许可协议：apache-2.0
语言：

• 土耳其语

模型索引：

• 名称：Orbita-v0.1
  结果：
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：AI2推理挑战赛土耳其语版
    类型：ai2_arc
    配置：ARC挑战赛
    拆分：测试集
    参数：
    少量样本数：25
    指标：
    • 类型：准确率
      值：41.97
      名称：准确度
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：HellaSwag土耳其语版
    类型：hellaswag
    拆分：验证集
    参数：
    少量样本数：10
    指标：
    • 类型：准确率
      值：48
      名称：准确度
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：MMLU土耳其语版
    类型：cais/mmlu
    配置：全部
    拆分：测试集
    参数：
    少量样本数：5
    指标：
    • 类型：准确率
      值：49.51
      名称：准确度
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：TruthfulQA土耳其语版
    类型：truthful_qa
    配置：多项选择
    拆分：验证集
    参数：
    少量样本数：0
    指标：
    • 类型：准确率
      名称：准确度
      值：50.78
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：Winogrande土耳其语版
    类型：winogrande
    配置：winogrande_xl
    拆分：验证集
    参数：
    少量样本数：5
    指标：
    • 类型：准确率
      值：56.16
      名称：准确度
  • 任务：
    类型：文本生成
    名称：文本生成
    数据集：
    名称：GSM8k土耳其语版
    类型：gsm8k
    配置：主要
    拆分：测试集
    参数：
    少量样本数：5
    指标：
    • 类型：准确率
      值：50.41
      名称：准确度

Orbita-v0.1

该模型是一个土耳其语大语言模型，在土耳其语的多个维度上具备多样化能力，涵盖编程、数学等多种任务。
此模型是基于Qwen的土耳其语大语言模型（LLM）的扩展版本。它在一个经过精心标注的土耳其语数据集上进行训练，以准确且有序地执行土耳其语指令。该模型使用8块H100 GPU进行了为期2天的全面微调，数据集经过细致标注。

模型详情

• 基础模型：基于Qwen 14B的大语言模型
• 训练数据集：标注的土耳其语数据集
• 训练方法：全面微调

使用示例

from transformers import AutoModelForCausalLM, AutoTokenizer  
device = "cuda" # 加载模型的设备  

model = AutoModelForCausalLM.from_pretrained(  
    "Orbina/Orbita-v0.1",  
    torch_dtype="auto",  
    device_map="auto"  
)  
tokenizer = AutoTokenizer.from_pretrained("Orbina/Orbita-v0.1")  

prompt = "如何在Python中打印'Hello World'？"  
messages = [  
    {"role": "system", "content": "你是一个由Orbina AI生成的助手，旨在遵循指令并提供最佳回答。"},  
    {"role": "user", "content": prompt}  
]  
text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True  
)  
model_inputs = tokenizer([text], return_tensors="pt").to(device)  

generated_ids = model.generate(  
    model_inputs.input_ids,  
    temperature=0.3,  
    top_k=50,  
    top_p=0.9,  
    max_new_tokens=512,  
    repetition_penalty=1,  
)  
generated_ids = [  
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)  
]  

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]  

生成示例

提示：  
土耳其的金融机构如何管理由人工智能带来的数据安全风险？请给出3个例子。  

回答：  
土耳其的金融机构通过多种方法应对人工智能（AI）技术带来的数据安全风险，并努力降低这些风险。以下是三个例子：  

1. **数据加密**：金融机构使用加密技术保护敏感数据（如客户信息），防止数据泄露。AES（高级加密标准）、RSA（Rivest-Shamir-Adleman）或ECC（椭圆曲线加密）等强大的加密算法可以防止数据被读取。  
2. **异常检测系统**：基于AI的异常检测系统能够识别意外行为并提醒安全团队。这些系统通过机器学习模型随时间变得更有效，在预防欺诈活动中发挥重要作用。  
3. **持续监控与安全政策实施**：土耳其的金融机构通过持续监控和实施安全政策来维护数据安全。这一过程包括定期安全审计，并确保所有员工接受安全培训。此外，还向客户提供关于安全协议的培训。  

这些例子展示了土耳其金融机构用于管理与AI相关的数据安全风险的一些策略。然而，没有任何安全系统是完美的，因此机构也在不断评估和改进其安全状况。  

提示：  
如何在Python中打印"Hello World"？  

回答：  
在Python中打印"Hello World"可以使用`print`函数。以下是一个简单的例子：  

```python  
print("Hello World")  

运行此代码后，你将在控制台看到"Hello World"文本。print函数接收给定的参数（这里是"Hello World"）并将其作为输出显示。

# [土耳其语开放大语言模型排行榜评估结果](https://huggingface.co/spaces/malhajar/OpenLLMTurkishLeaderboard)  

|             指标              |  值  |  
|-----------------------------|-----:|  
|平均                          |49.47|  
|AI2推理挑战赛土耳其语版       |41.97|  
|HellaSwag土耳其语版           |48.00|  
|MMLU土耳其语版                |49.51|  
|TruthfulQA土耳其语版          |50.78|  
|Winogrande土耳其语版          |56.16|  
|GSM8k土耳其语版               |50.41|