MarulAI/Yedikule-1.4

Yedikule 1.4

Yedikule 1.4, Marul AI'ın Türkçe için sıfırdan eğittiği 202 milyon parametreli dil modelinin en yeni talimat ayarlı sürümüdür. Cevap vermeden önce kısa bir düşünme yapar, sistem mesajındaki kurallara uyar, kendisine verilen araçları açıklamalarına bakarak seçip çağırır ve çok turlu sohbetlerde bağlamı korur.

Bu sürüm, tamamen yeni ve bu model için hazırlanmış Marul-SFT-TR veri setiyle eğitildi. Önceki sürüme göre en büyük ilerleme düşünme, talimat takibi ve araç kullanımındadır: model artık eğitimde hiç görmediği araçlarla da çalışabiliyor. Ölçütlerde de yedi testin ortalamasında önceki sürümün ve temel modelin önüne geçti; okuduğunu anlamada ve zor fen sorularında açık farkla en iyi sonucu verdi. Üstelik modelin Türkçe dil bilgisi ve genel metin anlama yeteneği eksiksiz korundu.

Geliştirici	Ahmet Karakuş, Marul AI
Model türü	Decoder-only Transformer, talimat ayarlı
Dil	Türkçe
Parametre	202.1M
Bağlam	2048 token
Ağırlık biçimi	bf16, safetensors
Temel model	Yedikule 202M Base
Eğitim verisi	Marul-SFT-TR
Lisans	Yedikule Model Lisansı 2.0
Sürüm	1.4 (Ekim 2026)

GGUF sürümü llama.cpp, Ollama ve LM Studio ile doğrudan çalışır: MarulAI/Yedikule-1.4-GGUF. Depoda ana modelle bit düzeyinde aynı BF16 dosyasının yanında, bu model için ölçülerek hazırlanmış Q8_0, Q6_K, Q5_K_M ve Q4_K_M sürümleri de vardır; en küçüğü 140 MB'tır.

Öne çıkanlar

• Düşünerek cevap verme. Her cevaptan önce kullanıcının ne istediğini ve nasıl cevap vereceğini kısaca planlar. Düşünme ayrı bir bölümdür; arayüzde gizlenebilir.
• Araç çağırma. Araç tanımları sistem turunda verilir. Model doğru aracı adına değil açıklamasına bakarak seçer, parametreleri kullanıcının söylediklerinden çıkarır, gerektiğinde art arda veya aynı anda birden fazla araç çağırır ve sonucu doğal bir dille aktarır. Araç gerekmeyen sorularda araç çağırmaz.
• Esnek sistem mesajı. Tek bir sabit sistem mesajına bağlı değildir. Persona, kural, biçim ve uzunluk kısıtlarını, kurumsal asistan senaryolarını ve sohbet ortasında değişen talimatları izler.
• Çok turlu sohbet. Önceki turlarda söylenenleri hatırlar, kullanıcı fikir değiştirdiğinde ya da yeni bir kısıt eklediğinde cevabını buna göre günceller.
• Doğal Türkçe. Resmî yazan kullanıcıyı da, Türkçe karakter kullanmadan, yazım hatasıyla ya da argoyla yazanı da anlar; her zaman açık ve düzgün bir Türkçeyle cevap verir.

Örnek

Aşağıdaki çıktılar, bu kartın Kullanım bölümündeki kodla ve önerilen üretim ayarlarıyla üretildi.

Kullanıcı : Fotosentezi kısaca anlatır mısın?
Düşünme   : Kullanıcı fotosentezi tek cümleyle istiyor. Işığa bağlı tepkimeler ve Calvin döngüsü olarak
            iki adımı, kısa ve net vermeliyim.
Yedikule  : Fotosentez, bitkilerin güneş ışığını kullanarak besin üretmesi sürecidir.

Araç çağırma (sistem turunda hava_durumu aracı tanımlı):

Kullanıcı    : Yarın İzmir'de hava nasıl olacak?
Araç çağrısı : {"name":"hava_durumu","arguments":{"sehir":"İzmir"}}
Araç sonucu  : {"sehir":"İzmir","durum":"parçalı bulutlu","en_yuksek":27,"en_dusuk":19}
Düşünme      : Sonuç yarın İzmir'de parçalı bulutlu, en yüksek 27, en düşük 19 derece. Kullanıcıya bunu
               sade biçimde aktarmalıyım; sonuçta olmayan bilgi eklemeden.
Yedikule     : Yarın İzmir'de hava parçalı bulutlu olacak. En yüksek 27, en düşük 19 derece.

