⚕️ TUSGPT-TR-Medical-9B

Türkiye'nin İlk Açık Kaynak Türkçe Medikal Dil Modeli Turkey's First Open-Source Turkish Medical Language Model

🇹🇷 Türkçe Açıklama | 🇬🇧 English Description | 💻 Kullanım/Usage

---

🇹🇷 Model Hakkında

TUSGPT-TR-Medical-9B, Türkiye'nin medikal alandaki yapay zeka gelişimine katkı sağlamak amacıyla geliştirilmiş, Gemma-2 mimarisine dayalı 9 milyar parametreli bir dil modelidir.

Model, ytu-ce-cosmos/Turkish-Gemma-9b-T1 temel modeli üzerine, 55.000'den fazla yüksek kaliteli Türkçe tıbbi soru-cevap çifti ile 2 aşamalı DoRA (Weight-Decomposed Low-Rank Adaptation) yöntemi kullanılarak fine-tune edilmiştir.

📚 Veri Seti Kapsamı (Dataset Coverage)

Model, aşağıdaki branşları ve daha fazlasını kapsayan 55,465 Türkçe soru-cevap çifti ile eğitilmiştir:

• Temel Bilimler: Farmakoloji, Patoloji, Anatomi, Fizyoloji
• Klinik Bilimler: Dahiliye, Cerrahi, Pediatri, Kadın Doğum
• Diğer: Acil Tıp, Nöroloji, Onkoloji, Radyoloji

---

🇬🇧 Model Description

TUSGPT-TR-Medical-9B is a specialized 9-billion parameter language model based on the Gemma-2 architecture, designed to advance medical AI research in Turkey.

It is fine-tuned on the ytu-ce-cosmos/Turkish-Gemma-9b-T1 base model using 55,000+ high-quality Turkish medical Q&A pairs, with a 2-Stage DoRA methodology trained on Apple Silicon hardware.

📚 Dataset Scope

The model covers a wide range of medical disciplines with 55,465 Q&A pairs, including:

• Basic Sciences: Pharmacology, Pathology, Anatomy, Physiology
• Clinical Sciences: Internal Medicine, Surgery, Pediatrics, Obstetrics & Gynecology
• Others: Emergency Medicine, Neurology, Oncology, Radiology

---

📊 Teknik Detaylar / Technical Details

Özellik / Feature	Detay / Detail
Base Model	ytu-ce-cosmos/Turkish-Gemma-9b-T1
Architecture	Gemma 2 (9.24B Parameters)
Dataset	turkerberkdonmez/TUSGPT-TR-Medical-Dataset-v1
Dataset Size	55,465 samples (Q&A)
Training Method	2-Stage DoRA (Weight-Decomposed LoRA)
Precision	bfloat16
Hardware	Apple Mac Studio (M-Series, 128GB Unified Memory)

🔬 Eğitim Parametrelerini Görüntüle / View Training Hyperparameters

Stage 1 — Aggressive Knowledge Injection

• DoRA: rank=64, alpha=128, target_modules=all linear layers
• Optimizer: NEFTune (alpha=3) enabled
• Learning Rate: 2e-5 → 2e-6 (cosine decay)
• Steps: 1600 iterations (~1 epoch)

Stage 2 — Stabilization

• Config: Resumed from Stage 1 best checkpoint
• Optimizer: NEFTune disabled
• Learning Rate: 5e-6 → 1e-7
• Steps: 1000 iterations
• Final Val Loss: 1.126

---

💻 Kullanım / Usage

🐍 Python (Transformers)

Generation önerisi: Temperature=0.6, TopP=0.95, TopK=20, MinP=0 (generation_config.json varsayılanı).
Greedy decoding kullanmayın; performans düşüşüne ve sonsuz tekrarlara yol açabilir.
Complex tasks: max_new_tokens değerini artırın. Gerekirse repetition_penalty ve presence_penalty (0–2) ayarlanabilir.
Not: Daha yüksek değerler bazen dil karışmasına ve hafif performans düşüşüne neden olabilir.

