batuhanozkose/cevher-nuve

Cevher Nüve v1

Türkçe ve İngilizce için 15.2M parametrelik küçük bir metin embedding modeli. Arama (retrieval), benzerlik ve kümeleme için. CPU'da sorgu başına birkaç milisaniye.

Parametre	15.2M
Çıktı	256 boyut (ilk 128 boyut da tek başına kullanılabilir)
Pencere	256 token (uzun belgeler için chunk=True)
Diller	Türkçe, İngilizce
Boyut	58 MB (fp32), 15 MB (OpenVINO INT8)

Öne çıkanlar

• MTEB tarzı 28 görev: 0.742; 8 kat büyük multilingual-e5-small'un (0.724) önünde.
• BÜYÜK HARF, Türkçe karaktersiz (ASCII) yazım ve yazım hatalarına dayanıklı.

Kullanım

from cevher_nuve import CevherNuve   # bu repodaki cevher_nuve.py

m = CevherNuve.from_pretrained("batuhanozkose/cevher-nuve")
q = m.encode(["osmanli devleti ne zaman kuruldu"], role="query")
d = m.encode(belgeler, role="doc", chunk=True)   # uzun belgeler için parçalı çıkarım
skor = m.score(q, d)                              # [n_sorgu, n_belge] kosinüs

s = m.encode(["Bugün hava çok güzel.", "Hava bugün harika."], role="sym")   # benzerlik / kümeleme
s128 = m.encode(metinler, role="sym", dim=128)                               # 128 boyut

Roller: query arama sorgusu, doc belge, sym benzerlik/kümeleme/sınıflandırma. Doğru rolü kullanmak önemli.

sentence-transformers

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("batuhanozkose/cevher-nuve", trust_remote_code=True)
q = model.encode(["osmanli devleti ne zaman kuruldu"], prompt_name="query")
d = model.encode(["Osmanlı Devleti 1299'da kuruldu.", "Kediler süt sever."])   # varsayılan: document
print(model.similarity(q, d))

prompt_name: query, document (varsayılan) veya sym.

Hızlı CPU sürümleri

Format	Dosya	Boyut	Kullanım
PyTorch	model.safetensors	58 MB	backend="torch"
ONNX	onnx/model.onnx	58 MB	backend="onnx"
OpenVINO INT8	openvino/int8/	15 MB	backend="openvino-int8"

m = CevherNuve.from_pretrained("batuhanozkose/cevher-nuve", backend="openvino-int8")   # pip install openvino

Sonuçlar

MTEB tarzı 28 görev (TR + EN)

Model	Parametre	Ortalama
Qwen3-Embedding-0.6B	596M	0.751
multilingual-e5-base	278M	0.749
Cevher Nüve v1	15.2M	0.742
paraphrase-multilingual-mpnet-base-v2	278M	0.733
multilingual-e5-small	118M	0.724
paraphrase-multilingual-MiniLM-L12-v2	118M	0.706

Sınırlamalar

• Bilim ve tıp gibi bilgi yoğun İngilizce alanlarda zayıf.
• İnce olgu farklarını (ör. değiştirilmiş tarih veya sayı) ayırt etmekte zorlanabilir; kritik RAG kullanımında reranker önerilir.
• Yalnızca Türkçe ve İngilizce.

Lisans

Bu model Gemma Terms of Use altındadır (LICENSE, NOTICE). google/embeddinggemma-2'den damıtıldığı için Gemma şartlarına göre bir "Model Derivative"dir. Kullanım, Gemma Terms of Use Bölüm 3.2'deki kısıtlara ve Gemma Prohibited Use Policy'ye tabidir.

Gemma is provided under and subject to the Gemma Terms of Use found at ai.google.dev/gemma/terms.

Eğitim verisi atıfları NOTICE dosyasındadır.