Ne oldu?
MarkTechPost, 15 Ağustos 2026 tarihinde araç çağırma (tool-calling) yeteneğine sahip büyük dil modellerinin (large language model, LLM) nasıl ince ayar (fine-tuning) yapılacağını anlatan uçtan uca bir teknik rehber yayımladı. Rehber, XYZAILab tarafından hazırlanan XYZ-Aquila-SFT veri kümesini temel alıyor ve Qwen/Qwen3-0.6B modelini hedef alıyor.
Çalışmada Hugging Face Transformers, PyTorch, PEFT ve Accelerate kütüphaneleri kullanılıyor. Süreç; veri kümesinin akış (streaming) yöntemiyle çekilmesi, çok turlu araç kullanım izlerinin (trajectory) ayrıştırılması, yapılandırılmış araç çağrılarının çıkarılması ve gömülü akıl yürütme (reasoning) ile gözlem (observation) örüntülerinin korunmasını içeriyor.
Rehberde hangi adımlar yer alıyor?
Teknik akış, araç şemalarının mesaj içine gömülü biçimden yapılandırılmış biçime dönüştürülmesini, Qwen uyumlu ChatML biçiminde yalnızca asistan kaybı maskeleme (assistant-only loss masking) uygulanmasını ve özel bir PyTorch veri kümesi ile toplayıcı (collator) hazırlanmasını kapsıyor. Ardından Qwen3-0.6B modeli, LoRA (Low-Rank Adaptation) yöntemiyle düşük parametre sayısıyla ince ayara tabi tutuluyor.
- Veri kümesinden 400 örnek akış yöntemiyle çekiliyor ve şema incelemesi yapılıyor.
- Araç çağrıları, iç içe geçmiş JSON yapılarını doğru ayrıştırabilen özel bir tarayıcı ile çıkarılıyor.
- Korpus düzeyinde istatistikler; işlem başına araç çağrısı sayısı, mesaj derinliği ve karakter uzunluğu hesaplanıyor.
- Model, 30 adımlık eğitimle LoRA rank değeri 16 kullanılarak eğitiliyor.
- Eğitim öncesi ve sonrası araç çağrısı tahmin doğruluğu karşılaştırılıyor.
Neden önemli?
Araç çağırma, büyük dil modellerinin harici fonksiyonları, API'leri veya arama motorlarını doğru biçimde tetikleyebilmesi için kritik bir yetenek olarak öne çıkıyor. Bu tür ince ayar rehberleri, geliştiricilerin küçük ölçekli modelleri düşük maliyetle özelleştirilmiş görevlere uyarlamasını kolaylaştırıyor.
Qwen3-0.6B gibi küçük parametreli modellerin LoRA gibi verimli ince ayar yöntemleriyle araç çağırma performansının artırılabilmesi, sınırlı hesaplama kaynağına sahip geliştiriciler için pratik bir yol sunuyor.
Kullanılan bileşenler nelerdir?
| Bileşen | Rol |
|---|---|
| XYZ-Aquila-SFT | Araç kullanım izlerini içeren eğitim veri kümesi |
| Qwen3-0.6B | İnce ayar yapılan temel dil modeli |
| PEFT / LoRA | Düşük parametreli verimli ince ayar yöntemi |
| Hugging Face Transformers | Model ve tokenizer altyapısı |
| PyTorch | Eğitim döngüsü ve veri işleme çerçevesi |
Sırada ne var?
MarkTechPost'un rehberi, dönüştürülmüş veri kümesini ve korpus istatistiklerini dışa aktararak geliştiricilerin süreci kendi veri kümeleriyle tekrarlamasına imkân tanıyor. Rehberde başka model ailelerine veya daha büyük parametreli modellere genişleme konusunda net bir takvim belirtilmiyor.
Rehberin ölçeği neyi kanıtlar, neyi kanıtlamaz
Rakamlar rehberin niteliğini belirliyor: 400 örnek, 30 eğitim adımı ve 16 rank değerinde LoRA. Bu bir üretim tarifi değil, dizüstü bilgisayarda çalışan bir gösterim. Bu ölçekte elde edilen "eğitim öncesi ve sonrası" farkı, modelin araç çağırmayı öğrendiğini değil, beklenen çıktı biçimine uymayı öğrendiğini gösterir — ki 0,6 milyar parametreli bir model için asıl darboğaz zaten biçim değil, hangi aracın çağrılacağına karar vermektir.
Ayrıca karşılaştırma ayrı tutulmuş bir sınama kümesi üzerinde yapılmıyorsa, ölçülen şey genelleme değil ezberleme olabilir. Bu tür rehberlerde eksik kalan tek satır genellikle budur.
Rehberin gerçekten değerli kısmı ise sıklıkla atlanan bir ayrıntı: yalnızca asistan yanıtlarında kayıp maskeleme. Bu yapılmazsa model, kullanıcı mesajlarını ve araç çıktılarını da üretmeyi öğrenir; araç çağırma ince ayarlarının sessizce bozulduğu en yaygın nokta burasıdır.