Instructions to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with MLX:

# Make sure mlx-lm is installed
# pip install --upgrade mlx-lm

# Generate text with mlx-lm
from mlx_lm import load, generate

model, tokenizer = load("webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit")

prompt = "Write a story about Einstein"
messages = [{"role": "user", "content": prompt}]
prompt = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True
)

text = generate(model, tokenizer, prompt=prompt, verbose=True)

Notebooks
Google Colab
Kaggle
Local Apps Settings
LM Studio

How to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with Pi:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "mlx-lm": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

MLX LM

How to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with MLX LM:

Generate or start a chat session

# Install MLX LM
uv tool install mlx-lm
# Interactive chat REPL
mlx_lm.chat --model "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"

Run an OpenAI-compatible server

# Install MLX LM
uv tool install mlx-lm
# Start the server
mlx_lm.server --model "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"
# Calling the OpenAI-compatible server with curl
curl -X POST "http://localhost:8000/v1/chat/completions" \
   -H "Content-Type: application/json" \
   --data '{
     "model": "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit",
     "messages": [
       {"role": "user", "content": "Hello"}
     ]
   }'

Hermes Agent

How to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with Hermes Agent:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit with OpenClaw:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit"

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit" \
  --custom-provider-id mlx-lm \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Ling3-TR-Tiny-Pruned-Hukuk v2 (Apple Silicon MLX 4-bit)

Özel Mülkiyet ve Lisans Bildirimi (Proprietary / All Rights Reserved)

LİSANS: proprietary-private (license: other) Bu model, budanmış mimarisi, ince ayar ağırlıkları ve kuantalama dosyaları tamamen Özel Mülkiyet (Private / Proprietary) kapsamındadır. Tüm hakları saklıdır (All Rights Reserved). Model sahibinin (webbrain-one) yazılı ve açık izni olmaksızın bu modelin veya türevlerinin kopyalanması, dağıtılması, üçüncü kişilerle paylaşılması, ticari veya açık kaynaklı ortamlarda yeniden yayınlanması kesinlikle yasaktır.

PekBilen masaüstü uygulamasının Apple Silicon Mac'lerde (MLX motoru) kullandığı küçük (düşük bellekli) hukuk modeli. Ağırlıklar webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-GGUF ile aynıdır.

Taban: webbrain-one/ling3-turkish-tiny-pruned (inclusionAI/Ling-3.0-tiny → Türkçe budama, 80 uzman/katman, Türkçe heal; 5,3 milyar parametre, token başına ~1,3 milyar aktif).
v2 eğitimi: Qwen 3.5 9B v2 ile aynı veri (webbrain-one/hukuk-dataset-v2, 6.013 örnek; uygulamanın kendi istem biçimi, her hedef uygulamanın denetçilerinden geçmiş). Uygulama Ling'i düşünmesiz çalıştırdığı için plan satırları çıkarıldı. Uzman başına LoRA (r 32, α 32) bütün doğrusal katmanlarda, yalnız asistan token'larında kayıp, lr 1e-4, 1 epoch, en çok 12.288 token.

Dosyalar

Dosya	Açıklama	Boyut
`model.safetensors`	4 bit affine, grup 64 (`mlx-lm 0.32.2`; v1 MLX paketiyle aynı ayar)	3,71 GB
`config.json`	`model_type: bailing_hybrid`, `rope_scaling: null` (mlx-lm'deki uygulama için)
`tokenizer.json`, `tokenizer_config.json`, `chat_template.jinja`	taban modelle aynı

*.py dosyaları yalnız transformers uyumluluğu içindir; MLX bunları çalıştırmaz.

Kullanım

pip install "mlx-lm==0.32.2"

from mlx_lm import load, generate

model, tokenizer = load("webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit")
messages = [{"role": "user", "content": "TBK m. 138 uyarınca aşırı ifa güçlüğünün şartları nelerdir?"}]
prompt = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False, enable_thinking=False)
print(generate(model, tokenizer, prompt=prompt, max_tokens=512))

Uygulama Ling'i düşünmesiz çalıştırır (enable_thinking=False); örnekleme ayarları sıcaklık 0,3, top-p 0,9 (Ling v2 bu ayarlarla değerlendirildi).

Değerlendirme

Ölçümler aynı ağırlıkların GGUF sürümüyle (IQ4_XS, llama.cpp b11724, düşünme kapalı) yapıldı; MLX paketi uygulama işlerinde ayrıca ölçülmedi. Eğitimde olmayan 20 güncel karar üzerinde uygulamanın 139 tek çağrılık işi ve 40 mevzuat sorusu; her yanıt uygulamanın atıf ve görev denetçileriyle puanlandı.

	Ling v1	Ling v2	Qwen 3.5 9B v2.1 (düşünme kapalı)
Uygulama işleri	67 / 139	99	97
Mevzuat soru-cevap	36 / 40	33	38
TRLawBench (97 ÖSYM sorusu)	30	23	47
HukukBERT cloze (Ling yöntemi: acc / acc_norm / sohbet MCQ)	50,8 / 49,3 / 62,7	40,8 / 42,5 / 56,3	73,6 / 71,1 / –

v2, uygulamanın işlerinde v1'in çok önünde ve düşünme kapalı Qwen v2.1 düzeyinde; v1'in eğitim verisindeki kapalı kitap soru-cevaplardan gelen ezber bilgisinin bir kısmını (cloze, TRLawBench) ise kaybediyor.

Kalite uyarısı: Token başına ~1,3 milyar aktif parametreli küçük bir modeldir; çıktılar hukuki görüş yerine geçmez ve birincil kaynaktan doğrulanmalıdır.

Downloads last month: 27

Safetensors

Model size

5B params

Tensor type

BF16

U32

MLX

Hardware compatibility

4-bit

Model tree for webbrain-one/ling3-tr-tiny-pruned-hukuk-v2-MLX-4bit

Base model

webbrain-one/ling3-turkish-tiny-pruned

Quantized

(3)

this model