Instructions to use nypgd/bubip-qwen3-14b-awq with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use nypgd/bubip-qwen3-14b-awq with Transformers:

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

pipe = pipeline("text-generation", model="nypgd/bubip-qwen3-14b-awq")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("nypgd/bubip-qwen3-14b-awq")
model = AutoModelForCausalLM.from_pretrained("nypgd/bubip-qwen3-14b-awq")
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 nypgd/bubip-qwen3-14b-awq with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "nypgd/bubip-qwen3-14b-awq"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "nypgd/bubip-qwen3-14b-awq",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/nypgd/bubip-qwen3-14b-awq

SGLang

How to use nypgd/bubip-qwen3-14b-awq 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 "nypgd/bubip-qwen3-14b-awq" \
    --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": "nypgd/bubip-qwen3-14b-awq",
		"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 "nypgd/bubip-qwen3-14b-awq" \
        --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": "nypgd/bubip-qwen3-14b-awq",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio

How to use nypgd/bubip-qwen3-14b-awq 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 nypgd/bubip-qwen3-14b-awq 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 nypgd/bubip-qwen3-14b-awq to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for nypgd/bubip-qwen3-14b-awq to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="nypgd/bubip-qwen3-14b-awq",
    max_seq_length=2048,
)

Docker Model Runner
How to use nypgd/bubip-qwen3-14b-awq with Docker Model Runner:
```
docker model run hf.co/nypgd/bubip-qwen3-14b-awq
```

BU-BİP: Bursa Uludağ Üniversitesi Bilgi Asistanı

Bu model, Qwen3-14B mimarisi temel alınarak, Bursa Uludağ Üniversitesi (BU-BİP) bilgi asistanı olarak görev yapması için ince ayar (fine-tune) işleminden geçirilmiştir. Eğitim süreci Bfloat16 (bf16) kullanılarak Unsloth kütüphanesi üzerinden tamamlanmış, ardından vLLM üzerinde yüksek hızda ve düşük VRAM tüketimiyle (örn. RTX 5090 gibi kartlarda) çalışabilmesi için 4-bit AWQ formatına dönüştürülerek sıkıştırılmıştır.

Eğitim Süreci

Modelin eğitimi iki temel aşamadan oluşmaktadır:

SFT (Supervised Fine-Tuning): Model, "Düşünce Zinciri" (Chain-of-Thought) yaklaşımıyla eğitilmiştir.
DPO (Direct Preference Optimization): SFT aşamasının ardından model, yanıt kalitesini artırmak için tercih optimizasyonundan geçirilmiştir.

Çıkarım ve Düşünce Yeteneği

Model, kendisine yöneltilen sorulara (örneğin; öğrenci ders kayıtları, değişim programları veya idari bilgiler gibi) doğrudan bir çıktı vermek yerine önce bir mantık yürütme süreci işletir. Bu düşünce adımları <think> ... </think> etiketleri arasında üretilir ve sonrasında resmî belgelere dayalı, doğru ve bağlama sadık nihai cevap sunulur.

Çıktı Formatı ve Kullanım (vLLM 4-bit AWQ)

Model, doğrudan vLLM gibi çıkarım sunucularında çalıştırılmak üzere 4-bit AWQ formatında optimize edilmiştir. Modelin düşünce adımlarını (reasoning) arka planda gizlemesini engelleyip tam formatında çıktı alabilmek için aşağıdaki komutla başlatabilirsiniz:

VLLM_USE_V2_MODEL_RUNNER=0 vllm serve nypgd/bubip-qwen3-14b-awq \
    --dtype float16 \
    --max-model-len 8192 \
    --gpu-memory-utilization 0.90 \
    --port 8000 \
    --enforce-eager

Downloads last month: 184

Safetensors

Model size

15B params

Tensor type

I32

BF16