Değerlendirme

Bütün modeller aynı kodla, aynı veriyle ve aynı koşullarda ölçüldü. Çoktan seçmeli görevlerde her seçeneğin bağlama göre olasılığı hesaplanır ve en olası seçenek modelin cevabı sayılır (0-shot, lm-evaluation-harness yöntemi). Üretim yapılmadığı için sonuçlar örnekleme ayarlarından bağımsızdır ve birebir tekrarlanabilir.

Ölçüt	Rastgele	Yedikule 202M Base	Yedikule 202M Instruct	Yedikule 1.4
Belebele, okuduğunu anlama	25,0	28,8	29,1	31,1
XCOPA, neden sonuç çıkarımı	50,0	60,2	60,6	59,2
TurkishMMLU, lise düzeyi bilgi	20,0	23,0	20,6	21,7
ARC-TR kolay, fen soruları	25,0	37,3	39,8	38,8
ARC-TR zor, fen soruları	25,0	24,1	26,5	28,5
HellaSwag-TR, sağduyu	25,0	35,0	35,4	35,4
TurBLiMP, dil bilgisi	50,0	92,8	93,1	92,6
Ortalama		43,0	43,6	43,9

Belebele, TurkishMMLU, ARC ve HellaSwag'de uzunluğa göre normalleştirilmiş doğruluk (acc_norm), XCOPA ve TurBLiMP'te doğruluk (acc) verilmiştir. Yedikule 202M Instruct, bir önceki talimat ayarlı sürümdür.

Yedikule 1.4 yedi ölçütün ortalamasında üç modelin en yükseğidir. En belirgin ilerleme okuduğunu anlamada (Belebele: temel modele göre 2,3, önceki sürüme göre 2,0 puan) ve zor fen sorularındadır (ARC zor: temel modele göre 4,4, önceki sürüme göre 2,0 puan); her ikisi de modelin metni okuyup soruya göre akıl yürütmesini gerektirir. Dil bilgisi (TurBLiMP yüzde 92,6) ve sağduyu (HellaSwag) korunmuştur: talimat ayarı modele yeni beceriler kazandırırken Türkçesine zarar vermemiştir. XCOPA, TurkishMMLU ve ARC kolaydaki farklar ölçüm belirsizliği sınırındadır. Bu tür bilgi ölçütlerinin sonucunu esas olarak ön eğitim belirler; 202 milyon parametrelik bir modelin geniş dünya bilgisi isteyen TurkishMMLU gibi ölçütlerde rastgele düzeye yakın kalması beklenen bir durumdur.

Talimat ayarının asıl kazancı bu ölçütlerin ölçmediği yerdedir: düşünme, talimat takibi ve araç kullanımı. Aşağıdaki sonuçlar, Marul-SFT-TR'nin eğitimde hiç kullanılmayan doğrulama sohbetlerinde, modelin ilk cevabı en olası tokenler seçilerek üretilip ölçüldü.

Araç kullanımı	Sonuç
Araç gereken durumlarda geçerli bir çağrı üretme (282 sohbet)	yüzde 89,7
Doğru aracı seçme	yüzde 75,9
Zorunlu parametreleri eksiksiz doldurma	yüzde 87,9
Eğitimde hiç görülmemiş araç adlarında doğru aracı seçme (30 sohbet)	yüzde 73,3
Araç gerekmeyen durumlarda araç çağırmama (159 sohbet)	yüzde 73,0

Önceki sürüm yalnızca eğitimde gördüğü 15 araçla güvenilir biçimde çalışabiliyordu. Yedikule 1.4 ise araçları adlarından değil açıklamalarından tanımayı öğrendi; eğitimde hiç görmediği araçlarla da çalışabiliyor.

Ölçütler: Belebele (tur_Latn, okuduğunu anlama), XCOPA (tr, neden sonuç çıkarımı), TurkishMMLU (lise düzeyi bilgi), ARC-TR (fen soruları, kolay ve zor), HellaSwag-TR (sağduyu ile cümle tamamlama), TurBLiMP (Türkçe dil bilgisi, 16 olguda 15.980 cümle çifti).

