--- base_model: alibayram/magibu-11b library_name: transformers model_name: magibu-11b tags: - generated_from_trainer - unsloth - sft - trl - mlx - mlx - turkish - multilingual - multimodal - vlm - vision-language-model - gemma3 - apple-silicon - mlx - ollama - cetvel - cetvel-benchmark - gguf - turkish-nlp - agglutinative - custom-training language: - tr - en - ar - de - fr - es - ru - jp - zh licence: license pipeline_tag: image-text-to-text datasets: - alibayram/diyalog-dataset - alibayram/doktorsitesi-gpt5 - alibayram/wikipedia-40-langs --- # alibayram/magibu-11b-v8-mlx This model was converted to MLX format from [`alibayram/magibu-11b-v8-mlx`]() using mlx-vlm version **0.3.11**. Refer to the [original model card](https://huggingface.co/alibayram/magibu-11b-v8-mlx) for more details on the model. ## Use with mlx ```bash pip install -U mlx-vlm ``` ```bash python -m mlx_vlm.generate --model alibayram/magibu-11b-v8-mlx --max-tokens 100 --temperature 0.0 --prompt "Describe this image." --image ```
Magibu AI Logo # 🧿 Magibu-11b-v0.8 ### Türkçe İçin Geliştirilmiş, Çok Modlu (Multimodal) Model **Cetvel Türkçe Benchmark'ta 34 model arasında 3. sıra 🥉 · QA'da 1. sıra 🥇 · 27B+ modellerle rekabet eder · Multimodal (Görsel + Metin)** [![Transformers](https://img.shields.io/badge/🤗_Transformers-Full_Precision-blue)](https://huggingface.co/magibu/magibu-11b-v0.8) [![Ollama](https://img.shields.io/badge/🦙_Ollama-4bit_GGUF-green)](https://ollama.com/alibayram/magibu-11b-v8) [![MLX](https://img.shields.io/badge/🍎_MLX-4bit_Apple_Silicon-orange)](https://huggingface.co/alibayram/magibu-11b-v8-mlx) [![Demo](https://img.shields.io/badge/💬_Canlı_Demo-magibu-chat.web.app-purple)](https://magibu-chat.web.app/)
--- ## 📋 Model Hakkında **Magibu-11b-v0.8**, Magibu AI Research tarafından geliştirilen, **Türkçe odaklı**, çok dilli, **Çok Modlu (Multimodal)** bir modeldir. **Önemli Not:** Bu model, mevcut bir modelin üzerine yapılan basit bir "fine-tune" işlemi **değildir**. Magibu-11b, kendi geliştirdiğimiz özgün eğitim yöntemleri ve veri setleri ile üretilmiştir. Google Gemma-3 modeli güncel kütüphanelerle (Transformers, VLLM, Ollama vb.) tam uyumlu çalışabilmesi için hem bilgi hem de altyapı standardı olarak kullanılmıştır. Türkçe'ye özel optimize edilmiş tokenizer'ı sayesinde, **dünyadaki en token-verimli Türkçe modellerden biridir**. ### Neden Magibu? Standart tokenizer'lar Türkçe kelimeleri anlamsız, çok sayıda küçük parçaya böler. Bu durum şunlara yol açar: - **Yüksek Maliyet:** Aynı cümle için daha fazla token üretilir. - **Yavaş Çalışma:** Daha fazla token = daha yavaş yanıt üretimi. - **Ziyan Olan Kapasite:** Context penceresi (hafıza) gereksiz yere dolar. Magibu, Türkçe'ye özel eğitim süreci sayesinde bu sorunu çözer ve **diğer tüm modellerden %30 - %127 daha verimli** çalışır. | Özellik | Değer | | --------------------- | ---------------------------------------------------------------------------- | | **Mimari** | [google/gemma-3-12b-it](https://huggingface.co/google/gemma-3-12b-it) uyumlu | | **Parametre Sayısı** | ~11.3 Milyar | | **Context Penceresi** | 32,768 token | | **Yetenekler** | Çok Modlu / Multimodal (Görsel + Metin) → Metin, Çok Dilli Chat | | **Ana Dil** | Türkçe 🇹🇷 (Native seviyesinde optimizasyon) | | **Diğer Diller** | 40+ (EN, DE, FR, ES, RU, AR, JP, ZH...) | | **Geliştirici** | [Magibu AI Research](https://magibu-chat.web.app/) | | **Versiyon** | v0.8 (Deneysel sürüm) | --- ## 🏆 Türkçe MMLU Benchmark Sonuçları Magibu-11b-v0.8, [Türkçe MMLU benchmark](https://huggingface.co/datasets/alibayram/turkish_mmlu) testinde **%74.40** başarı oranı ile 44 açık kaynak model arasında **6. sırada** yer almaktadır. Kendisinden **2 ila 6 kat daha büyük** modelleri geride bırakmayı başarmıştır. ### 🔑 Öne Çıkan Karşılaştırmalar > 🔥 **Magibu-11b (11B) vs. Llama-3.1 (70B):** Magibu, 70 Milyar parametreli Llama-3.1 modelini **+4 puan** farkla geçmiştir (%74.40 vs %70.42). Bunu yaparken **6 kat daha az işlem gücü** ve **%54 daha az token** kullanır. > 🏛️ **Magibu-11b vs. Turkish-Gemma-9b-T1 (YTU COSMOS):** Yıldız Teknik Üniversitesi COSMOS Lab tarafından geliştirilen [Turkish-Gemma-9b-T1](https://huggingface.co/ytu-ce-cosmos/Turkish-Gemma-9b-T1) modeli %70.34 skor almıştır. Magibu, benzer parametre sayısında **+4.06 puan** fark atarak ve çok daha verimli çalışarak öne çıkmaktadır. ### 📊 Sıralama Tablosu (İlk 25) | # | Model | Param | MMLU | Token | MMLU Farkı | Token Farkı | | ----: | ----------------------- | -------: | ---------: | ----------: | ---------: | ----------: | | 1 | Llama-3.3 | 70B | 79.42% | 221,411 | +6.75% | +53.85% | | 2 | DeepSeek-V3.2 | 685B MoE | 77.69% | 326,246 | +4.42% | +126.69% | | 3 | Kimi-K2 | 1T MoE | 77.44% | 312,609 | +4.09% | +117.22% | | 4 | Qwen3-32B | 32B | 75.98% | 260,407 | +2.12% | +80.95% | | 5 | Gemma-3 27B | 27B | 75.06% | 211,024 | +0.89% | +46.63% | | **6** | **🧿 Magibu-11b** | **11B** | **74.40%** | **143,915** | **—** | **—** | | 7 | Qwen3-30B (A3B MoE) | 30B | 74.26% | 260,407 | -0.19% | +80.95% | | 8 | MedGemma-27B | 27B | 74.18% | 211,024 | -0.30% | +46.63% | | 9 | Emre-Gemma3-27B | 27B | 73.21% | 211,024 | -1.60% | +46.63% | | 10 | Gemma-2 27B | 27B | 72.10% | 223,174 | -3.09% | +55.07% | | 11 | Qwen3-14B | 14B | 71.65% | 260,407 | -3.70% | +80.95% | | 12 | Doktor-Gemma3 12B | 12B | 71.08% | 211,024 | -4.46% | +46.63% | | 13 | Gemma-3 12B | 12B | 70.74% | 211,024 | -4.92% | +46.63% | | 14 | Aya-Expanse 32B | 32B | 70.66% | 187,742 | -5.03% | +30.45% | | 15 | Ministral-3 14B | 14B | 70.55% | 244,878 | -5.17% | +70.15% | | ⚔️16 | **Llama-3.1 70B** | **70B** | **70.42%** | **221,411** | **-5.35%** | **+53.85%** | | 🏛️17 | **Turkish-Gemma-9b-T1** | **9B** | **70.34%** | **223,174** | **-5.46%** | **+55.07%** | | 18 | Gemma-2 9B | 9B | 69.26% | 223,174 | -6.91% | +55.07% | | 19 | Metin-Gemma2 DPO | 9B | 69.16% | 223,174 | -7.04% | +55.07% | | 20 | GPT-OSS-20B (OpenAI) | 20B | 68.47% | 224,052 | -7.97% | +55.68% | | 21 | Mistral-Small 24B | 24B | 68.37% | 244,937 | -8.10% | +70.20% | | 22 | Qwen3-7B | 7B | 67.56% | 260,407 | -9.19% | +80.95% | | 23 | Ministral-3B (latest) | 3B | 67.44% | 244,878 | -9.35% | +70.15% | | 24 | Mistral-Small (old) | 24B | 66.97% | 244,937 | -9.99% | +70.20% | | 25 | Phi-4 14B | 14B | 65.52% | 316,029 | -11.94% | +119.59% | > **Token Farkı:** Magibu-11b'ye kıyasla diğer modellerin aynı metni ifade etmek için yüzde kaç daha fazla token kullandığını gösterir. Pozitif değerler, modelin Türkçe için daha az verimli olduğunu (daha çok token harcadığını) belirtir. --- ## 🎯 Cetvel Türkçe Benchmark Sonuçları Magibu-11b-v0.8, [Cetvel](https://github.com/KUIS-AI/cetvel) — Türkçe için en kapsamlı birleşik LLM benchmark'ında — **34 model arasında 3. sırada** yer almaktadır (ortalama: **32.5**). 7 farklı NLP kategorisinde (GEC, MCQA, MT, NLI, QA, SUM, TC) toplam **26 görevde** değerlendirilen model, **14B altındaki en yüksek puanlı model** olarak öne çıkmaktadır. Kendisinden 3-6 kat büyük modelleri (aya-23-35B, aya-expanse-32b vs.) geride bırakmayı başarmıştır. > 🥇 **Soru Cevaplama (QA) kategorisinde tüm modeller arasında 1. sıra** — 45.0 puanla en yakın rakibini (Qwen2.5-14B, 26.7) büyük farkla geçmiştir. > > 🥈 **Özetleme (SUM) kategorisinde 2. sıra** — 24.9 puanla aya-expanse-32b'yi (22.4) geride bırakmıştır. ### 📊 Cetvel Sıralama Tablosu | # | Model | Boyut | Ort. | GEC | MCQA | MT | NLI | QA | SUM | TC | | ----- | -------------------------- | ------- | -------- | -------- | -------- | -------- | -------- | -------- | -------- | -------- | | 1 | Llama-3.3-70B-Instruct | 70B | 35.9 | 44.1 | 60.1 | 24.0 | 32.4 | 16.1 | 16.2 | 58.1 | | 2 | aya-expanse-32b | 32B | 33.6 | 4.5 | 55.6 | 27.6 | 43.3 | 26.2 | 22.4 | 55.3 | | **3** | **🧿 Magibu-11b-v0.8** | **11B** | **32.5** | **19.6** | **49.3** | **11.4** | **32.1** | **45.0** | **24.9** | **44.9** | | 4 | aya-23-35B | 35B | 31.7 | 30.8 | 48.8 | 25.1 | 37.6 | 23.7 | 17.6 | 38.0 | | 5 | cere-llama-3-8b-tr | 8B | 30.4 | 46.0 | 44.8 | 8.2 | 34.0 | 24.2 | 12.2 | 43.7 | | 6 | Meta-Llama-3.1-8B | 8B | 30.3 | 35.3 | 45.8 | 21.2 | 32.2 | 19.3 | 13.5 | 44.8 | | 7 | Meta-Llama-3.1-8B-Instruct | 8B | 29.3 | 31.5 | 50.1 | 15.9 | 36.0 | 18.0 | 13.5 | 40.1 | | 8 | Meta-Llama-3-8B | 8B | 29.1 | 34.1 | 43.0 | 19.1 | 33.9 | 20.9 | 12.3 | 40.6 | | 9 | Qwen2.5-7B | 7B | 29.1 | 22.3 | 50.6 | 11.9 | 34.0 | 20.5 | 12.8 | 51.6 | | 10 | Ministral-8B-Instruct | 8B | 28.1 | 39.1 | 42.8 | 15.8 | 34.0 | 14.2 | 12.8 | 38.0 | | … | _(24 model daha)_ | | | | | | | | | | | 34 | TURNA | — | 16.3 | 0.0 | 35.9 | 0.2 | 34.1 | 0.0 | 7.1 | 36.6 | > **Kategori Kısaltmaları:** GEC = Gramer Düzeltme, MCQA = Çoktan Seçmeli, MT = Makine Çevirisi, NLI = Doğal Dil Çıkarımı, QA = Soru Cevaplama, SUM = Özetleme, TC = Metin Sınıflandırma ### 🔍 Kategori Detayları #### 🥇 Soru