TuAFBogey/turkce-teknik-sft-v1

---
language:
- tr
license: apache-2.0
task_categories:
- text-generation
- question-answering
tags:
- turkish
- technical
- sft
- chain-of-thought
- tool-use
- embedded-systems
- networking
- security
size_categories:
- n<1K
---

# Turkce Teknik SFT Dataset v1

Multi-agent debate (Claude + DeepSeek R1) ile uretilmis Turkce teknik egitim verisi.

## Istatistikler
- **Toplam**: 503 ornek
- **Thinking (CoT)**: 389 ornek (%77)
- **Tool-use**: 92 ornek (%18)
- **Ortalama kalite skoru**: 8.9/10
- **Konu sayisi**: 30+
- **Zorluk dagilimi**: 1-5 arasi dengeli

## Konular
Embedded C, Linux kernel, network security, TCP/IP, Bluetooth BLE, CAN bus,
Qt/QML, RF sinyaller, SNMP, TLS/SSL, Yocto, matematik, fizik, siber guvenlik,
agentic behavior, chain-of-thought ve daha fazlasi.

## Format
**Alpaca format** (`dataset_alpaca.json`):
```json
{
"instruction": "Soru metni",
"input": "",
"output": "<think>\nDusunme sureci...\n</think>\n\nCevap metni"
}
```

**Raw JSONL** (`dataset_raw.jsonl`): Tum metadata ile (topic, category, difficulty, quality_score, thinking).

## Uretim Yontemi
1. Konu secimi (agirlikli rastgele)
2. Soru uretimi (Claude / DeepSeek)
3. Student model cevabi (Qwen2.5-Coder-7B via Ollama)
4. 3-round debate (Claude + DeepSeek R1)
5. Jaccard similarity konsensus (threshold: 0.10)
6. Kod/matematik dogrulama
7. Turkce kalite filtresi
8. Chain-of-thought blogu ekleme (DeepSeek R1)
9. Tool-use senaryosu uretimi (her 5 ornekte 1)

## Hedef Model
Qwen2.5-Coder-7B-Instruct → QLoRA SFT fine-tune

搜集汇总

数据集介绍

构建方式

在技术教育数据集的构建领域，turkce-teknik-sft-v1采用了多智能体辩论框架进行生成。该方法首先通过加权随机策略选定涵盖嵌入式系统、网络安全、通信协议等三十余个技术主题，随后利用Claude与DeepSeek模型生成初始问题。学生模型Qwen2.5-Coder-7B通过Ollama提供初步答案，继而展开三轮深度辩论以实现答案优化。生成过程中整合了杰卡德相似度共识机制与代码数学验证环节，并系统性地植入了思维链推理模块与工具使用场景，最终经过土耳其语质量过滤形成503条高质量样本。

特点

该数据集呈现出鲜明的专业性与结构性特征，其内容全面覆盖嵌入式C语言、Linux内核、网络协议栈等前沿技术领域，样本平均质量评分达到8.9分。数据架构包含Alpaca格式与原始JSONL双重视角，其中77%的样本嵌入了思维链推理标签，18%的样本整合了工具使用场景。难度层级在1至5级之间均衡分布，每个样本均标注了主题分类、质量评分及思维过程等元数据，为技术语言模型训练提供了多维度的监督信号。

使用方法

针对技术领域的大语言模型微调任务，该数据集提供了两种标准化使用路径。研究者可直接采用Alpaca格式进行指令微调，其中指令字段包含技术问题，输出字段则融合了思维链标签与最终答案。对于需要深度分析的应用场景，原始JSONL格式提供了完整的元数据支持，便于进行难度分层训练或特定主题增强。数据集设计目标明确指向Qwen2.5-Coder-7B-Instruct模型的QLoRA微调，其结构化输出特别适合培养模型在复杂技术场景下的推理能力与工具调用技能。

背景与挑战

背景概述

随着人工智能在自然语言处理领域的深入发展，针对特定语言和垂直领域的高质量指令微调数据集变得至关重要。Turkce Teknik SFT v1数据集应运而生，由专注于土耳其语技术内容的研究团队于近期创建，旨在解决土耳其语在复杂技术领域——如嵌入式系统、网络安全、网络协议等——缺乏专业、结构化训练数据的问题。该数据集通过多智能体辩论机制生成，核心研究聚焦于提升模型在技术推理、思维链以及工具调用方面的能力，为土耳其语大型语言模型在专业场景下的性能优化提供了关键资源，对推动非英语语种的技术智能化应用具有显著影响力。

当前挑战

该数据集致力于应对土耳其语技术领域问答与文本生成的挑战，其核心在于模型需深入理解跨学科的复杂技术概念，并执行严谨的逻辑推理与代码验证。在构建过程中，挑战主要体现在多个层面：首先，生成高质量、多样化的技术问题需要平衡专业深度与广度；其次，通过多智能体辩论达成共识的流程设计复杂，且需设定合理的相似度阈值以确保答案一致性；此外，集成思维链与工具调用场景要求对模型输出进行精细的结构化标注与验证；最后，维持土耳其语的技术术语准确性与语言自然度也是一项持续的语言工程挑战。

常用场景

经典使用场景

在嵌入式系统与网络安全的专业领域，turkce-teknik-sft-v1数据集主要应用于土耳其语技术文本的监督微调（SFT）任务。其经典使用场景是训练和评估大型语言模型在复杂技术问题上的推理与生成能力，特别是针对链式思维（Chain-of-Thought）和工具使用（Tool-use）的专项优化。研究人员利用该数据集对模型进行指令微调，以提升其在嵌入式C编程、Linux内核、TCP/IP协议等专业主题上的准确回答与逻辑推导表现。

解决学术问题

该数据集有效解决了土耳其语技术领域高质量训练数据稀缺的学术研究问题，为低资源语言的专业知识建模提供了重要支撑。其意义在于通过多智能体辩论生成的严谨流程，确保了技术答案的准确性与逻辑连贯性，显著降低了模型在专业领域产生幻觉或错误的风险。这为探索语言模型在特定语言与技术交叉领域的适应性与泛化能力奠定了实证基础，推动了跨语言技术助手的研究进展。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在土耳其语专业领域模型的优化与评估框架构建上。例如，以Qwen2.5-Coder-7B-Instruct模型为基座，通过QLoRA等高效微调技术进行适配的研究，验证了数据集在提升模型技术代码生成与问题分解能力方面的有效性。此外，相关工作也探索了如何将数据集中的链式思维与工具使用模式迁移至其他技术领域或语言，扩展了专业指令数据集的构建方法论。