Eğitim verisi: Marul-SFT-TR

Yedikule 1.4'ün sohbet yeteneklerinin kaynağı, bu model için baştan Türkçe olarak tasarlanan Marul-SFT-TR veri setidir. Çeviri değildir; Türk kültürü, günlük hayat, kurumlar ve konuşma alışkanlıkları gözetilerek hazırlandı.

Sohbet	99.847
Kategori ve görev türü	18 kategori, 244 görev türü
Çok turlu sohbet	yüzde 85,7
Farklı sistem mesajı	55.208
Araç tanımı içeren sohbet	16.724 (9.571 farklı araç adı)
Araç çağrısı	24.510 (ardışık ve paralel çağrılar dahil)
Düşünme metni olan asistan cevabı	yüzde 100

Her sohbet ayrıntılı bir tariften üretildi: görev türü, kategori, sistem mesajı, kullanıcı profili ve yazım tarzı, hedef uzunluk, tur sayısı ve araç görevlerinde o senaryoya özel araç tanımları. Ardından çok katmanlı bir kalite kontrolünden geçti: biçim, dil ve araç çağrısı kontrolleri, birbirine benzeyen sohbetlerin ayıklanması ve her sohbetin bağımsız bir hakem model tarafından olgusal doğruluk, hesap doğruluğu, talimata uyum, araç kullanımı ve Türkçenin doğallığı açısından tek tek incelenmesi. 231.718 üretim denemesinin yalnızca yaklaşık yüzde 43'ü bütün kontrolleri geçti. Veri setinin kendisi Apache 2.0 lisansıyla ayrıca yayımlanmıştır.

Eğitim

Model, Yedikule 202M Base ağırlıklarından başlatılarak Marul-SFT-TR ile tam parametre ince ayarla eğitildi.

Eğitim / doğrulama	97.261 / 2.586 sohbet
Epoch	2 (2.353 optimizer adımı)
Optimizer	AdamW, tepe öğrenme hızı 1,5e-4, kosinüs azalma
Kayıp	yalnızca asistan turları: düşünme, cevap, araç çağrısı ve <|im_end|>
Doğrulama kaybı	3,577'den 1,672'ye
Biçim tokeni isabeti	yüzde 95

Talimat ayarı sırasında modelin genel Türkçe bilgisini kaybetmemesi için eğitime bir miktar düz Türkçe metin karıştırıldı. Eğitimden sonra, eğitimde hiç görülmeyen genel web metinlerinde ölçülen perplexity değişimi yalnızca yüzde 1,2 oldu; model yeni beceriler kazanırken dil bilgisini korudu.

Sohbet şablonu

Şablon eğitimde görülen biçimin birebir aynısıdır.

<|bos|><|im_start|><|system|>
{sistem mesajı}<|im_end|>
<|im_start|><|user|>
{kullanıcı mesajı}<|im_end|>
<|im_start|><|assistant|>
<think>{düşünme}</think>
{cevap}<|im_end|>

Standart ChatML değildir: rol adları düz metin değil, ayrı özel tokenlerdir. Sistem turu isteğe bağlıdır.

Kimlik	Token	Anlamı
3	<|bos|>	dizinin başı
4	<|im_start|>	tur başlangıcı
5	<|im_end|>	tur sonu, üretim burada durur
6, 7, 8	<|system|>, <|user|>, <|assistant|>	roller
9	<think>	düşünme başlangıcı
10	</think>	düşünme sonu
11	<tool_call>	araç çağrısı başlangıcı
12	</tool_call>	araç çağrısı sonu
13	<|tool|>	araç sonucu rolü
14	<tools>	araç tanımları başlangıcı
15	</tools>	araç tanımları sonu

Token adları ve kimlikleri GGUF dosyasında da aynıdır. Taban modelin tokenizer'ında 9-15 kimlikleri <|reserved_0|> ile <|reserved_6|> arasındaki adlarla durur. Kimlikler aynı olduğu için iki tokenizer metni aynı token dizisine çevirir: talimat verisinin tamamında (99.847 sohbet, 83,4 milyon token) ve düz Türkçe metinde sonuç birebir aynıdır. Taban modelden ince ayar yaparken bu tokenizer'ı doğrudan kullanabilirsiniz.

