qwen2.5-3b-studybuddy-summarizer

This model is a fine-tuned version of Qwen2.5-3B-Instruct via QLoRA. It is specialized to act as an academic processing module within the StudyBuddy ecosystem, engineered specifically for dual-task execution: comprehensive Text Summarization (Özetleme) and structured Flashcard Generation (Bilgi Kartı Oluşturma) in Turkish.

Bu model, Qwen2.5-3B-Instruct tabanı üzerinde QLoRA yöntemiyle ince ayar (fine-tune) yapılmış akademik bir asistan modelidir. StudyBuddy ekosisteminin metin işleme motoru olarak görev yapar; uzun ders notlarını akademik bir dille özetlemek ve bu notlardan dinamik soru-cevap formatında bilgi kartları (flashcard) üretmek üzere optimize edilmiştir.

Prompt Format / Girdi Formatı

The model responds best to structured system prompts designed for rigorous text analysis. For production workloads, format your input tokens with the ChatML layout:

En tutarlı ve akademik sonuçları elde etmek için girdilerinizi şu ChatML şablonuyla beslemeniz gerekir:

<|im_start|>system
Sen profesyonel bir akademik asistansın. 1. ÖZET: Metni tara, akademik ve nesnel bir dille, maddesiz, akıcı bir paragraf şeklinde özetle. 2. BİLGİ KARTI: Metindeki en kritik unsurları Soru-Cevap formatında kısa maddelerle sun.<|im_end|>
<|im_start|>user
ANALİZ ET: {Ders Notu / Akış metni}<|im_end|>
<|im_start|>assistant

How to Get Started with the Model / Nasıl Kullanılır?
You can successfully initialize this adapter model alongside its base framework using the following python snippet:

Bu model bir LoRA adaptörü olduğu için taban model ile birlikte yüklenmelidir. Modeli çalıştırmak ve test etmek için aşağıdaki kodu kullanabilirsiniz:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base_model_id = "Qwen/Qwen2.5-3B-Instruct"
adapter_model_id = "omercakar123/qwen2.5-3b-studybuddy-summarizer"

tokenizer = AutoTokenizer.from_pretrained(base_model_id)
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

model = PeftModel.from_pretrained(model, adapter_model_id)
model.eval()

def analyze_academic_text(text):
    system_msg = (
        "Sen profesyonel bir akademik asistansın. "
        "1. ÖZET: Metni tara, akademik ve nesnel bir dille, maddesiz, akıcı bir paragraf şeklinde özetle. "
        "2. BİLGİ KARTI: Metindeki en kritik unsurları Soru-Cevap formatında kısa maddelerle sun."
    )
    prompt = f"<|im_start|>system\n{system_msg}<|im_end|>\n<|im_start|>user\nANALİZ ET: {text}<|im_end|>\n<|im_start|>assistant\n"
    
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=512,
            temperature=0.1,  # Kept low to enforce strict adherence to facts / Gerçeklere sadakat için düşük tutulmuştur
            top_p=0.95,
            repetition_penalty=1.2,
            eos_token_id=tokenizer.eos_token_id,
            pad_token_id=tokenizer.pad_token_id
        )
    
    decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return decoded.split("assistant")[-1].strip()

# Sample Execution
sample_note = "Yapay zeka, bilgisayarların insan zekasını taklit etmesini sağlayan bir teknoloji alanıdır. Makine öğrenmesi ve doğal dil işleme gibi alt dalları bulunur."
print(analyze_academic_text(sample_note))