# Marul-SFT-TR [English](README.md) | **Türkçe** Marul-SFT-TR, **99.847 sohbetten** oluşan Türkçe bir ince ayar (SFT) veri setidir. Dil modellerine Türkçede gerçekten işe yarayan bir asistan olmayı öğretmek için hazırlandı: doğal ve çok turlu sohbet etmeyi, sistem mesajına uymayı, cevap vermeden önce kısaca düşünmeyi, gerçekten gerektiğinde araç çağırmayı ve bir şeyi bilmediğinde bunu dürüstçe söylemeyi. Sohbetlerin tamamı Türkçedir ve her asistan cevabının yanında kısa bir düşünme metni bulunur. Veri olduğu gibi eğitime hazırdır. Tokenize edilmemiştir, bu yüzden istediğiniz modelle ve istediğiniz sohbet şablonuyla kullanabilirsiniz. ## Kısaca | | | |---|---| | Sohbet sayısı | 99.847 | | Mesaj sayısı | 662.640 (sohbet başına ortalama 6,6) | | Çok turlu sohbetler (en az 2 kullanıcı turu) | 85.552 (%85,7) | | Sistem mesajlı sohbetler | 78.307 (%78,4), 55.208 farklı sistem mesajı | | Düşünme metni olan asistan cevapları | 291.291 / 291.291 (%100) | | Araç tanımı içeren sohbetler | 16.724 (%16,7) | | Araç çağrısı | 12.778 sohbette toplam 24.510 | | Farklı araç adı | 9.571 | | Kategori | 18 | | Görev türü | 244 | | Dil | Türkçe | | Lisans | Apache 2.0, atıf zorunlu | ## Neden bu veri seti Kaliteli Türkçe talimat verisi hâlâ az. Mevcut olanların çoğu ya İngilizceden çevrilmiş, ya tek turlu ya da dar kapsamlı. Marul-SFT-TR baştan Türkçe için tasarlandı; Türk kültürü, günlük hayat, kurumlar ve konuşma alışkanlıkları gözetilerek hazırlandı. Veri setindeki kullanıcılar gerçek insanlar gibi yazıyor: kimi resmî bir dil kullanıyor, kimi Türkçe karakter kullanmadan yazıyor, kimi yazım hatası yapıyor, kimi argo ya da emoji kullanıyor. Asistan hepsini anlamayı ve açık, doğru bir Türkçeyle cevap vermeyi öğreniyor. ## Nasıl hazırlandı Sohbetler sentetik bir veri üretim süreciyle oluşturuldu. Her örnek ayrıntılı bir tariften başlıyor: 244 görev türünden biri, bir kategori, bir sistem mesajı, bir kullanıcı profili ve yazım tarzı, hedef uzunluk, tur sayısı ve araç görevlerinde o senaryo için tasarlanmış araç tanımları. Bu sayede her sohbet amacı, tonu ve yapısıyla diğerlerinden farklı. Ardından her aday sohbet, birkaç katmandan oluşan bir kalite kontrolünden geçti: * **Otomatik kontroller.** Biçim, uzunluk, dil temizliği, sızan talimatlar, bozuk araç çağrıları, robotik ya da kalıp ifadeler ve benzeri yaygın sorunlar kodla kontrol edildi. * **Tekrar ayıklama.** Birbirine çok benzeyen sohbetler üretim sırasında MinHash benzerliğiyle elendi. Son dosyada birebir aynı iki sohbet yok. * **Hakem model incelemesi.** Bağımsız bir hakem model her sohbeti tek tek inceledi. Olgusal hataları ve uydurma ayrıntıları aradı, her hesabı yeniden yaptı. Ayrıca sistem mesajına ve kullanıcının kısıtlarına uyulup uyulmadığını, araçların yerinde seçilip kullanılıp kullanılmadığını, araç sonuçlarının eksiksiz aktarılıp aktarılmadığını, sohbetin turlar boyunca tutarlı kalıp kalmadığını, düşünme metninin işe yarayıp yaramadığını ve Türkçenin düzgün ve doğal olup olmadığını kontrol etti. Gereksiz retler ve robotik ifadeler için de puan kırdı. Yalnızca kritik hatası olmayan ve 10 üzerinden en az 8 alan sohbetler tutuldu. Tutulan sohbetlerin ortalama puanı 8,58 (8: %44,4, 9: %52,7, 10: %2,8). 