Cevaplama (QA) — 45.0 puan — Tüm Modeller Arasında 1. Sıra | Görev | F1 | EM | Açıklama | | -------- | -------- | ---- | ---------------------- | | tquad | **66.5** | 44.6 | Türkçe SQuAD | | xquad_tr | **57.7** | 41.0 | Çapraz Dil QA (Türkçe) | | mkqa_tr | 10.8 | 5.8 | Çok Dilli Açık Alan QA | #### 🥈 Özetleme (SUM) — 24.9 puan — Tüm Modeller Arasında 2. Sıra | Görev | ROUGE-1 | ROUGE-2 | ROUGE-L | Açıklama | | --------------- | -------- | ------- | ------- | ----------------------- | | mlsum_tr | **33.8** | 18.3 | 27.0 | Haber özetleme | | xlsum_tr | 26.1 | 11.5 | 19.6 | Çapraz dil özetleme | | wiki_lingua_tr | 20.6 | 6.4 | 15.6 | WikiHow makale özetleme | | tr-wikihow-summ | 19.2 | 5.8 | 14.1 | WikiHow özetleme | #### 📝 Çoktan Seçmeli (MCQA) — 49.3 puan | Görev | Skor | Açıklama | | -------------------------- | -------- | ------------------------ | | belebele_tr | **81.2** | Okuduğunu anlama | | xcopa_tr | **63.6** | Nedensel muhakeme | | turkish_plu_step_ordering | 59.2 | Prosedürel adım sıralama | | turkish_plu_next_event | 43.0 | Sonraki olay tahmini | | exams_tr | 37.2 | Türkçe sınav soruları | | turkish_plu_goal_inference | 31.0 | Hedef çıkarımı | | turkish_plu_step_inference | 30.0 | Adım çıkarımı | #### 🏷️ Metin Sınıflandırma (TC) — 44.9 puan | Görev | Skor | Açıklama | | ------------------ | -------- | ------------------------- | | ironytr | **68.2** | İroni algılama | | offenseval_tr | 52.8 | Saldırgan dil tespiti | | news_cat | 49.2 | Haber kategorilendirme | | relevance_judgment | 45.0 | İddia ilişkisi | | check_worthiness | 43.0 | Doğrulanabilirlik tespiti | | xfact_tr | 33.1 | Doğruluk kontrolü | | sts_tr | 23.0 | Anlamsal metin benzerliği | #### 🔗 Doğal Dil Çıkarımı (NLI) — 32.1 puan | Görev | Skor | Açıklama | | ------- | ---- | ------------------------ | | xnli_tr | 34.2 | Çapraz dil NLI | | snli_tr | 32.2 | Stanford NLI (Türkçe) | | mnli_tr | 29.8 | Multi-genre NLI (Türkçe) | #### ✏️ Gramer Düzeltme (GEC) — 19.6 puan | Görev | Skor | Açıklama | | ------------------ | -------- | ----------------------- | | gecturk_generation | **19.6** | Birebir gramer düzeltme | #### 🌐 Makine Çevirisi (MT) — 11.4 puan | Görev | BLEU | WER | Açıklama | | ---------------- | -------- | ---- | ------------------------- | | wmt-tr-en-prompt | **11.4** | 93.4 | İngilizce → Türkçe çeviri | ### 🧠 Ek: TurkishMMLU Sonuçları (Cetvel ile) — 56.6 ortalama Cetvel değerlendirmesi kapsamında ayrıca çalıştırılan TurkishMMLU alt görevleri (standart sıralamaya dahil değildir): | Konu | Skor | | ---------------------- | -------- | | Felsefe | **83.0** | | Din Kültürü ve Ahlak | **79.0** | | Coğrafya | **71.0** | | Tarih | 66.0 | | Türk Dili ve Edebiyatı | 48.0 | | Biyoloji | 45.0 | | Fizik | 43.0 | | Kimya | 42.0 | | Matematik | 32.0 | ### 🏗️ Ek: Türk Kültürü ve Dil Görevleri — 58.2 ortalama | Görev | Skor | Açıklama | | ----------------- | -------- | --------------------------- | | circumflex_tr | **64.3** | Türkçe şapka işareti ayrımı | | turkce_atasozleri | **60.6** | Türkçe atasözü tamamlama | | bilmecebench | 49.8 | Türkçe bilmece benchmark'ı | ### 💡 Güçlü ve Zayıf Yönler (Cetvel) **Güçlü Yönler:** - **QA'da Sınıfının Lideri:** 45.0 puanla tüm sıralamada 1. sıra. En yakın rakip (Qwen2.5-14B) 26.7 puan almıştır. - **Özetleme Gücü:** 24.9 puanla 32B'lik aya-expanse modelini geride bırakmıştır. - **Boyut Verimliliği:** 11B parametre ile 35B'ye kadar tüm modelleri geçmiştir (aya-23-35B: 31.7). - **Türk Kültürü Bilgisi:** TurkishMMLU'da Felsefe %83, Din Kültürü %79, Coğrafya %71 ile güçlü Türk kültürel bilgi birikimi. **Geliştirmeye Açık Alanlar:** - **Makine Çevirisi (11.4):** Model paralel çeviri için özel olarak eğitilmemiştir. - **NLI (32.1):** Sıralama ortalamasının biraz altında. - **GEC (19.6):** Birebir eşleşme metriği, parafraz yapabilen chat modeli için sert bir ölçüttür. ### 📋 Değerlendirme Detayları | Parametre | Değer | | ------------------ | ------------------------------------------------ | | Benchmark | [Cetvel](https://github.com/KUIS-AI/cetvel) v1.0 | | Framework | lm-evaluation-harness v0.4.11 | | Precision | bfloat16 (~22 GB VRAM) | | Max Length | 4096 token | | Few-shot | 0-shot | | Sample Limit | 500 / görev | | Chat Template | Gemma-2 formatı | | System Instruction | `"Sadece istenen çıktıyı üret."` | | Toplam Görev | 38 (26 standart + 9 TurkishMMLU + 3 ekstra) | | GPU | NVIDIA A100-SXM4-80GB | | Çalışma Süresi | ~90 dakika | > **Not:** Değerlendirme görev başına 500 örnek limiti ile yapılmıştır. Tam veri seti ile yapılan değerlendirmelerde ±%2-3 sapma beklenebilir. Detaylı rapor ve replikasyon rehberi için: [cetvel_results_magibu_11b_v0.8.md](cetvel_results_magibu_11b_v0.8.md) --- ## 📊 Görsel Analizler ### 📈 MMLU Sıralaması 44 modelin Türkçe performans sıralaması. Magibu-11b (turuncu ◆), kendisinden çok daha büyük modelleri (Llama-3.1 70B, Gemma-2 27B vb.) geride bırakmıştır. ![MMLU Rankings — Magibu-11b vs 44 Open Models](https://huggingface.co/magibu/magibu-11b-v0.8/resolve/main/charts/mmlu_rankings.png) ### 🎯 Token Verimliliği vs. Performans Bu grafik, modellerin **doğruluğu** (Y ekseni) ile **token harcamasını** (X ekseni) karşılaştırır. İdeal konum **sol üst köşedir** (az token, çok başarı). Magibu-11b bu bölgede tek başınadır. ![Token Efficiency vs MMLU Performance — Magibu dominates the top-left quadrant](https://huggingface.co/magibu/magibu-11b-v0.8/resolve/main/charts/token_efficiency.png) ### 📊 Tokenizer Verimlilik Karşılaştırması Modellerin aynı Türkçe veri setini (MMLU) kaç token ile ifade ettiğinin karşılaştırması. Magibu en düşük token sayısına sahiptir. ![Tokenization Efficiency — Magibu uses the fewest tokens for Turkish text](https://huggingface.co/magibu/magibu-11b-v0.8/resolve/main/charts/token_comparison.png) ### 🏷️ Model Aileleri Karşılaştırması Farklı model ailelerinin (Gemma, Llama, Qwen, vb.) verimlilik gruplandırması. Magibu (turuncu ●) diğer tüm ailelerden ayrı bir verimlilik sınıfındadır. ![Model Families — Score vs Tokenization Efficiency](https://huggingface.co/magibu/magibu-11b-v0.8/resolve/main/charts/family_comparison.png) --- ## 🧪 Token Verimliliği Nedir? Neden Önemli? ### Türkçe'nin Yapısal Sorunu Türkçe gibi sondan eklemeli dillerde kelimeler ek alarak uzar. Standart Batı dilleri için eğitilmiş tokenizer'lar bu kelimeleri verimsiz böler. **Örnek:** | Türkçe İfade | Standart Tokenizer | Magibu Tokenizer | | ----------------------------- | ---------------------------------------- | -------------------------- | | `evlerimizden` | `ev`, `ler`, `im`, `iz`, `den` (5 token) | `evlerimizden` (1-2 token) | | `güzelleştiremediklerimizden` | 8-12 token | 3-4 token | | `Türkiye'nin` | `Tür`, `kiye`, `'`, `nin` (4 token) | `Türkiye'nin` (1-2 token) | **Sonuç:** [alibayram/turkish_mmlu](https://huggingface.co/datasets/alibayram/turkish_mmlu) veri setinin tamamı tokenize edildiğinde ortaya çıkan farklar: | Sıra | Tokenizer | Toplam Token | Fark (vs Magibu) | Not | | ---: | ------------------------- | -----------: | -----------------: | -------------------------- | | 🥇 | **Magibu-11b** | **143,915** | — | 🇹🇷 **En İyi Türkçe Model** | | 🥈 | Aya-Expanse | 187,742 | +30.5% daha fazla | Çok dilli model | | 🥉 | Gemma-3 | 211,024 | +46.6% daha fazla | Google Official | | 4 | Llama-3 | 221,411 | +53.9% daha fazla | Meta Official | | 5 | Turkish-Gemma-9b (COSMOS) | 223,174 | +55.1% daha fazla | YTU (Fine-tune) | | 6 | Qwen2/3 | 260,407 | +80.9% daha fazla | Alibaba | | 7 | DeepSeek-V3.2 | 326,246 | +126.7% daha fazla | DeepSeek | > **Pratik Etkisi:** Magibu ile 1000 token tutan bir işlem, diğer modellerde 1300-2200 token tutar. Magibu kullanmak **daha hızlıdır, daha ucuzdur ve daha uzun metinleri hafızada tutabilir.** --- ## 🚀 Hızlı Başlangıç (Quick Start) ### 🤗 Transformers ```python from transformers import pipeline soru = "Zaman makineniz olsaydı ve sadece bir kez geçmişe ya da geleceğe gidebilseydiniz, hangisini seçerdiniz ve neden?" generator = pipeline("text-generation", model="magibu/magibu-11b-v0.8", device="cuda") cevap = generator( [{"role": "user", "content": soru}], max_new_tokens=512, return_full_text=False )[0] print(cevap["generated_text"]) ``` ### 🖼️ Görsel Kullanımı (Multimodal) Magibu-11b, görselleri anlayabilir ve soruları yanıtlayabilir (VLM): ```python from transformers import AutoProcessor, AutoModelForImageTextToText from PIL import Image model = AutoModelForImageTextToText.from_pretrained("magibu/magibu-11b-v0.8", device_map="auto") processor = AutoProcessor.from_pretrained("magibu/magibu-11b-v0.8") image = Image.open("foto.jpg") messages = [ {"role": "user", "content": [ {"type": "image", "image": image}, {"type": "text", "text": "Bu fotoğrafta ne görüyorsun? Detaylı açıkla."