Üretimi <|im_end|> (5) tokeninde durdurun. İstemi her zaman <|im_start|><|assistant|>\n ile bitirin; model cevabına kendiliğinden düşünme bloğuyla başlar. Çok turlu sohbetlerde önceki asistan turlarını düşünmeleriyle birlikte geçmişe ekleyin; model eğitimde bu biçimi gördü. Aynı bilgiler chat_format.json dosyasında da bulunur.

Araç çağırma biçimi

Araç tanımları sistem turunun sonuna, her biri tek satırlık ve boşluksuz bir JSON olarak eklenir:

<|im_start|><|system|>
{sistem mesajı}

<tools>
{"name":"hava_durumu","description":"Bir şehrin hava tahminini getirir.","parameters":{"sehir":{"type":"string","description":"Şehir adı"},"gun":{"type":"integer","description":"Kaç gün sonrası (0 = bugün, 1 = yarın)"}},"required":["sehir"]}
</tools><|im_end|>

parameters alanı yalnızca özellikleri içerir; zorunlu alanlar required listesinde verilir, liste boşsa yazılmaz. Model bir araç çağırmak istediğinde cevabının sonuna şunu yazar:

<tool_call>{"name":"hava_durumu","arguments":{"sehir":"İzmir","gun":1}}</tool_call><|im_end|>

Aracı çalıştırıp sonucunu ayrı bir turda verin, ardından modelden devam etmesini isteyin:

<|im_start|><|tool|>
{"sehir":"İzmir","durum":"parçalı bulutlu","en_yuksek":27,"en_dusuk":19}<|im_end|>
<|im_start|><|assistant|>

Bir turda birden fazla çağrı art arda yazılabilir; sonuçlar çağrılarla aynı sırada, her biri ayrı bir araç turunda verilir.

Kullanım

pip install torch tokenizers safetensors

Dosyaları indirdiğiniz klasörde çalıştırın; model.py ve config.py modelin kendi mimari dosyalarıdır.

import json
import re

import torch
from safetensors.torch import load_file
from tokenizers import Tokenizer

from config import ModelConfig
from model import MarulLLM

cfg = ModelConfig.load("model_config.json")
model = MarulLLM(cfg)
model.load_state_dict({k: v.float() for k, v in load_file("model.safetensors").items()})
device = "cuda" if torch.cuda.is_available() else "cpu"
model.eval().to(device)
tok = Tokenizer.from_file("tokenizer.json")

THINK, THINK_END = "<think>", "</think>"
CALL, CALL_END = "<tool_call>", "</tool_call>"
TOOL, TOOLS, TOOLS_END = "<|tool|>", "<tools>", "</tools>"


def compact(obj):
    return json.dumps(obj, ensure_ascii=False, separators=(",", ":"))


def tool_line(tool):
    """OpenAI biçimindeki araç tanımını modelin eğitimde gördüğü tek satırlık biçime çevirir."""
    f = tool.get("function", tool)
    p = f.get("parameters") or {}
    d = {"name": f["name"], "description": f.get("description", ""), "parameters": p.get("properties", {})}
    if p.get("required"):
        d["required"] = p["required"]
    return compact(d)


def build_prompt(messages, tools=None):
    system = None
    if messages and messages[0]["role"] == "system":
        system, messages = messages[0]["content"].strip(), messages[1:]
    parts = [system] if system else []
    if tools:
        parts.append(TOOLS + "\n" + "\n".join(tool_line(t) for t in tools) + "\n" + TOOLS_END)
    s = "<|bos|>"
    if parts:
        s += "<|im_start|><|system|>\n" + "\n\n".join(parts) + "<|im_end|>\n"
    for m in messages:
        if m["role"] == "assistant":
            calls = "".join(CALL + compact({"name": c["name"], "arguments": c["arguments"]}) + CALL_END
                            for c in m.get("tool_calls", []))
            s += ("<|im_start|><|assistant|>\n" + THINK + m.get("reasoning", "").strip() + THINK_END + "\n"
                  + m.get("content", "").strip() + calls + "<|im_end|>\n")
        elif m["role"] == "tool":
            s += "<|im_start|>" + TOOL + "\n" + m["content"].strip() + "<|im_end|>\n"
        else:
            s += "<|im_start|><|user|>\n" + m["content"].strip() + "<|im_end|>\n"
    return s + "<|im_start|><|assistant|>\n"


