--- license: apache-2.0 language: - tr - en pipeline_tag: zero-shot-classification library_name: transformers base_model: cisimcik/cisimcik-base base_model_relation: finetune datasets: - cisimcik/turkish-decisions-max-19k tags: - turkish - decision-model - system-one - zero-shot-classification - text-classification - natural-language-inference - calibrated-probabilities - long-context - qwen3.5 - gated-deltanet - hybrid-attention - custom_code - safetensors - pytorch metrics: - accuracy model-index: - name: tau-4b results: - task: type: zero-shot-classification dataset: name: tau-4b evaluation suite (zero-shot, 44 tasks) type: tau-4b-evaluation-suite metrics: - type: accuracy value: 72.0 name: Turkish (mean of 6 task families) - type: accuracy value: 76.0 name: General / English - type: accuracy value: 80.5 name: TR Reasoning and knowledge (MCQ) - type: accuracy value: 80.2 name: TR Classification - type: accuracy value: 63.2 name: TR Claims and routing - type: accuracy value: 39.2 name: TR Ordinal (score) - type: accuracy value: 89.4 name: TR Grammaticality source: url: https://huggingface.co/cisimcik/tau-4b name: Self-reported - task: type: zero-shot-classification dataset: name: CETVEL accuracy tasks (zero-shot, decision format) type: cetvel-accuracy-tasks metrics: - type: accuracy value: 77.6 name: All 21 accuracy tasks - type: accuracy value: 76.5 name: MCQA - type: accuracy value: 79.7 name: Text classification - type: accuracy value: 79.8 name: NLI source: url: https://huggingface.co/cisimcik/tau-4b name: Self-reported - task: type: zero-shot-classification dataset: name: Long-context tasks (zero-shot) type: long-context-tasks metrics: - type: accuracy value: 89.4 name: 8k-24k tokens, mean of 4 tasks - type: accuracy value: 80.2 name: 32k tokens - type: accuracy value: 79.2 name: 64k tokens source: url: https://huggingface.co/cisimcik/tau-4b name: Self-reported ---

tau

English Türkçe

# tau-4b **tau-4b**, Türkçe öncelikli bir **karar modelidir** ("System One" modeli). Ona bir *durum* (herhangi bir metin ya da JSON: bir mesaj, bir belge, bir destek talebi, bir kayıt) ve bu durumla ilgili tipli sorular verirsiniz: evet/hayır (**Noul**), en fazla 255 seçenekten birini seçme (**Choice**) ya da en fazla 255 sıralı düzeyde puanlama (**Score**). Model her soruyu tek bir forward pass'te, **kalibre edilmiş olasılıklarla** yanıtlar. - **4,4 milyar parametre.** Qwen3.5 Base, üzerine bir okuma bloğu ve üç head. - **32 bin token context** (durum + soru) cevabın, durumun herhangi bir yerinde olduğu örneklerle eğitildi. 64 bine kadar test edildi. - **Türkçe öncelikli, İngilizce + Türkçe training** - **TypeSafe'in `POST /v1/systemone` endpoint'i ile (Jev) aynı istek/yanıt biçimi** - **Apache 2.0 lisansıyla açık kaynak olarak yayınlandı.** ## Hızlı başlangıç ```bash pip install "transformers>=5.17" torch # isteğe bağlı, NVIDIA GPU'larda daha hızlı Gated DeltaNet kernel'leri: pip install flash-linear-attention ``` ```python import torch from transformers import AutoModel tau = AutoModel.from_pretrained("cisimcik/tau-4b", trust_remote_code=True, dtype=torch.bfloat16) tau = tau.to("cuda" if torch.cuda.is_available() else "cpu").eval() result = tau.decide( state="Siparişim 10 gündür kargoda görünüyor, kimse dönüş yapmıyor. Paramı geri istiyorum!", questions={ "intent": { "type": "choice", "instructions": "Müşteri ne istiyor?", "criteria": { "iade": "Para iadesi istiyor", "takip": "Kargonun nerede olduğunu soruyor", "teşekkür": "Teşekkür ediyor", }, }, "angry": {"type": "noul", "instructions": "Müşteri öfkeli mi?"}, "urgency": { "type": "score", "instructions": "Bu talep ne kadar acil?", "criteria": ["Acil değil", "Biraz acil", "Acil", "Çok acil"], }, }, ) print(result) ``` Sonuç, System One yanıt biçimindedir: ```json { "model": "tau-4b", "answers": { "intent": {"type": "choice", "choice": "iade", "probabilities": {"iade": 0.9801, "takip": 0.0191, "teşekkür": 0.0008}, "confidence": 0.9701}, "angry": {"type": "noul", "noul": 0.9969}, "urgency": {"type": "score", "score": 2.6797, "legend": {"0": "Acil değil", "1": "Biraz acil", "2": "Acil", "3": "Çok acil"}, "probabilities": {"0": 0.0068, "1": 0.0281, "2": 0.2436, "3": 0.7215}, "confidence": 0.6797} }, "usage": {"input_tokens": 110, "output_tokens": 0} } ``` **Donanım.** Ağırlıklar bf16'da yaklaşık 9 GB: 12 GB veya üzeri belleğe sahip herhangi bir GPU (A10G'de kısa bir soru başına yaklaşık 0,13 sn) ya da 16 GB RAM'li bir CPU (4 çekirdekte kısa bir soru başına yaklaşık 10 sn) yeterlidir. `flash-linear-attention` kurulu değilse Gated DeltaNet katmanları transformers'ın PyTorch uygulamasını kullanır. Bu doğru sonuç verir ama uzun context'te daha yavaştır. ### Request formatı - `state`: bir metin ya da herhangi bir JSON değeri. - `questions`: `{kimlik: soru}`. Her soru **bağımsız** yanıtlanır: başka sorular eklemek ya da çıkarmak bir yanıtı değiştirmez. - `{"type": "noul", "instructions": "...", "criteria": {"true": "...", "false": "..."}}`. `criteria` isteğe bağlıdır ama faydalıdır: *evet* ve *hayır*ın ne anlama geldiğini yazın. - `{"type": "choice", "instructions": "...", "criteria": {"": "", ...}}`, 2–255 seçenek. Seçeneklerin sırası önemli değildir (model onları kanonik bir sırada görür). - `{"type": "score", "instructions": "...", "criteria": ["", ..., ""]}`, 2–255 düzey, en düşükten en yükseğe doğru sıralanır. - **Uzunluk:** durum + soru en fazla 32.768 token (`decide(..., max_tokens=...)` bu sınırı değiştirir). Daha uzun state'lerde state'in sonu kesilir, soru kalır. ## Kıyaslamalar Sıfır atış (zero-shot): her model aynı tipli isteği alır (durum + tek soru). Görevlerde seçenek sırası her örnek için bir kez karıştırılır ve tüm modeller aynı sırayı görür. 44 görev ve 21.566 soruda test edilmiştir. Doğruluk = en yüksek olasılıklı yanıt ile doğru yanıtın eşleşmesi (Noul: p ≥ 0,5). Jev = TypeSafe `jev-latest` = jev-1.13.0, API üzerinden (Ekim 2026). Laya = `convaiinnovations/laya` 0.3.24. ### Özet (doğruluk, %)

