Instructions to use TozAI/Toz-1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use TozAI/Toz-1 with Transformers:

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

pipe = pipeline("text-generation", model="TozAI/Toz-1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("TozAI/Toz-1")
model = AutoModelForCausalLM.from_pretrained("TozAI/Toz-1", 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=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use TozAI/Toz-1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "TozAI/Toz-1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "TozAI/Toz-1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/TozAI/Toz-1

SGLang

How to use TozAI/Toz-1 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 "TozAI/Toz-1" \
    --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": "TozAI/Toz-1",
		"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 "TozAI/Toz-1" \
        --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": "TozAI/Toz-1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use TozAI/Toz-1 with Docker Model Runner:
```
docker model run hf.co/TozAI/Toz-1
```

Töz-1

Töz-1, Töz AI'ın sıfırdan eğittiği ilk Türkçe dil modelidir: 195 milyon parametre, yalnızca Türkçe, tokenizer'dan ağırlıklara kadar her şey kendi eğitimimiz. Bu depo modelin sohbet (SFT) sürümüdür; ham ön eğitim modeli TozAI/Toz-1-Base.

Küçük bir model: sıradan bir bilgisayarın işlemcisinde çalışır, kısa ve sade Türkçe cevaplar verir. Bir bilgi kaynağı değil, küçük bir modelin neler yapabildiğini gösteren bir deney olarak görülmeli (bkz. Sınırlamalar).

Sürümler

sürüm	tarih	ne değişti
v2 (bu sürüm)	Ekim 2026	SFT'ye ~9.000 filtrelenmiş Türkçe sohbet örneği eklendi, matematik örnekleri 1.000 azaltıldı
v1	27 Eylül 2026	ilk yayın; `revision="v1"` ile hâlâ indirilebilir

v2 neden? v1 kendi ürettiğimiz dar kalıplarla eğitilmişti ve tanımadığı soru türlerini en yakın kalıba zorluyordu: "Valorant oynayayım mı?" → "Hayır, adım Töz-1", "Matematik kursu almalı mıyım?" → "Sadece tek basamaklı işlemler yapabiliyorum", "Valorant oynayabilir miyim?" → "Bilgisayarına erişimim yok". Tavsiye, fikir ve gündelik sorular veride neredeyse yoktu; "ben … miyim" (kullanıcı kendini soruyor) ile "sen … misin" (modelin yeteneği soruluyor) ayrımı da öğrenilmemişti. v2 bu boşluğu gerçek sohbet örnekleriyle kapatmayı hedefliyor. Bilgi düzeyi aynı: ön eğitim değişmedi.

# v1'i kullanmak için
model = AutoModelForCausalLM.from_pretrained("TozAI/Toz-1", revision="v1")

Hızlı başlangıç

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "TozAI/Toz-1"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype=torch.float32)  # GPU'da torch.float16

mesajlar = [{"role": "user", "content": "Fransa'nın başkenti neresi?"}]
girdi = tok.apply_chat_template(mesajlar, add_generation_prompt=True,
                                return_tensors="pt", return_dict=True)
cikti = model.generate(**girdi, max_new_tokens=80)
print(tok.decode(cikti[0, girdi["input_ids"].shape[1]:], skip_special_tokens=True))

transformers 4.51 veya üstü gerekir (mimari Qwen3 olarak kayıtlı, trust_remote_code gerekmez). Varsayılan üretim ayarları generation_config.json'da: temperature 0.7, top_p 0.9, repetition_penalty 1.1. Bilgi sorularında daha düşük sıcaklık (0.3–0.4) daha tutarlı cevap verir.

Sohbet biçimi (chat template bunu kendisi kurar):

Kullanıcı: {soru}
Töz: {cevap}<|endoftext|>Kullanıcı: {soru}
Töz:

Sistem mesajı ile eğitilmedi. Bağlam penceresi 1024 token.