def chat(messages, tools=None, max_new_tokens=600):
    ids = tok.encode(build_prompt(messages, tools), add_special_tokens=False).ids
    out = model.generate(torch.tensor([ids], device=device), max_new_tokens=max_new_tokens,
                         temperature=0.4, top_k=50, top_p=0.9, min_p=0.05,
                         repetition_penalty=1.12, no_repeat_ngram_size=0, eos_token_id=5)
    text = tok.decode(out[0, len(ids):].tolist(), skip_special_tokens=False).split("<|im_end|>")[0]
    reasoning, _, rest = text.partition(THINK_END)
    calls = [json.loads(c) for c in re.findall(re.escape(CALL) + "(.*?)" + re.escape(CALL_END), rest, re.S)]
    content = re.sub(re.escape(CALL) + ".*?" + re.escape(CALL_END), "", rest, flags=re.S).strip()
    return {"role": "assistant", "reasoning": reasoning.replace(THINK, "").strip(), "content": content,
            "tool_calls": calls}


torch.manual_seed(0)
messages = [
    {"role": "system", "content": "Adın Yedikule. Marul AI tarafından Türkçe için geliştirilmiş bir yapay zeka "
                                  "asistanısın. Kullanıcılara yardım ederken açık, doğru ve nazik ol."},
    {"role": "user", "content": "Fotosentezi kısaca anlatır mısın?"},
]
reply = chat(messages)
print(reply["reasoning"])   # düşünme
print(reply["content"])     # cevap

# Araç çağırma
tools = [{"type": "function", "function": {
    "name": "hava_durumu",
    "description": "Bir şehrin hava tahminini getirir.",
    "parameters": {"type": "object",
                   "properties": {"sehir": {"type": "string", "description": "Şehir adı"},
                                  "gun": {"type": "integer", "description": "Kaç gün sonrası (0 = bugün, 1 = yarın)"}},
                   "required": ["sehir"]}}}]
messages = [{"role": "user", "content": "Yarın İzmir'de hava nasıl olacak?"}]
reply = chat(messages, tools)
print(reply["tool_calls"])

result = {"sehir": "İzmir", "durum": "parçalı bulutlu", "en_yuksek": 27, "en_dusuk": 19}
messages += [reply, {"role": "tool", "content": compact(result)}]
print(chat(messages, tools)["content"])

build_prompt eğitimdeki sohbet biçimini birebir üretir; chat cevabı düşünme, metin ve araç çağrıları olarak ayırır. Araç sonucunu {"role": "tool", ...} mesajıyla geçmişe ekleyip chat'i yeniden çağırdığınızda model sonucu kullanarak cevabını yazar. model.generate önbelleksiz çalışır; daha hızlı ve hafif kullanım için GGUF sürümünü llama.cpp veya Ollama ile çalıştırabilirsiniz.

Önerilen üretim ayarları

Önerilen değerler generation_config.json dosyasındadır:

Ayar	Değer
temperature	0,4
top_k	50
top_p	0,9
min_p	0,05
repetition_penalty	1,12
no_repeat_ngram_size	0
max_new_tokens	1024

Bu değerler; şablon metinler (e-posta, dilekçe, liste gibi), genel sorular ve araç çağırma görevlerinden oluşan bir ölçümle, altı farklı ayar karşılaştırılarak seçildi. Önceki sürümün ayarlarına (temperature 0,3, repetition_penalty 1,08) göre tekrar döngüsüne girme oranı yüzde 6,2'den yüzde 2,5'e indi; araç çağırma doğruluğu korundu.

Daha olgusal ve tutarlı cevaplar için sıcaklığı 0,3'e indirebilir, daha yaratıcı metinler için 0,6'ya kadar çıkarabilirsiniz. Tekrar cezasını 1,15'in üzerine çıkarmayın: Türkçe ekleri bozmaya başlar ve gereksiz araç çağrılarını artırır. no_repeat_ngram_size kapalı kalmalıdır; açık olduğunda model araç adlarını ve JSON yapılarını istemden kopyalayamaz.