} ]} ] inputs = processor.apply_chat_template(messages, return_tensors="pt").to(model.device) output = model.generate(**inputs, max_new_tokens=512) print(processor.decode(output[0], skip_special_tokens=True)) ``` ### 🦙 Ollama (Kolay Kurulum) ```bash # Tek komutla kur ve çalıştır ollama run alibayram/magibu-11b-v8 ``` ### 🍎 MLX (Apple Silicon - M1/M2/M3/M4) ```bash pip install mlx-vlm # OpenAI uyumlu sunucu başlat mlx_vlm.server --model alibayram/magibu-11b-v8-mlx --port 8080 # Veya Python içinde kullan mlx_vlm.generate --model alibayram/magibu-11b-v8-mlx --prompt "Merhaba, nasılsın?" ``` --- ## 📦 İndirme Seçenekleri (Model Formats) | Format | Link | Boyut | Kullanım Alanı | | ------------------------------ | --------------------------------------------------------------------------------- | ------ | ---------------------------- | | 🤗 **Transformers** (bfloat16) | [magibu/magibu-11b-v0.8](https://huggingface.co/magibu/magibu-11b-v0.8) | ~22 GB | Fine-tuning, Araştırma, GPU | | 🦙 **Ollama** (GGUF) | [ollama.com/alibayram/magibu-11b-v8](https://ollama.com/alibayram/magibu-11b-v8) | ~6 GB | PC, Mac, CPU+GPU | | 🍎 **MLX** (4-bit) | [alibayram/magibu-11b-v8-mlx](https://huggingface.co/alibayram/magibu-11b-v8-mlx) | ~6 GB | Apple Silicon Mac (M Serisi) | --- ## ⚠️ Sınırlamalar ve Uyarılar - **Deneysel Sürüm (v0.8):** Bu model halen aktif geliştirme aşamasındadır. - **Halüsinasyon:** Tüm dil modelleri gibi, Magibu da zaman zaman yanlış bilgi üretebilir. Kritik konularda (sağlık, hukuk) doğruluğu teyit edilmelidir. - **Bilgi Kesimi:** Eğitim verisinin kapsadığı tarih aralığı sınırlıdır, en güncel olayları bilmeyebilir. - **Yanlılık:** Eğitim verisinden kaynaklı toplumsal önyargılar barındırabilir. --- ## 🔗 Kaynaklar | Kaynak | Link | | ---------------------------- | -------------------------------------------------------------------------------- | | 🤗 **Model Sayfası** | [magibu/magibu-11b-v0.8](https://huggingface.co/magibu/magibu-11b-v0.8) | | 🌐 **Resmi Site** | [magibu-chat.web.app](https://magibu-chat.web.app/) | | 💬 **Canlı Demo** | [magibu-chat.web.app](https://magibu-chat.web.app/) | | 📚 **MMLU Benchmark Verisi** | [alibayram/turkish_mmlu](https://huggingface.co/datasets/alibayram/turkish_mmlu) | | 📏 **Cetvel Benchmark** | [KUIS-AI/cetvel](https://github.com/KUIS-AI/cetvel) | | 📄 **Cetvel Detaylı Rapor** | [cetvel_results_magibu_11b_v0.8.md](cetvel_results_magibu_11b_v0.8.md) | --- ## 📜 Atıf (Citation) Modeli çalışmalarınızda kullanırsanız lütfen aşağıdaki şekilde atıf yapınız: ```bibtex @misc{bayram2025magibu, title = {{Magibu-11b: A Turkish-Native Multilingual Vision-Language Model with Optimized Tokenization}}, author = {Ali Bayram}, year = 2025, howpublished = {\url{https://huggingface.co/magibu/magibu-11b-v0.8}}, note = {Developed by Magibu AI Research} } ``` ---
**[Magibu AI Research](https://magibu.web.app/) tarafından ❤️ ile geliştirildi 🧿** _Geri bildirimleriniz bizim için değerlidir — [demo](https://magibu-chat.web.app/) üzerindeki butonu kullanarak iletebilirsiniz._