Neler yapabilir

Gündelik sohbet, selamlaşma, kendini tanıtma ("Sen kimsin?", "Seni kim yaptı?")
Yaygın bilgi soruları: başkentler, kıtalar, Türkiye'nin illeri ve bölgeleri, bilinen kişi ve kavramların kısa tanımı ("X kimdir?", "Y nedir?")
Takip soruları: "Fransa'nın başkenti neresi?" → "Peki orada hangi dil konuşulur?"
Tek basamaklı sayılarla toplama, çıkarma, çarpma; daha büyük hesaplarda yapamadığını söyler
Basit biçim talimatları: tek kelimeyle cevap, "… ile başla/bitir", tırnak, iki cümle, JSON
Evet/hayır sorularında önce bilgiyi söyleyip sonra karar verir: "Edirne Marmara Bölgesi'ndedir, yani evet."
Fikir sorularında ("Sence iyi biri miydi?") yargı bildirmez, bildiğini aktarır

Değerlendirme

Genel Türkçe benchmark'lar

Hepsi aynı scriptle (mmlu_olc.py, turblimp_olc.py), 0-shot, şıkların/cümlelerin olasılığı karşılaştırılarak ölçüldü. Karşılaştırma için ufakzeka-1-base de aynı scriptle ölçüldü.

benchmark	şans	Töz-1 v2	Töz-1 v1	Töz-1-Base	ufakzeka-1-base
TurBLiMP — Türkçe dilbilgisi, 16 konu × 1.000 cümle çifti	%50	<<DOLDUR: v2 TurBLiMP>>	%91.2	%93.2	%92.0
Turkish MMLU — alibayram/turkish_mmlu, 6.200 sınav sorusu, 5 şık (cloze, uzunluk normalize)	%20	<<DOLDUR: v2 cloze_norm>>	%24.1	%25.0	—
Turkish MMLU — aynı set, şık harfi (A–E)	%20	<<DOLDUR: v2 harf>>	%20.5	%21.1	—

TurBLiMP'te Töz-1-Base, 13.5B tokenla eğitilmiş ufakzeka-1-base'in (151M) önünde; Töz-1 4.42B tokenla eğitildi. Dilbilgisi az veriyle doyan bir yetenek; dünya bilgisi gerektiren testlerde daha çok token gören modellerin önde olması beklenir.
Turkish MMLU (KPSS, TUS, ALES vb.) 195M bir model için çok zor: sonuç şansın üstünde (6.200 soruda ±0.5 puan gürültü) ama düşük. Şık harfi biçimi küçük modellerde şans seviyesinde kalır. ufakzeka-1 bu seti bizim scriptimizle ölçülmediği için "—".
SFT bilgi testinde (MMLU) skoru korudu: v2'deki 9.000 sohbet örneği de modelin bilgisini bozmadı.

Kendi donuk setlerimiz

Eğitimde hiç görülmeyen, modelin öğrenmesini istediğimiz davranışları ölçen setler (veri setinde olcum/, puanlayıcılar uretim/ altında):

set	ne ölçüyor	Töz-1 v2	Töz-1 v1
matematik (305)	tek basamaklı işlemler, eğitimde olmayan soru kalıplarıyla	<<DOLDUR: v2 matematik>>	%99.7
kısıt (230)	talimat takibi (IFEval tarzı): biçim / tam doğru	<<DOLDUR: v2 kısıt biçim / tam>>	%75.2 / %40.4
tanım (90)	ham modelin bildiği ama SFT'de görmediği varlıklarda doğru kategori	<<DOLDUR: v2 tanım>>	%25.6

Tek bir eğitim koşusunun rastgeleliği bu küçük setlerde ±3–4 puan oynatabiliyor.

Eğitim

Ön eğitim (Töz-1-Base)

5.68 milyar tokenlık Türkçe korpus (web metni 4.96B + Vikipedi 0.72B)
30.000 adım × 147.456 token = 4.42 milyar token (~23 token/parametre)
WSD öğrenme oranı (tepe 4e-4, 800 adım ısınma, 24.000. adımdan itibaren düşüş), son %15'te Vikipedi oranı %8'den %35'e çıkarıldı
AdamW (0.9, 0.95), weight decay 0.1, z-loss 1e-4, fp16 karışık hassasiyet
Donanım: Kaggle 2× Tesla T4 ve tek bir RTX 3060 Ti (8 GB)

SFT (v2)

