---
language:
- tr
license: mit
library_name: dno
tags:
- dynamic-neural-organism
- dno
- pytorch
- tiny-llm
- turkish-llm
- neuroscience-inspired
datasets:
- custom-turkish-corpus
metrics:
- entropy
- perplexity
model_name: DNO-54m-Base (Seed Cortex)
---

# 🧬 DNO-54m-Base (Seed Cortex)

> **"Don't just train a model. Raise an organism."**

**DNO-54m-Base**, [Dynamic Neural Organism](https://github.com/Uunan/dno) (DNO) framework'ü kullanılarak sıfırdan eğitilmiş, 54 milyon parametreli bir **Seed Cortex** (Çekirdek) modelidir. Bu model, statik mimarilerin aksine, biyolojik bir beyin gibi büyümeye, bölünmeye ve uzmanlaşmaya hazır bir yapay organizma olarak tasarlanmıştır.

## 🌟 Öne Çıkan Özellikler

- **Bilişsel Temel:** 57.000 adım boyunca "Infancy" (Bebeklik) evresinde eğitilmiştir.
- **Yüksek Verimlilik:** Sadece 54M parametre ile felsefi muhakeme ve karmaşık tarihsel bağlam kurma yeteneği.
- **Dinamik Plastisite:** v0.2.6 standartlarına uygun, `adaptive` fazda uzman loblar (Expert Lobes) üretmeye hazır altyapı.
- **Auto-Casting & Deep Scan:** Gömülü katmanları otomatik tanıyan akıllı veri tipi yönetimi.

## 📊 Teknik Özellikler

| Özellik | Değer |
| :--- | :--- |
| **Parametre Sayısı** | 54,235,136 |
| **Gizli Boyut (d_model)** | 512 |
| **Katman Sayısı** | 12 |
| **Dikkat Başlıkları (Heads)**| 8 |
| **Sözlük Boyutu (Vocab)** | 32,000 |
| **Eğitim Cihazı** | NVIDIA L4 |

## 🧠 Model Performansı (Örnek Çıktı)

**Prompt:** *"Bilimsel düşünce ve rasyonalizm,"*
**DNO:** *"antik Yunan felsefesinin temel taşlarıdır ve modern felsefe tarihinde önemli bir yere sahiptir. Özellikle Aristoteles ve Platon gibi antik filozofların düşünceleriyle şekillendi. Platon, Aristoteles'in öğrencisi olarak, gözlem, erdem ve evrenin yapısı üzerine derinlemesine düşünceler geliştirdi..."*

## 🚀 Kullanım Rehberi

Bu modeli kullanmak için öncelikle `dno` kütüphanesini yüklemeniz ve model dosyasını (`.dno`) projenize dahil etmeniz gerekir.

### 1. Kurulum
```bash
pip install dno

2. Organizmayı Canlandırma
Python

import torch
from dno import DynamicNetwork
from tokenizers import Tokenizer

# Konfigürasyon
model_path = "DNO_Core_Genesis_v1_Final.dno"
tokenizer_path = "tokenizer.json"

# Organizmayı Yükle
# Not: GPTModel ve reconstruction_factory tanımlarınızın ortamda bulunması gerekir.
network = DynamicNetwork.load_dno(model_path, module_factory=reconstruction_factory)
network.eval().to("cuda")

tokenizer = Tokenizer.from_file(tokenizer_path)

# İnference (Üretim)
prompt = "Teknolojinin gelişimi insan özgürlüğünü"
input_ids = torch.tensor(tokenizer.encode(prompt).ids).unsqueeze(0).to("cuda")

with torch.no_grad():
    for _ in range(100):
        output = network(input_ids)
        next_token = torch.multinomial(torch.softmax(output[:, -1, :] / 0.7, dim=-1), 1)
        print(tokenizer.decode([next_token.item()]), end="", flush=True)
        input_ids = torch.cat([input_ids, next_token], dim=1)

🧬 Evrimsel Yol Haritası

Bu model şu an "Seed Cortex" aşamasındadır. Organizmanın gelişimini şu şekilde sürdürebilirsiniz:

    Infancy (Mevcut): Genel dil ve mantık becerilerinin kazanıldığı evre.

    Adaptive Phase: network.config.training_phase = 'adaptive' komutuyla büyümeyi aktif edin.

    Mitosis: growth_engine.mitosis() kullanarak modele özel uzmanlıklar (Kodlama, Tıp, Jeoloji) ekleyin.

    Synaptic Pruning: Gereksizleşen uzmanlıkları budayarak organizmayı optimize edin.

🤝 Katkıda Bulunma

Bu organizmanın evrimine katkıda bulunmak, yeni uzmanlık lobları eğitmek veya dno mimarisini geliştirmek için GitHub repomuzu ziyaret edebilirsiniz.
📜 Lisans

Bu model MIT lisansı altında korunmaktadır.