231.718 üretim denemesinden 100.014'ü bütün kontrolleri geçti; kabul oranı yaklaşık %43. Yayımlanan dosyanın son denetiminde küçük kusurları olan 167 sohbet daha çıkarıldı ve geriye 99.847 sohbet kaldı. ## Veri biçimi Veri seti tek bir JSON Lines dosyasıdır: `marul_sft_tr.jsonl`. Her satır bir sohbettir ve iki alandan oluşur: * **`messages`**: sohbetin mesaj listesi. Her mesajda aynı dört anahtar bulunur: * `role`: `system`, `user`, `assistant` ya da `tool` * `content`: mesajın metni (yalnızca araç çağıran bir asistan mesajının metni boş olabilir) * `reasoning_content`: asistanın cevabından önceki kısa düşünmesi (yalnızca asistan mesajlarında, diğerlerinde `null`) * `tool_calls`: asistanın yaptığı araç çağrıları, OpenAI biçiminde; `arguments` bir JSON metnidir (yalnızca araç çağıran asistan mesajlarında, diğerlerinde `null`) * **`tools`**: o sohbette kullanılabilen araçların tanımları. OpenAI fonksiyon biçimindeki (`{"type": "function", "function": {"name", "description", "parameters"}}`) araç listesini içeren bir JSON metnidir; aracı olmayan sohbetlerde `null`. Her sohbet kendi araçlarını tanımladığı için liste metin olarak saklanır; böylece her satırın şeması aynı kalır ve veri hızlı yüklenir. Araç sonuçları, asistanın çağrısından sonra gelen `tool` mesajlarında ve çağrılarla aynı sırada verilir. Aşağıda tam bir örnek var. Kullanıcı emlak vergisi borcunu soruyor. Asistan iki araçtan doğru olanı seçiyor, sonucu okuyor ve açıklıyor: ```json { "messages": [ { "role": "user", "content": "ben vergi borcu kontrol etmek istiyorum emlak vergisi ne kadar çıktı bi bakar mısın", "reasoning_content": null, "tool_calls": null }, { "role": "assistant", "content": "", "reasoning_content": "Kullanıcı emlak vergisi borcunu soruyor; vergi türü belli, bu yüzden check_tax_debt uygun. trafikCezasi plaka istiyor, burada alakasız. tax_type enum'dan \"emlak\" seçilmeli, zorunlu parametre bu.", "tool_calls": [ {"type": "function", "function": {"name": "check_tax_debt", "arguments": "{\"tax_type\": \"emlak\"}"}} ] }, { "role": "tool", "content": "{\"borclar\":[{\"tur\":\"Emlak\",\"donem\":\"2026/1. taksit\",\"tutar\":1850.0,\"son_odeme\":\"2026-01-31\",\"gecikme_zammi\":0.0}],\"toplam\":1850.0}", "reasoning_content": null, "tool_calls": null }, { "role": "assistant", "content": "Emlak vergisinde şu an görünen borç 1.850 TL. Bu 2026 1. taksit ve son ödeme tarihi 31 Ocak 2026. Henüz vadesi geçmediği için gecikme zammı yok, ödemeyi son güne kadar yaparsan ekstra bir ücret çıkmaz.", "reasoning_content": "Sonuçta tek bir emlak vergisi kaydı var: 2026/1. taksit, 1850 TL, son ödeme 31 Ocak 2026, gecikme zammı yok. Toplam da 1850 TL. Bunu sade biçimde aktarmalıyım.", "tool_calls": null } ], "tools": "[{\"type\": \"function\", \"function\": {\"name\": \"check_tax_debt\", \"description\": \"Kullanıcının vadesi gelmiş vergi borçlarını getirir.\", \"parameters\": {\"type\": \"object\", \"properties\": {\"tax_type\": {\"type\": \"string\", \"description\": \"Vergi türü\", \"enum\": [\"mtv\", \"emlak\", \"gelir\", \"hepsi\"]}}, \"required\": [\"tax_type\"]}}}, {\"type\": \"function\", \"function\": {\"name\": \"trafikCezasi\", \"description\": \"Araç plakasıyla trafik cezası sorgulaması yapar.