<<DOLDUR: toplam örnek sayısı, eğitim logundaki "toplam" satırı>> örnek, 3 epoch, lr 1e-4 (kosinüs), kayıp yalnızca cevap tokenlarında, tek RTX 3060 Ti
Kodla üretilen veri (v1'den): kimlik, sohbet, bilgi, takip soruları, talimat kısıtları, tek basamaklı matematik (v2'de 1.000 örnek azaltıldı), Vikipedi tanımları. Vikipedi tanımları ham modele okutulup modelin zaten bildiği varlıklar seçilerek alındı (bilmediği bilgiyi SFT'de öğretmek uydurmayı öğretir). Ayrıntılar: TozAI/Toz-1-SFT
Sohbet verisi (v2'de eklendi): kilicai/turkish-sft-clean-v5-strict-pruned (yazarın en sıkı temizlenmiş sürümü: güvensiz içerik ve tekrarlar silinmiş) içinden ~9.000 örnek; soru-cevap, talimat, yaratıcı yazım ve çok turlu sohbet kategorileri. Sistem mesajları atıldı; kod, başka model kimliği ("ChatGPT", "OpenAI"…), İngilizce ağırlıklı metin, 300 tokeni aşan cevaplar ve 1024 tokeni aşan konuşmalar elendi (sohbet_veri.py).

Mimari


parametre	195M (bağlı embedding)
katman / genişlik / kafa	18 / 768 / 12
FFN	SwiGLU, 3072
konum	RoPE (θ = 10.000), 1024 bağlam
normalizasyon	RMSNorm (pre-norm) + QK-norm
sözlük	32.768 token, Türkçe için eğitilmiş byte-level BPE

Mimari Hugging Face'teki Qwen3 ile birebir aynı olduğu için o sınıfla kaydedildi; ağırlıklar Qwen'den türetilmedi, tamamen sıfırdan eğitildi.

Sınırlamalar

Bilgi hataları yapar ve bunu kendinden emin söyler. Örneğin bilinen bir padişahı doğru kategoriyle tanımlayıp kaçıncı padişah olduğunu yanlış söyleyebilir. Önemli bir bilgiyi bu modelden öğrenmeyin.
195M parametre ve 4.4B token, dünya bilgisi için az. Az bilinen kişi, yer ve olaylarda uydurur.
Büyük harfle yazması istendiğinde bozulabilir (büyük harfli Türkçe ön eğitimde nadir).
Liste uzunluğu, sınıflandırma ve karmaşık çok adımlı talimatlarda zayıf.
Yalnızca tek basamaklı aritmetik; çok basamaklı hesap yapamaz.
Sadece Türkçe; başka dillerde anlamlı cevap vermez.
Web verisinden gelen önyargıları taşıyabilir; ayrı bir güvenlik eğitimi almadı.

Lisans

Model ağırlıkları Apache-2.0. SFT verisinin Vikipedi kısmı CC BY-SA 4.0; v2'de eklenen sohbet verisi (kilicai/turkish-sft-clean-v5-strict-pruned) Apache-2.0. Ticari olmayan lisanslı (Alpaca kökenli) veri eğitimde kullanılmadı.

English summary

Töz-1 is a 195M-parameter Turkish-only language model trained from scratch by Töz AI (own tokenizer, 4.42B pre-training tokens on 2× T4 + one RTX 3060 Ti), followed by SFT on programmatically generated examples plus (since v2, October 2026) ~9K filtered Turkish chat conversations. v1 (27 Sep 2026) remains available via revision="v1". It handles casual chat, common facts, follow-up questions, single-digit arithmetic and simple formatting instructions, and it confidently makes factual errors. On TurBLiMP (Turkish grammar minimal pairs) the base model scores 93.2% vs 92.0% for ufakzeka-1-base (13.5B tokens), both measured with the same script; on Turkish MMLU (6,200 exam questions) it scores 25.0% (chance 20%). Treat it as a small-model experiment, not a knowledge source. The architecture matches Qwen3 exactly (RMSNorm, QK-norm, SwiGLU, RoPE, tied embeddings), so it loads with plain transformers>=4.51; the weights are not derived from Qwen. License: Apache-2.0.

Downloads last month: 980

Safetensors

Model size

0.2B params

Tensor type

F16

Model tree for TozAI/Toz-1

Base model

TozAI/Toz-1-Base

Quantized

(1)

this model

TozAI
/

Toz-1