Instructions to use Toivo0/gemma-3-finetune-thinking with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Toivo0/gemma-3-finetune-thinking with Transformers:

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

pipe = pipeline("text-generation", model="Toivo0/gemma-3-finetune-thinking")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Toivo0/gemma-3-finetune-thinking")
model = AutoModelForCausalLM.from_pretrained("Toivo0/gemma-3-finetune-thinking", device_map="auto")
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 Toivo0/gemma-3-finetune-thinking with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Toivo0/gemma-3-finetune-thinking"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Toivo0/gemma-3-finetune-thinking",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Toivo0/gemma-3-finetune-thinking

SGLang

How to use Toivo0/gemma-3-finetune-thinking 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 "Toivo0/gemma-3-finetune-thinking" \
    --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": "Toivo0/gemma-3-finetune-thinking",
		"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 "Toivo0/gemma-3-finetune-thinking" \
        --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": "Toivo0/gemma-3-finetune-thinking",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio

How to use Toivo0/gemma-3-finetune-thinking with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Toivo0/gemma-3-finetune-thinking to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Toivo0/gemma-3-finetune-thinking to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for Toivo0/gemma-3-finetune-thinking to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="Toivo0/gemma-3-finetune-thinking",
    max_seq_length=2048,
)

Docker Model Runner
How to use Toivo0/gemma-3-finetune-thinking with Docker Model Runner:
```
docker model run hf.co/Toivo0/gemma-3-finetune-thinking
```

Gemma-3-1B İstatistik Fine-Tune (Türkçe Chain-of-Thought, Muhakemeli Varyant)

Bu model, Google'ın Gemma-3-1B-IT modeli üzerine Türkçe istatistik konularında görünür düşünce zinciri (chain-of-thought) üreterek cevap vermesi için fine-tune edilmiştir. Model, nihai cevabını vermeden önce <think>...</think> etiketleri arasında iç muhakeme sürecini açıkça yazar, ardından bu muhakemeye dayanan nihai açıklamasını sunar.

Bu, aynı veri setiyle eğitilmiş Toivo0/gemma-3-finetune modelinin muhakemeli (thinking) varyantıdır. Kardeş model doğrudan/kısa cevap üretirken, bu model önce düşünce sürecini görünür şekilde yazar. İki varyant, hangi yaklaşımın istatistik eğitimi senaryosu için daha uygun olduğunu karşılaştırmak amacıyla aynı veri ve aynı split ile paralel olarak eğitilmiştir.

Model Bilgileri


Base Model	unsloth/gemma-3-1b-it-unsloth-bnb-4bit
Eğitim Veri Seti	Toivo0/Turkce-istatistik-reasoning (400 soru-cevap çifti)
Muhakeme Formatı	`<think>...</think>` + nihai cevap
Kardeş Model (thinking'siz)	Toivo0/gemma-3-finetune
Geliştirici	Toivo0
Dil	Türkçe
Lisans	Apache-2.0
Eğitim Aracı	Unsloth + HuggingFace TRL

Eğitim Veri Seti Hakkında

Model, 7 istatistik modülünü kapsayan 400 soru-cevap çiftiyle eğitilmiştir. Veri setindeki her örnek, bir kullanıcı sorusu ve modelin hem iç muhakeme sürecini (thinking) hem de nihai açıklamasını (content) içeren bir asistan yanıtından oluşur. Bu varyantta, thinking alanı eğitim hedefine <think>...</think> etiketleri arasına yerleştirilerek dahil edilmiştir — yani model, cevap vermeden önce muhakeme adımlarını üretmeyi de öğrenmiştir.

Kapsanan Konular:

Modül	Konu	Soru Sayısı
1	İstatistiğin Temelleri	51
2	Betimsel İstatistik	50
3	Olasılık	55
4	Olasılık Dağılımları	51
5	Örnekleme ve Tahmin	59
6	Hipotez Testleri	89
7	Regresyon ve Korelasyon	45

Kullanım

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "Toivo0/gemma-3-finetune_deneme"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

messages = [{"role": "user", "content": "Hipotez testinde p-değeri ne anlama gelir?"}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

# Not: muhakeme adimi cevaba ekleniyor, bu yuzden thinking'siz varyanta gore
# daha fazla token payi birakmak gerekir.
outputs = model.generate(**inputs, max_new_tokens=900, do_sample=False)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(response)

Çıktı Formatı

Model, cevabını şu şekilde yapılandırır:

<think>
(modelin iç muhakeme süreci — soruyu nasıl ele aldığı, hangi kavramları
göz önünde bulundurduğu)
</think>
(nihai, kullanıcıya gösterilecek açıklama)

Sadece nihai cevabı almak isterseniz </think> etiketinden sonrasını ayıklayabilirsiniz:

if "</think>" in response:
    nihai_cevap = response.split("</think>", 1)[1].strip()
else:
    nihai_cevap = response.strip()

Benchmark Sonuçları

Bu varyantın genel Türkçe MMLU ve istatistiğe özel benchmark sonuçları henüz eklenmemiştir. Toivo0/gemma-3-finetune (thinking'siz kardeş model) ile karşılaştırmalı sonuçlar yakında bu bölüme eklenecektir.

Bilinen Sınırlamalar

Muhakeme adımı, thinking'siz varyanta göre çıktı uzunluğunu ve üretim süresini belirgin şekilde artırır.
Model 1B parametreli küçük bir dil modelidir; muhakeme adımları bazen yüzeysel veya tekrarlayıcı olabilir.
Veri setinin bu sürümü hesaplama (sayısal problem çözme) sorularını içermez.

This gemma3_text model was trained 2x faster with Unsloth and Huggingface's TRL library.

Downloads last month: 50

Safetensors

Model size

1.0B params

Tensor type

BF16

Model tree for Toivo0/gemma-3-finetune-thinking

Base model

google/gemma-3-1b-pt

Finetuned

google/gemma-3-1b-it

Quantized

unsloth/gemma-3-1b-it-unsloth-bnb-4bit

Finetuned

(364)

this model

Toivo0
/

gemma-3-finetune-thinking