\", \"parameters\": {\"type\": \"object\", \"properties\": {\"plaka\": {\"type\": \"string\", \"description\": \"Araç plakası, ör. 34 ABC 123\"}}, \"required\": [\"plaka\"]}}}]" } ``` ## İçerik ### Kategoriler Sohbetler 18 kategoriye ve 244 görev türüne yayılıyor. | Kategori | Sohbet | Pay | Görev türü | Kapsamı | |---|---:|---:|---:|---| | Araç kullanımı | 13.404 | %13,4 | 16 | Açıklamasına bakarak doğru aracı seçme, parametreleri kullanıcının söylediklerinden çıkarma, ardışık ve paralel çağrılar, eksik bilgiyi sorma, hata ve boş sonuçlarla başa çıkma, işlem öncesi onay alma, araç sonucuna gizlenmiş talimatlara uymama ve araç gerekmediğinde araçsız cevap verme | | Dil ve metin işleme | 8.728 | %8,7 | 19 | Özetleme, yazım ve noktalama düzeltme, ton değiştirerek yeniden yazma, bilgi çıkarma, deyim ve atasözleri, kelime anlamları, dil bilgisi, duygu analizi, Türkçe karakterleri geri getirme, metin sınıflandırma | | Bilgi ve açıklama | 8.615 | %8,6 | 15 | Fen bilimleri, Türk ve dünya tarihi, coğrafya, ekonomi, teknoloji, edebiyat, felsefe, sanat, spor ve aynı konuyu farklı seviyelerde anlatma | | Günlük sohbet ve kişilik | 7.716 | %7,7 | 14 | Gündelik muhabbet, empati ve duygusal destek, kutlama ve taziye, Türk kültürü, espri ve bilmeceler, sohbet oyunları, kaba kullanıcılara sakin cevaplar | | Talimat ve sistem mesajı takibi | 6.718 | %6,7 | 14 | Bir politikaya bağlı müşteri asistanları, katı biçim ve uzunluk kuralları, konusu sınırlı asistanlar, sistem ile kullanıcının çatışması, rol yapma, sohbet ortasında değişen kurallar | | Matematik | 6.278 | %6,3 | 17 | Günlük hesaplar, yüzdeler, dört işlem, klasik problemler, geometri, kesirler, denklemler, tarih ve saat hesapları, birim dönüşümü, kullanıcının çözümündeki hatayı bulma | | Yaratıcı yazarlık | 5.950 | %6,0 | 18 | Kısa öykü, hikâye devamı, masal, şiir, senaryo ve diyalog, mektup, kutlama mesajı, isim ve slogan, birkaç tur boyunca birlikte yazma | | Metne dayalı soru-cevap | 5.122 | %5,1 | 12 | Yalnızca yapıştırılan belgeye dayanarak cevap verme, tablo ve JSON üzerinde hesap, özetleme, sözleşme ve yönetmelik yorumlama, metinde olmayan bir şey sorulduğunda "metinde geçmiyor" deme | | Yapılandırılmış çıktı ve markdown | 4.736 | %4,7 | 15 | Markdown tablolar, şemaya uyan JSON, CSV, biçim dönüşümleri, kontrol listeleri, planlar, adım adım rehberler, katı çıktı biçimleri | | Pratik tavsiye | 4.440 | %4,4 | 16 | Yemek tarifleri, genel sağlık bilgisi, beslenme ve spor, kariyer ve mülakat, sınavlar, genel hukuk bilgisi, kişisel finans, seyahat, resmî işlemler | | Dürüstlük ve uydurmayı önleme | 4.365 | %4,4 | 10 | Kişi, kitap ya da kaynak uydurmama, yanlış öncülü düzeltme, emin olmadığını söyleme, baskı altında doğru cevabın arkasında durma, bilinen bir soruyu güvenle cevaplama | | Mantık ve çoktan seçmeli | 4.233 | %4,2 | 12 | Çoktan seçmeli sorular, sıralama bulmacaları, sayı dizileri, kıyas, analoji, tahmin soruları, okuduğunu anlama, şaşırtmacalı sorular | | Kod ve teknik | 4.228 | %4,2 | 12 | Python, SQL, JavaScript, HTML ve CSS, Excel formülleri, regex, terminal komutları, Git, hata ayıklama ve kod açıklama | | İşlevsel ve iş yazışmaları | 4.120 | %4,1 | 16 | E-posta, resmî yazışma düzenine uygun dilekçe, sosyal medya gönderisi, toplantı notu ve rapor, duyuru, müşteri cevabı, CV ve ön yazı, ürün açıklaması, davetiye | | Çeviri | 3.353 | %3,4 | 14 | Deyimlerin, phrasal verb'lerin, yanıltıcı benzer kelimelerin, arayüz metinlerinin, pazarlama ve haber metinlerinin İngilizceden Türkçeye ve Türkçeden İngilizceye kültürel uyarlamayla çevirisi | | Web araması | 3.320 | %3,3 | 8 | Yalnızca güncel bilgi gerektiğinde arama yapma, sayfa okuma, çelişen kaynaklarla başa çıkma, yalnızca sonuçlarda geçen adreslere kaynak gösterme | | Kimlik ve yetenekler | 2.437 | %2,4 | 9 | Asistanın kim olduğu, neler yapıp