Sistem mesajı

Model 55 binden fazla farklı sistem mesajıyla eğitildi; kendi sistem mesajınızı rahatlıkla yazabilirsiniz. Genel bir asistan için şu metin iyi bir başlangıçtır:

Adın Yedikule. Marul AI tarafından Türkçe için geliştirilmiş bir yapay zeka asistanısın. Kullanıcılara yardım ederken açık, doğru ve nazik ol.

Sistem mesajı vermeden de kullanılabilir; eğitim sohbetlerinin yaklaşık beşte biri sistem mesajı içermiyordu.

Mimari

• 24 katman, 768 gizli boyut, 2304 ara boyut
• Grouped Query Attention: 12 sorgu başlığı, 4 anahtar/değer başlığı, başlık boyutu 64
• Pre-norm RMSNorm, RoPE (theta 10000), SwiGLU
• Başlık boyutunda QK-Norm, RoPE'den önce uygulanır
• Bağlı giriş ve çıkış gömmeleri, hiçbir katmanda bias yok
• Tokenizer: Türkçe için eğitilmiş 48 bin tokenlik Byte-Level BPE

Mimari model.py içinde tanımlıdır; torch dışında bağımlılığı yoktur.

Sınırlar

Yedikule 1.4 202 milyon parametrelik küçük bir modeldir. Günlük sohbet, açıklama, özetleme, metin düzeltme, yazım ve araçlarla çalışma gibi işlerde iyi sonuç verir; geniş dünya bilgisi isteyen sorularda ve çok adımlı aritmetikte hata yapabilir. Hesap gerektiren işlerde ona bir hesap makinesi aracı vermek doğruluğu belirgin biçimde artırır. Çok kurallı ve uzun sistem mesajlarındaki her ayrıntıyı (örneğin bir fiyat listesinin tamamını) her zaman doğru kullanamayabilir; kritik bilgileri kısa ve açık yazın. Bilgisi 2026 yılına kadardır ve internete erişimi yoktur.

Model yanlış veya eksik bilgi üretebilir. Ürettiği bilgiyi doğrulamadan kullanmayın; tıbbi, hukuki, finansal veya güvenlik açısından kritik kararlarda tek başına kullanmayın.

Dosyalar

Dosya	İçerik
model.safetensors	bf16 ağırlıklar, 404 MB
model.py	model mimarisi
config.py	ModelConfig veri sınıfı
model_config.json	mimari parametreleri
tokenizer.json	48 bin tokenlik Byte-Level BPE
tokenizer_config.json	tokenizer meta bilgisi
tokenizer_info.json	özel tokenler ve tokenizasyon örnekleri
chat_format.json	sohbet şablonu ve özel tokenlerin anlamları
generation_config.json	önerilen üretim ayarları
LICENSE.md	lisans tam metni

Lisans

Yedikule Model Lisansı 2.0. Telif hakkı sahibi Ahmet Karakuş (Marul AI). Bağlayıcı metin LICENSE.md dosyasındadır.

İzin almadan yapabilecekleriniz: modeli çalıştırmak, eğitim ve araştırmada kullanmak, üzerine ince ayar yapmak, damıtmak, birleştirmek, nicelemek, başka biçimlere çevirmek ve sonucu yayımlamak. Hepsi ticari olmayan kullanımla sınırlıdır.

Uymanız gerekenler: Yedikule'ye atıf yapmak, türev modelinizin adında Yedikule geçirmek, lisansı model ile birlikte dağıtmak ve telif bilgisini korumak.

Türevler de bu lisansa tabidir. Modelden türettiğiniz her çalışma aynı koşullara bağlı kalır; kendi lisansınızla yeniden lisanslayamazsınız. Türev modeli siz eğitmiş olsanız bile ticari kullanımı izne bağlıdır.

Ticari kullanım yazılı izne bağlıdır. Ticari lisans ve izin talepleri: marulai.resmi@gmail.com (Ahmet Karakuş, Marul AI)

Atıf

Bu çalışma Yedikule modeline dayanmaktadır.
Yedikule, 202M parametreli Türkçe dil modeli.
Ahmet Karakuş, Marul AI, 2026.
https://huggingface.co/MarulAI/Yedikule-1.4

Eğitim verisi:

Marul-SFT-TR, Ahmet Karakuş (Marul AI), 2026.
https://huggingface.co/datasets/MarulAI/Marul-SFT-TR