Instructions to use nypgd/bubip-qwen3-14b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use nypgd/bubip-qwen3-14b with Transformers:

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

pipe = pipeline("text-generation", model="nypgd/bubip-qwen3-14b")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("nypgd/bubip-qwen3-14b")
model = AutoModelForCausalLM.from_pretrained("nypgd/bubip-qwen3-14b", 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=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use nypgd/bubip-qwen3-14b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "nypgd/bubip-qwen3-14b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "nypgd/bubip-qwen3-14b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/nypgd/bubip-qwen3-14b

SGLang

How to use nypgd/bubip-qwen3-14b 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 "nypgd/bubip-qwen3-14b" \
    --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": "nypgd/bubip-qwen3-14b",
		"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 "nypgd/bubip-qwen3-14b" \
        --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": "nypgd/bubip-qwen3-14b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use nypgd/bubip-qwen3-14b with Docker Model Runner:
```
docker model run hf.co/nypgd/bubip-qwen3-14b
```

BU-BİP: Bursa Uludağ Üniversitesi Bilgi Asistanı (FP16 / vLLM Versiyonu)

Bu model, Qwen3-14B mimarisi temel alınarak, Bursa Uludağ Üniversitesi (BU-BİP) bilgi asistanı olarak görev yapması için ince ayar (fine-tune) işleminden geçirilmiştir. Model, maksimum doğruluk ve performans sağlaması amacıyla tam FP16 (Full FP16) formatında eğitilmiş ve ağırlıkları bu formatta korunmuştur. Özellikle sunucu ortamlarında ve üretim (production) aşamasında yüksek verimli çıkarım (high-throughput inference) yapabilmesi için vLLM altyapısı ile tam uyumlu çalışacak şekilde tasarlanmıştır.

Eğitim Süreci

Modelin eğitimi iki temel aşamadan oluşmaktadır:

SFT (Supervised Fine-Tuning): Model, "Düşünce Zinciri" (Chain-of-Thought) yaklaşımıyla cot_dataset.jsonl üzerinden eğitilmiştir.
DPO (Direct Preference Optimization): SFT aşamasının ardından, yanıt kalitesini ve bağlama sadakati artırmak için dpo_dataset.jsonl kullanılarak tercih optimizasyonu uygulanmıştır.

Çıkarım ve Düşünce Yeteneği

Model, doğrudan bir çıktı vermek yerine önce bir mantık yürütme süreci işletir. Bu düşünce adımları <think> ... </think> etiketleri arasında üretilir ve sonrasında resmî belgelere dayalı, uydurmadan uzak nihai cevap sunulur.

vLLM ile Kullanım

Modeli yüksek hızda sunucu olarak ayağa kaldırmak veya Python kodunuzda doğrudan kullanmak için vLLM kütüphanesini tercih edebilirsiniz.

1. API Sunucusu Olarak Başlatma (CLI)

Modeli OpenAI uyumlu bir API sunucusu olarak başlatmak için aşağıdaki komutu kullanabilirsiniz:

python -m vllm.entrypoints.openai.api_server \
    --model nypgd/bubip-qwen3-14b \
    --dtype float16 \
    --max-model-len 4096 \
    --gpu-memory-utilization 0.9


from vllm import LLM, SamplingParams

# Modeli yükle
llm = LLM(model="nypgd/bubip-qwen3-14b", dtype="float16")

# Örnekleme parametrelerini ayarla
sampling_params = SamplingParams(temperature=0.7, top_p=0.9, max_tokens=1024)

# Sisteme gönderilecek prompt (Düşünce zinciri tetiklemesi ile)
prompt = "Bursa Uludağ Üniversitesi kütüphane çalışma saatleri nelerdir?"

# Çıkarım yap
outputs = llm.generate([prompt], sampling_params)

# Sonucu yazdır
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Soru: {prompt}\nCevap: {generated_text}")

Downloads last month: 965

Safetensors

Model size

15B params

Tensor type

BF16