aigencydev commited on
Commit
3be9b60
·
verified ·
1 Parent(s): 2ab0b27

TurkishMMLU: kirlilik disi, sik dondurmeli protokolde ek olcum (%67,18); ayrinti Erk-32B raporunda

Browse files
Files changed (1) hide show
  1. README.md +40 -0
README.md CHANGED
@@ -213,6 +213,46 @@ büyük kapasite, daha derin muhakeme ve alan uzmanlığı hedefleniyor.
213
 
214
  ---
215
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
216
  ## English
217
 
218
  ### What is Erk?
 
213
 
214
  ---
215
 
216
+ ## Ek ölçüm: kirlilik dışı, şık döndürmeli protokol (Eylül 2026)
217
+
218
+ Yukarıdaki %69,7, TurkishMMLU'nun tamamında, lm-evaluation-harness ile 0-shot,
219
+ şık sırası döndürülmeden ölçülmüştür. Erk-32B çalışmasında geliştirdiğimiz daha
220
+ sıkı protokolle aynı model yeniden ölçüldü:
221
+
222
+ - Test kümesinin 900 sorusundan **113'ü (%12,6)** devam-eğitimi külliyatında
223
+ birebir geçiyor ([liste](https://huggingface.co/datasets/ecloudtech/TurkishMMLU-Kirlilik));
224
+ bunlar ve eğitim sırasında izlenen 150 soru dışarıda bırakıldı → **temiz 652**.
225
+ - Her soru şık sırası döndürülerek ölçüldü (harf/konum yanlılığı elenir).
226
+ - Fark, 10.000 yeniden örneklemeli eşli bootstrap %95 güven aralığıyla verildi.
227
+
228
+ | Model | Temiz 652, döndürülmüş |
229
+ |---|---|
230
+ | Qwen3-14B (taban) | %60,58 |
231
+ | **Erk-14B** | **%67,18** |
232
+ | Fark | **+6,60 [+3,07, +10,28]** |
233
+
234
+ İki sayı çelişmez: %69,7 ile %67,18 aynı modelin iki farklı koşulda ölçümüdür;
235
+ fark protokolden gelir. Tabana göre kazanç her iki koşulda da anlamlıdır
236
+ (+6,3 tam küme, +6,6 temiz küme). Yukarıdaki sıralama tablosu tam-küme
237
+ protokolüne aittir; karşılaştırılan diğer modeller temiz protokolle yeniden
238
+ ölçülmemiştir.
239
+
240
+ Protokolün tamamı ve yeniden üretim betikleri:
241
+ [Erk-32B — Ölçüm Protokolü](https://huggingface.co/ecloudtech/Erk-32B).
242
+
243
+ ### English
244
+
245
+ The 69.7% above was measured on the full TurkishMMLU test set with
246
+ lm-evaluation-harness, 0-shot, without option rotation. Under the stricter
247
+ protocol developed for Erk-32B — 113/900 questions found verbatim in the
248
+ pretraining corpus excluded (plus 150 used for monitoring), remaining 652
249
+ measured with option rotation, paired bootstrap CIs — Erk-14B scores
250
+ **67.18%** vs **60.58%** for Qwen3-14B (+6.60 [+3.07, +10.28]). The two numbers
251
+ are the same model under two protocols; the gain over the base is significant
252
+ under both. The ranking table above is on the full-set protocol; other models
253
+ were not re-measured under the clean one. Full protocol and scripts:
254
+ [Erk-32B](https://huggingface.co/ecloudtech/Erk-32B).
255
+
256
  ## English
257
 
258
  ### What is Erk?