Instructions to use zero9tech/Qwen3-8B-Wikipedia-TR-CPT with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use zero9tech/Qwen3-8B-Wikipedia-TR-CPT with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="zero9tech/Qwen3-8B-Wikipedia-TR-CPT")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForMultimodalLM

tokenizer = AutoTokenizer.from_pretrained("zero9tech/Qwen3-8B-Wikipedia-TR-CPT")
model = AutoModelForMultimodalLM.from_pretrained("zero9tech/Qwen3-8B-Wikipedia-TR-CPT")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use zero9tech/Qwen3-8B-Wikipedia-TR-CPT with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "zero9tech/Qwen3-8B-Wikipedia-TR-CPT"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "zero9tech/Qwen3-8B-Wikipedia-TR-CPT",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/zero9tech/Qwen3-8B-Wikipedia-TR-CPT

SGLang

How to use zero9tech/Qwen3-8B-Wikipedia-TR-CPT with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "zero9tech/Qwen3-8B-Wikipedia-TR-CPT" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "zero9tech/Qwen3-8B-Wikipedia-TR-CPT",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "zero9tech/Qwen3-8B-Wikipedia-TR-CPT" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "zero9tech/Qwen3-8B-Wikipedia-TR-CPT",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use zero9tech/Qwen3-8B-Wikipedia-TR-CPT with Docker Model Runner:
```
docker model run hf.co/zero9tech/Qwen3-8B-Wikipedia-TR-CPT
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Qwen3-8B-Wikipedia-TR-CPT

Türkçe akıl yürütme ve teknik ifade kalitesini artırmak için hazırlanmış model sürümüdür.

Eğitim Kurgusu

Bu modelde Türkçe düşünme adaptasyonu amacıyla wikimedia/wikipedia verisi ana kaynak olarak kullanılmıştır. Bu modelde Türkçe düşünme adaptasyonu için Continued PreTraining (CPT) uygulanmıştır. Adaptasyon kurgusunda veri bileşiminin yaklaşık %99'u wikimedia/wikipedia tabanlıdır.

Not: Yüzde oranı, modelin tüm tarihsel ön eğitimi değil; CPT aşamasındaki adaptasyon veri karışımını ifade eder.

Teknik Eğitim Ayrıntıları: QLoRA Tabanlı CPT

Bu model, tam-parametreli yeniden ön eğitim yerine QLoRA tabanlı Continued PreTraining (CPT) yaklaşımıyla adapte edilmiştir. Eğitim sürecinde temel model 4-bit olarak yüklenmiş, güncelleme işlemi LoRA adaptörleri üzerinden yapılmıştır. Bu nedenle model kartındaki CPT ifadesi, tam-parametre CPT değil, parametre-verimli QLoRA-CPT adaptasyonu olarak okunmalıdır.

QLoRA yapılandırmasında LoRA katmanları aşağıdaki modüllere uygulanmıştır:

q_proj, k_proj, v_proj, o_proj
gate_proj, up_proj, down_proj
embed_tokens, lm_head

Kullanılan başlıca LoRA ayarları:

r = 128
lora_alpha = 128
use_rslora = True
4-bit model yükleme
UnslothTrainer ile CPT eğitimi
dataset_text_field = "prompt"

Eğitim verisi, Türkçe Wikipedia içeriklerinden başlık ve makale gövdesi birleştirilerek hazırlanmıştır. Her örnek aşağıdaki metin formatına dönüştürülmüş ve örnek sonuna EOS_TOKEN eklenmiştir:

Vikipedi Makalesi
### Başlık: {title}

### Makale:
{text}<EOS>

Bu kurgu, modele Türkçe ansiklopedik metin dağılımı üzerinde ek dilsel uyum kazandırmayı hedefler. Çalışmanın teknik tanımı bu nedenle Wikipedia tabanlı Türkçe QLoRA-CPT adaptasyonu şeklindedir.

Veri Kaynağı

wikimedia/wikipedia (Türkçe içerik odaklı)

Model Amacı

Türkçe bağlamda daha tutarlı akıl yürütme
Bilgi yoğun sorularda daha düzenli açıklama
Türkçe teknik/analitik cevaplarda daha iyi akış

Önemli Not

Model, eğitim verisindeki dağılıma bağlı önyargılar taşıyabilir.
Kritik alanlarda (hukuk, sağlık, finans vb.) insan uzman kontrolü önerilir.

Lisans

Bu model Apache-2.0 lisansı ile sunulmuştur.

Copyright

Downloads last month: 104

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for zero9tech/Qwen3-8B-Wikipedia-TR-CPT

Quantizations

1 model

zero9tech
/

Qwen3-8B-Wikipedia-TR-CPT