Instructions to use matrixportalx/Anka with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use matrixportalx/Anka with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("matrixportalx/Anka")
model = AutoModelForCausalLM.from_pretrained("matrixportalx/Anka")
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

vLLM

How to use matrixportalx/Anka with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/matrixportalx/Anka

SGLang

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

Docker Model Runner
How to use matrixportalx/Anka with Docker Model Runner:
```
docker model run hf.co/matrixportalx/Anka
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Anka

Model Açıklaması:

Bu model, matrixportal/Us tabanlı olarak aşağıdaki veri set(ler)iyle Türkçe dili ve kültürüne yönelik olarak LoRA yöntemiyle ince ayar uygulanarak geliştirilmiştir:

/content/vsetalpaca.json
/content/yeniveriseti.json

Bu eğitim ile modelin Türkçe dilinde daha doğal, bağlama duyarlı ve etkili yanıtlar üretebilmesi hedeflenmiştir. Çalışma, açık kaynak topluluğuna katkı sağlamayı ve Türkçe doğal dil işleme alanında gelişimi desteklemeyi amaçlamaktadır.

Anka modeli, ince ayar yaptığım, bu güne kadarki en iyi model oldu. Diğerleri bir bakıma deneyseldi. Aslında modellere eğitim süreci ile yeni şeyler öğretirken ben de öğreniyorum. En yerinde benzetme ile Anka küllerinden yeniden doğdu.

Paylaştığım modelleri kendi projelerinizde kullanabilirsiniz ama Yapay zeka modellerinin hata yapabileceğini ve halüsinasyon görebileceğini hatırlayın.