⚡ Veloxy-Ultra-Flash (14.8B) — Clean-Slate Argon-CoT Reasoning & Systems Model

Veloxy-Ultra-Flash, Veloxy AI tarafından sıfırdan temiz mimari (Clean-Slate) prensibiyle Qwen/Qwen3-14B (14.8B yoğun parametre) taban modeli üzerine inşa edilmiş yeni nesil derin akıl yürütme, interaktif tek dosya oyun/uygulama mühendisliği, ileri seviye sistem programlama ve siber güvenlik yapay zekasıdır.

🔗 GGUF (imatrix) Kuantizasyon Ailesi İçin: zveloxy/Veloxy-Ultra-Flash-i1-GGUF (i1-Q6_K, i1-Q5_K_M, i1-Q4_K_M, i1-IQ4_XS)

---

🌟 Temel Mimari Özellikler (Clean-Slate Architecture)

1. Argon-Style İngilizce İç Simülasyon (<think>) + Akıcı Türkçe Çıktı:
   • Model, yanıt üretmeden önce <think> ... </think> bloğu içinde **Defining the Objective**, **Analyzing Game Mechanics**, **Validating Edge Cases** gibi yapılandırılmış mimari kilometre taşlarıyla (Milestones) problemi adım adım simüle eder.
   • İçsel simülasyon tamamlandıktan sonra nihai yanıtı eksiksiz, kesintisiz ve duru bir Türkçe ile sunar.
2. Adaptif Düşünme Derinliği (Adaptive Depth):
   • Basit selamlaşma ve doğrudan sorularda 1–2 adımlık hızlı düşünce üretirken; karmaşık oyun motorları (Chess 2.0: Crown & Command), Linux çekirdek analizi (SLUB UAF, eBPF Verifier), kriptanaliz (ECDSA Biased Nonce LLL) ve oyun teorisi (12 Korsan) problemlerinde derin çok adımlı simülasyon açar.
3. Sıfır Kesilme & AST/HTML Doğrulanmış Eğitim (10,240 Token Bağlam):
   • NVIDIA A100-SXM4-40GB üzerinde Completion-Only Loss Masking (yalnızca <think> ve asistan yanıtı üzerinde kayıp hesabı) ve Rank-32 (r=32, lora_alpha=64, 280 hedef katman) ile eğitilmiş ve saf BF16 hassasiyetinde birleştirilmiştir.

---

📊 Eğitim ve Mimari Özeti

Özellik	Değer
Geliştirici	Veloxy AI (zveloxy)
Taban Model	Qwen/Qwen3-14B (14.8B Dense, El Değmemiş Resmi Taban)
Hassasiyet	bfloat16 (Safetensors)
Eğitim Bağlamı	10,240 Token (Sıfır Kırpma / Zero-Truncation)
Adaptör Mimarisi	Rank-32 (r=32, alpha=64), 7 Lineer Projeksiyon (280 Katman)
Kayıp Fonksiyonu	Completion-Only Cross-Entropy (labels[:assistant] = -100)

---

🚀 Hızlı Kullanım (transformers)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "zveloxy/Veloxy-Ultra-Flash"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

system_prompt = (
    "Sen Veloxy-Ultra-Flash, Veloxy AI tarafından geliştirilen 14.8B parametreli "
    "yeni nesil derin akıl yürütme, ileri seviye yazılım mimarisi, siber güvenlik analizi "
    "ve matematiksel mantık yapay zekasısın. Soruları yanıtlarken önce <think> ... </think> "
    "bloğu içinde İngilizce olarak adım adım (**Milestone Başlıkları** ile) derinlemesine "
    "içsel simülasyon, uç durum (edge-case) doğrulaması ve mimari tasarım yapar; ardından "
    "nihai yanıtını eksiksiz, kesintisiz ve akıcı bir Türkçe ile sunarsın."
)

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": "Rust dilinde #[repr(align(64))] kullanarak false-sharing önleyen lock-free bir MPMC kuyruk tasarla."}
]

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

outputs = model.generate(**inputs, max_new_tokens=2048, temperature=0.6, top_p=0.95)
print(tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=False))