Begreen - Gemma 4 E4B-it LoRA Adapter

Begreen, google/gemma-4-E4B-it üzerine LoRA yöntemiyle ince ayar yapılmış Türkçe bir spor hareketleri yardımcısıdır. Modelin amacı; squat, şınav, deadlift, lunge, plank gibi temel egzersizlerde daha kısa, daha uygulanabilir ve güvenlik uyarılarını daha görünür tutan cevaplar üretmektir.

Bu repo tam bir base model içermez. Bu çıktı bir PEFT LoRA adapter paketidir ve çalışmak için google/gemma-4-E4B-it base modeline ihtiyaç duyar.

Amaç

Begreen şu kullanım senaryoları için hazırlanmıştır:

• Spor hareketlerini Türkçe ve adım adım açıklamak
• Yeni başlayanlara hareket formu hakkında kısa koçluk ipuçları vermek
• En sık yapılan form hatalarını listelemek
• Ağrı, aşırı zorlanma ve güvenlik riskleri hakkında uyarı eklemek
• Egzersiz cevabını gereksiz uzunlaştırmadan pratik hale getirmek

Model bir doktor, fizyoterapist veya kişisel antrenör yerine geçmez. Yaralanma, ağrı, kronik hastalık, ameliyat geçmişi, hamilelik veya kişiye özel rehabilitasyon durumlarında uzman değerlendirmesi gerekir.

Eğitim Özeti

Alan	Değer
Base model	google/gemma-4-E4B-it
Fine-tune tipi	LoRA adapter
Eğitim dili	Türkçe
Domain	Spor hareketleri ve egzersiz açıklamaları
Eğitim satırı	1324 JSONL örneği
Veri formatı	messages (system, user, assistant)
Epoch	2
LoRA rank	16
LoRA alpha	32
LoRA dropout	0.05
Target modules	all-linear
Dtype	BF16
QLoRA	Hayır
Son train loss	0.5307

Değerlendirme Sonuçları

İlk smoke değerlendirme, 5 spor hareketi test vakası üzerinde düz Gemma 4 ile Begreen LoRA adapter'ını karşılaştırmak için yapıldı.

Test vakaları:

• Bodyweight squat formu ve sık hatalar
• Şınav çekemeyen biri için kademeli ilerleme
• Deadlift güvenlik ipuçları
• Lunge diz ve ayak konumu
• Plank sırasında belin çukurlaşmasını önleme

Otomatik checklist sonuçları:

Ölçüm	Düz Gemma 4	Begreen LoRA
Ortalama checklist skoru	0.667	0.733
Kazanılan vaka	0	2
Berabere vaka	3	3

Bu skor yalnızca hızlı bir filtre olarak kullanılmalıdır. Checklist değerlendirmesi; cevapta beklenen anahtar güvenlik/form ifadelerinin bulunup bulunmadığını ve tehlikeli ifadelerin geçip geçmediğini kontrol eder. Nihai kalite kararı için cevapların bir spor hareketleri uzmanı veya antrenör tarafından kör şekilde değerlendirilmesi önerilir.

Gözlenen Davranış

Smoke testte Begreen adapter'ın bazı cevaplarda daha kısa, daha doğrudan ve hareket özelinde daha pratik yanıtlar verdiği görüldü. Özellikle şınav regresyonu ve deadlift güvenlik ipuçlarında otomatik checklist skoru düz modele göre daha iyi çıktı.

Buna karşın bazı vakalarda düz model daha açıklayıcı, Begreen ise daha kısa cevap verdi. Bu nedenle yalnızca otomatik skorla karar verilmemeli; doğruluk, güvenlik, uygulanabilirlik ve koçluk dili birlikte puanlanmalıdır.

Önerilen İnsan Değerlendirme Rubriği

Her cevap için 1-5 arası puan verin:

Kriter	1	3	5
Doğruluk	Yanlış veya yanıltıcı	Kısmen doğru	Teknik olarak doğru
Güvenlik	Riskli öneri veriyor	Bazı güvenlik uyarıları var	Ağrı, seviye ve güvenlik sınırları net
Uygulanabilirlik	Dağınık veya belirsiz	Anlaşılır ama eksik	Kısa, adım adım ve uygulanabilir
Domain uyumu	Genel cevap	Kısmen spor dili	Hareket özelinde net koçluk dili

Kullanım

Önce Gemma model şartlarının Hugging Face hesabınızda kabul edilmiş olması gerekir.

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

base_model = "google/gemma-4-E4B-it"
adapter = "poyrazdaka/begreen"

tokenizer = AutoTokenizer.from_pretrained(base_model, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    base_model,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)
model = PeftModel.from_pretrained(model, adapter)
model.eval()

messages = [
    {
        "role": "system",
        "content": "Sen spor hareketleri konusunda kısa, güvenli ve Türkçe yanıt veren bir asistansın."
    },
    {
        "role": "user",
        "content": "Yeni başlayan biri için squat hareketinde nelere dikkat edilmeli?"
    },
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.inference_mode():
    output = model.generate(
        **inputs,
        max_new_tokens=180,
        do_sample=False,
        pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id,
    )

print(tokenizer.decode(output[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Örnek Promptlar

Yeni başlayan biri için bodyweight squat hareketinin doğru formunu kısa ve net anlat. En sık yapılan 3 hatayı da yaz.

Şınav çekemeyen birine güvenli ve kademeli ilerleme planı öner. Planı 4 basamakta ver.

Deadlift öğrenen birine hareketin temel güvenlik ipuçlarını anlat. Bel ağrısı hissederse ne yapmalı?

Sınırlamalar

• Model tıbbi tanı, tedavi veya rehabilitasyon planı üretmek için kullanılmamalıdır.
• Kişinin yaşına, sakatlık geçmişine, mobilite durumuna, ekipmanına ve kondisyon seviyesine göre cevapların uzman tarafından uyarlanması gerekebilir.
• Model hatalı, eksik veya fazla genel cevap verebilir.
• Smoke değerlendirme küçük bir test setiyle yapılmıştır; geniş kapsamlı doğrulama için daha fazla hareket, seviye ve risk senaryosu içeren eval seti gerekir.
• Egzersiz sırasında ağrı, baş dönmesi, göğüs ağrısı, uyuşma veya olağan dışı nefes darlığı varsa aktivite durdurulmalı ve profesyonel yardım alınmalıdır.

Güvenlik Notu

Begreen'in cevapları bilgilendirme ve genel egzersiz farkındalığı içindir. Cevaplar, yetkin bir antrenörün veya sağlık profesyonelinin kişisel değerlendirmesinin yerine geçmez.

Kaynak Model

Base model: google/gemma-4-E4B-it

Base modelin lisans ve kullanım şartları geçerlidir. Bu adapter'ı kullanmadan veya yeniden yayınlamadan önce Gemma model şartlarını ve veri kullanım kurallarını inceleyin.