Instructions to use ecloudtech/Erk-14B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use ecloudtech/Erk-14B with Transformers:

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

pipe = pipeline("text-generation", model="ecloudtech/Erk-14B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("ecloudtech/Erk-14B")
model = AutoModelForCausalLM.from_pretrained("ecloudtech/Erk-14B", device_map="auto")
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=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use ecloudtech/Erk-14B with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/ecloudtech/Erk-14B

SGLang

How to use ecloudtech/Erk-14B 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 "ecloudtech/Erk-14B" \
    --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": "ecloudtech/Erk-14B",
		"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 "ecloudtech/Erk-14B" \
        --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": "ecloudtech/Erk-14B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use ecloudtech/Erk-14B with Docker Model Runner:
```
docker model run hf.co/ecloudtech/Erk-14B
```

aigencydev commited on Oct 1

Commit

6ad00ff

verified ·

1 Parent(s): 0f52dc5

Recete: asama tablosu, ablasyon, tohum, TurBLiMP

Browse files

Files changed (1) hide show

EGITIM-RECETESI-v2.md +59 -4

EGITIM-RECETESI-v2.md CHANGED Viewed

@@ -69,8 +69,63 @@ TurkMorfBench 3.6 çekirdeği, 3.7.0 puanlama kodu (`turkmorfbench==3.8.0`), `ha
 kümeli önyükleme; TurkishMMLU temiz 652, şık sırası dondurulmuş (`taban_kiyas.py`); kimlik 30 soru
 (`egitim/kimlik_sinavi_v2.py`). Sonuç dosyaları model kartında.
-## 6. Bilinen sınırlar
-Tek tohum; aşama sırası sıralı deneylerle belirlendi (her aşamanın gerekçesi geliştirme kesitindeki
-ölçümdür); ablasyon sonuçları (yalnız doğal metin, yalnız sentetik, yalnız talimat) yayımlandığında bu
-belgeye eklenecektir.

 kümeli önyükleme; TurkishMMLU temiz 652, şık sırası dondurulmuş (`taban_kiyas.py`); kimlik 30 soru
 (`egitim/kimlik_sinavi_v2.py`). Sonuç dosyaları model kartında.
+## 6. Aşama tablosu, ablasyon ve tohum (1 Ekim 2026)
+Her satır aynı protokolle ölçüldü: TurkMorfBench 3.6 çekirdeği (1.836 madde, `harf`, hücre kümeli %95 GA)
+ve TurkishMMLU temiz 652 (şık döndürmeli). Her model çekirdekte bir kez ölçüldü.
+**6.1 Erk-14B v2 aşamaları (sıralı, her satır öncekinin üzerine)**
+| Aşama | TurkMorfBench | v1'e göre | TurkishMMLU |
+|---|---|---|---|
+| v1 | 75,4 | — | 67,2 |
+| 1 doğal CPT (FineWeb-2, 6.000 adım) | 78,1 | +2,6 [+0,6, +3,5] | 66,3 |
+| 2 + kural cümleleri (kısaltma/sayı/çatı) | 79,3 | +3,8 [+1,0, +5,2] | 66,3 |
+| 3 + birleşik isim | 79,9 | +4,5 [+1,1, +5,8] | 65,6 |
+| 4 + SFT ağırlıklı pekiştirme | 79,8 | +4,4 [+1,1, +5,8] | 66,3 |
+| 5 + özel ad | 80,1 | +4,7 [+1,0, +6,3] | 65,6 |
+| 6 karışım 0,85·aşama 5 + 0,15·v1 | 79,4 | +3,9 [+1,0, +5,2] | 66,7 |
+| 7 + kimlik pekiştirme (**v2**) | **80,0** | **+4,5 [+1,3, +5,9]** | **66,9** |
+Okuma: kazancın yaklaşık 2,6 puanı doğal metinden, 2 puanı kural cümlelerinden gelir; karışım TurkishMMLU'yu
+geri toplarken morfolojiden ~0,7 puan alır. Aynı doğal CPT koşusunun 9.000. adımı 78,3 / 65,5 verir (daha
+çok doğal metin morfolojiyi artırmıyor, genel yeteneği aşındırıyor); aşama 1 bu yüzden 6.000. adımda kesildi.
+**6.2 Ablasyon — v1'den tek bileşenle (3.000 adım, lr 5e-6, aynı bütçe)**
+| Kol | TurkMorfBench | v1'e göre | TurkishMMLU |
+|---|---|---|---|
+| yalnız doğal metin (aşama 1 ile aynı veri, 6.000 adım) | 78,1 | +2,6 [+0,6, +3,5] | 66,3 |
+| yalnız kural cümleleri + SFT/6 (doğal metin yok) | 77,6 | +2,1 [−0,8, +3,3] | **59,5** |
+| yalnız SFT (talimat verisi) | 77,7 | +2,2 [+0,3, +3,1] | 67,0 |
+| doğal + kural + SFT (aşama 2) | 79,3 | +3,8 [+1,0, +5,2] | 66,3 |
+Üç bulgu: (i) tek başına şablonlu kural cümleleri genel yeteneği 7,7 puan düşürür; doğal metin karışımı
+zorunludur. (ii) Yalnız Türkçe talimat verisi bile morfolojide +2,2 verir ve istisna kovalarını (çatı +16,
+ünlü düşmesi +10, uyum kırıcı +13, ikizleşme +17) iyileştirir: kazancın bir bölümü türüne bakmaksızın
+Türkçe maruziyetten gelir. (iii) Bileşenler toplanır; en yüksek değer üçünün birlikte kullanıldığı aşamadır.
+**6.3 Tohum belirsizliği (aşama 2 reçetesi, iki ek tohum: veri sırası ve torch)**
+| Tohum | TurkMorfBench | TurkishMMLU |
+|---|---|---|
+| 20260926 (yayımlanan) | 79,3 | 66,3 |
+| 1 | 79,7 | 65,5 |
+| 2 | *(ölçülüyor)* | |
+**6.4 Bağımsız test — TurBLiMP** (16 fenomen × 1.000 minimal çift; başka ekip, başka üretici; v2
+geliştirilirken kullanılmadı). Cümle log-olasılık toplamı kuralı.
+| Model | v1 | v2 | fark (eşli önyükleme) |
+|---|---|---|---|
+| Erk-14B | 95,2 | 93,7 | −1,5 [−1,8, −1,2] |
+| Erk-32B | 95,2 | 95,4 | +0,3 [+0,1, +0,5] |
+Erk-14B v2'de biçim bilgisi fenomenleri (düzensiz biçimler, askıda ek, adlaştırma, edilgen) değişmez
+(%97–100); düşüş sözdizimindedir: ada etkileri −7,3, belirleyiciler −4,9, eksilti −2,7. v2'nin kazancı
+hedeflenen çekim morfolojisine özgüdür ve sözdizimsel minimal çiftlere taşınmaz; bu bedel kartta yazılıdır.
+## 7. Bilinen sınırlar
+Tek eğitim tohumu (aşama 2 için iki ek tohum §6.3'te); aşama sırası sıralı deneylerle belirlendi ve her
+aşamanın gerekçesi geliştirme kesitindeki ölçümdür; çekirdek yalnız seçilen modeller için ölçüldü.