo_analizi.kusur_tipi (imla sade) | 0.515 | 0.542 | 0.443 (train sabiti) | fark ölçülemedi |
senaryo_analizi.dayanak | 0.009 | 0.420 | 0.360 (train sabiti) | LoRA üstün · naif tabanı geçemiyor |
senaryo_analizi.yargi_kolu | 1.000 | 0.964 | 0.607 (train sabiti) | fark ölçülemedi |
senaryo_analizi.ispat_yuku | 0.143 | 0.857 | 0.857 (train sabiti) | LoRA üstün · naif tabanı geçemiyor |
onam_denetimi.eksik_unsurlar | 0.805 | 0.776 | 0.301 (train sabiti) | fark ölçülemedi |
sonuc_tahmini.sonuc (kurtarılmış) | 0.291 | 0.709 | 0.709 (mahkeme çoğunluğu) | LoRA üstün · naif tabanı geçemiyor |
Karar sütunu, source_id kümesi düzeyinde eşleşmiş bootstrap'la hesaplanan %95 güven aralığından türetildi; "fark ölçülemedi" = aralık sıfırı içeriyor, yani bu koşu o alanda bir fark gösteremiyor. Kalın yazılanlar base'i ve naif tabanı birlikte aşan tek alandır. Tabansız bir doğruluk sayısı yanıltıcıdır.
Naif tabanı geçemeyen alanlar: senaryo_analizi.ispat_yuku, sonuc_tahmini.sonuc (kurtarılmış). ispat_yuku'nda model cevapların çoğunda "belirsiz" diyerek çoğunluk sınıfını oynuyor; sonuc_tahmini'nde etiket mahkeme koduyla güçlü korelasyonlu ve model o sıfır-zekâlı stratejiyi geçemiyor. Bu alanlarda modeli kullanmayın.
Tablodaki sayılar ham çıktıdan şu düzeltmelerle üretildi (düzeltmeden base olduğundan kötü görünüyordu): Türkçe imla ASCII'ye; kesilen JSON'dan alan kurtarma; yalnız esas/karar sayıları; yazım biçimi yerine daire numarası.
Modelin ürettiği her (kanun, madde) çifti 1178 maddelik mevzuat tablosuna çözdürüldü:
| üretilen atıf | çözülen | oran | |
|---|---|---|---|
| gold (veri setinin etiketi) | 161 | 159 | 0.988 |
| base + şema | 106 | 1 | 0.009 |
| fine-tune | 232 | 232 | 1.000 |
Base'in düşük oranı uydurma değil kelime dağarcığı hatası: kanun kodu yerine tam adını yazıyor (TÜRK BORÇLAR KANUNU m471), yani hiçbiri atıf doğrulama katmanından geçmez.
Çözülebilirlik isabet demek değildir — aynı modelin dayanak F1'i çok daha düşük. Bu sayı yalnız halüsinasyonun yokluğunu ölçer. Üretimde her atıfı mevzuat tablosuna karşı doğrulayın.
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
BASE = "google/gemma-4-12B-it"
ADAPTER = "tunahanf/gemma-4-12b-it-medlaw-tr-LORA-2"
tok = AutoTokenizer.from_pretrained(ADAPTER)
model = PeftModel.from_pretrained(
AutoModelForCausalLM.from_pretrained(
BASE, torch_dtype=torch.bfloat16, device_map="auto"),
ADAPTER)
mesajlar = [{"role": "user", "content":
"Hasta Hakları Yönetmeliğine göre rızanın geçerli olması "
"için hangi unsurlar aranır?"}]
girdi = tok.apply_chat_template(mesajlar, add_generation_prompt=True,
return_tensors="pt").to(model.device)
print(tok.decode(model.generate(girdi, max_new_tokens=512)[0]))
Promptu eğitimdeki gibi şemasız verin. Prompt'a doldurulmuş bir JSON örneği koyarsanız model kapalı etiketli alanlarda o örneğin değerlerini tekrarlar (ölçüldü: bazı alanlarda %100'e varan oranda).
madde_qa'da doğru şıkkın çoğu en uzun şık, sonuc_tahmini'nde etiket mahkeme koduyla korelasyonlu. Veri kartını okuyun.madde_qa'da kazandırıyor; kapalı etiketli görevlerde yanlış seçilmiş bir madde skoru düşürebiliyor.kvkk_uyum deneyseldir (test'te 3 örnek), raporlanmamalı.Veri seti, ölçüm script'leri ve koşu artefaktları: tunahanf/turkish-medicine-law. Bu kartın sayıları 2026-09-19_adapterV2_veriV2.0_4kol_GECERLI koşusundan üretildi (finetune/uret_model_karti.py); elle yazılmadı.