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "turkerberkdonmez/TUSGPT-TR-Medical-9B"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system", "content": "Sen tıp alanında uzmanlaşmış, Türkçe yanıt veren bir yapay zeka asistanısın. Soruları doğru, kapsamlı ve anlaşılır biçimde yanıtla."},
    {"role": "user", "content": "Akut miyokard enfarktüsünün erken belirtileri nelerdir?"},
]

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

outputs = model.generate(
    **inputs,
    max_new_tokens=512,     # complex tasks için artırılabilir
    temperature=0.6,
    top_p=0.95,
    top_k=20,
    # min_p Transformers'ta her zaman desteklenmeyebilir; model config'ine bağlıdır.
    # Aşağıdakiler opsiyonel: tekrarları azaltmak için
    # repetition_penalty=1.15,
    # presence_penalty=0.3,
    do_sample=True,         # greedy decoding kapalı
)

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

🦙 GGUF (Ollama & LM Studio)

Bu modelin sıkıştırılmış (quantized) versiyonları yerel cihazlarda çalıştırılabilir.

Dosya Adı (Filename)	Quant	Boyut (Size)	Önerilen Donanım (Recommended HW)
TUSGPT-TR-Medical-9B-Q8_0.gguf	Q8_0	~9.8 GB	12GB+ VRAM / 16GB+ RAM
TUSGPT-TR-Medical-9B-Q4_K_M.gguf	Q4_K_M	~5.8 GB	8GB+ VRAM / 12GB+ RAM

Ollama Setup

Önerilen üretim ayarları: Temperature=0.6, TopP=0.95, TopK=20, MinP=0
Greedy decoding kullanmayın; performans düşüşü ve sonsuz tekrar riski yaratabilir.
Complex tasks: num_predict (max_new_tokens) artırılabilir.
Tekrarlar olursa repeat_penalty ve presence_penalty (0–2) ayarlanabilir (yüksek değerler bazen dil karışmasına ve hafif performans düşüşüne yol açabilir).

1. Modelfile Oluşturun / Create Modelfile:

FROM ./TUSGPT-TR-Medical-9B-Q4_K_M.gguf

SYSTEM "Sen tıp alanında uzmanlaşmış, Türkçe yanıt veren bir yapay zeka asistanısın. Soruları doğru, kapsamlı ve anlaşılır biçimde yanıtla."

# Recommended generation (DO NOT use greedy decoding)
PARAMETER temperature 0.6
PARAMETER top_p 0.95
PARAMETER top_k 20
PARAMETER min_p 0

# Complex tasks: increase num_predict
# PARAMETER num_predict 1024

# To reduce endless repetitions (optional; tune gradually)
# PARAMETER repeat_penalty 1.15
# PARAMETER presence_penalty 0.3

2. Modeli Çalıştırın / Run Model:

ollama create tusgpt-medical -f Modelfile
ollama run tusgpt-medical

---

⚠️ Yasal Uyarı / Disclaimer

🇹🇷 Türkçe

Bu model eğitim ve araştırma amaçlıdır. Klinik karar verme süreçlerinde tek başına kullanılmamalıdır. Tıbbi kararlar için her zaman uzman hekime danışın.

🇬🇧 English

This model is for educational and research purposes only. It should not be used as a sole source for clinical decision-making. Always consult a qualified physician for medical decisions.

---

🤝 Acknowledgments

• Base Model: YTU CE COSMOS Lab — Turkish-Gemma-9b-T1
• Training Framework: MLX by Apple

---

📝 Citation

@misc{tusgpt-tr-medical-9b,
  title        = {TUSGPT-TR-Medical-9B: Turkish Medical Language Model},
  author       = {Türker Berk Dönmez},
  year         = {2026},
  url          = {https://huggingface.co/turkerberkdonmez/TUSGPT-TR-Medical-9B}
}