tau-4b kıyaslama tablosu

## Training tau-4b, `Qwen/Qwen3.5-4B-Base` modelinin çeşitli aşamalarla eğitilmiş halidir. İlk aşamanın çıktısı ayrıca [cisimcik-base](https://huggingface.co/cisimcik/cisimcik-base) olarak yayınlandı. 1. **Türkçe post-training.** Büyük, çoğunlukla Türkçe bir metin derlemi üzerinde ön eğitime devam edilir, modelin iki dilli kalması için bir miktar İngilizce (replay) korunur. 2. **Karar eğitimi ve kalibrasyon.** Gövde, okuma bloğu ve başlıklar, etiketli Türkçe ve İngilizce sınıflandırma verilerinden (duygu, doğal dil çıkarımı, niyet, zararlı içerik, konu, çoktan seçmeli sorular ve daha fazlası) üretilen tipli Noul / Choice / Score soruları ve 32 bin token'a kadar uzun durumlar üzerinde birlikte eğitilir. ## Dosyalar | Dosya | İçerik | |---|---| | `model-0000*-of-00003.safetensors` | ağırlıklar: `trunk.*` (bf16) + `special`, `readout.*`, `*_head.*` (fp32) | | `config.json`, `configuration_tau.py`, `modeling_tau.py` | transformers uzak kodu (`AutoModel`, `trust_remote_code=True`) | | `tau_serialize.py`, `tau_schema.py` | serileştirme ve System One istek / yanıt şeması | | `tokenizer*.json`, `vocab.json`, `merges.txt` | Qwen3.5 tokenizer'ı (düz modda kullanılır) | ## Lisans Bu depodaki ağırlıklar ve kod **Apache License 2.0** ile yayımlanmıştır (bkz. `LICENSE` ve `NOTICE`). Model, `Qwen/Qwen3.5-4B-Base` © 2026 Alibaba Cloud, Apache License 2.0 lisanslı modelin değiştirilmiş bir sürümüdür. Temel model [`cisimcik/cisimcik-base`](https://huggingface.co/cisimcik/cisimcik-base)'dir. O da `Qwen/Qwen3.5-4B-Base` üzerinden eğitildi. ## Atıf ```bibtex @misc{tau4b2026, title = {tau-4b: a Turkish-first System One decision model}, author = {cisimcik}, year = {2026}, url = {https://huggingface.co/cisimcik/tau-4b} } ```