yapamadığı, başka yapay zekâ modelleriyle ilgili sorular, kimliğini değiştirme girişimleri | | Güvenlik ve dengeli ret | 2.084 | %2,1 | 7 | Yalnızca riskli görünen masum sorulara tam yardım, gerçekten zararlı isteklere kısa ve yargılamayan ret, mahremiyet, kriz durumları, jailbreak girişimleri | ### Çok turlu yapı | Kullanıcı turu | Sohbet | Pay | |---|---:|---:| | 1 | 14.295 | %14,3 | | 2 | 32.415 | %32,5 | | 3 | 28.893 | %28,9 | | 4 | 19.693 | %19,7 | | 5 ve üzeri | 4.551 | %4,6 | Sonraki turlar öncekilerin üzerine kuruluyor: kullanıcılar ek sorular soruyor, fikir değiştiriyor, yeni kısıtlar ekliyor ya da daha önce söyledikleri bir şeye geri dönüyor; asistanın bunların hepsini aklında tutması gerekiyor. Önceki asistan turlarının düşünme metinleri sohbette korunuyor; böylece model daha önce düşündükleriyle tutarlı kalmayı da öğreniyor. ### Sistem mesajları Sohbetlerin %78,4'ü bir sistem mesajıyla başlıyor ve 55.208 farklı sistem mesajı var. Hiçbir sistem mesajı 471 defadan fazla geçmiyor. * %30,0'ı farklı üsluplarda yazılmış genel asistan mesajlarını kullanıyor. * %27,2'si o sohbet için özel yazılmış bir sistem mesajı kullanıyor: kendi fiyatları ve kuralları olan bir işletmenin müşteri asistanı, bir çocukla konuşan öğretmen, resmî bir banka ya da sigorta asistanı, kendi kuralları olan bir persona, yalnızca tek bir konuda yardım eden bir asistan ve daha birçoğu. Bunların bir kısmında bugünün tarihi, kullanıcının adı ya da konumu da yer alıyor ve asistanın bunları doğal biçimde kullanması bekleniyor. * %21,2'si geniş bir rol tanımları kütüphanesinden seçilen mesajları kullanıyor. * %21,6'sında hiç sistem mesajı yok; böylece model sistem mesajı olmadan da düzgün davranmayı öğreniyor. ### Kullanıcı yazım tarzları Eğitilen modelin gerçek Türkçe girdileri anlayabilmesi için kullanıcılar 17 farklı tarzda yazıyor: | Tarz | Pay | Tarz | Pay | |---|---:|---|---:| | Gündelik Türkçe | %32,4 | Konuşur gibi yazım | %3,2 | | Resmî, "siz" diliyle | %9,1 | Kısa ve aceleci | %3,2 | | Türkçe karaktersiz | %7,9 | Teknik uzman | %2,8 | | Uzun ve ayrıntılı | %7,7 | Çekingen, özür dileyen | %2,4 | | Yazım hatalı | %7,3 | Dağınık, konudan konuya atlayan | %2,2 | | Küçük harf ve noktalamasız | %5,9 | Yaşlı ve çok kibar | %1,9 | | Samimi ve esprili | %3,5 | Sinirli ve sabırsız | %1,9 | | Genç argosu | %3,4 | İngilizce kelimelerle karışık | %1,9 | | Emojili | %3,3 | | | ### Düşünme Her asistan mesajında bir `reasoning_content` alanı var: kullanıcının ne istediğine ve nasıl cevap verileceğine dair kısa, odaklı, Türkçe bir not (ortalama 28,7 kelime). Uzun düşünce zincirleri olmadan planlamayı öğretmek için tasarlandı. Araç görevlerinde, bir aracın diğerlerinden neden daha uygun olduğunu adına değil açıklamasına ve parametrelerine bakarak açıklıyor. Modelinizin düşünmesini istemiyorsanız bu alanı kullanmamanız yeterli. ### Araç kullanımı 16.724 sohbette standart JSON Schema biçiminde yazılmış araç tanımları var. Araç adları ve parametreleri çok çeşitli (9.571 farklı araç adı, sohbet başına ortalama 2,9 araç); Türkçe, İngilizce ve karışık adlar kullanılıyor. Böylece model adları ezberlemek yerine açıklamaları okumak zorunda kalıyor. * 12.778 sohbette en az bir araç çağrısı var; toplam 24.510 çağrı. * 7.138 sohbette birden fazla asistan turunda çağrı var; örneğin bir çağrının sonucu sonraki çağrının girdisi oluyor. * 1.281 sohbette paralel çağrı var: tek bir asistan turunda birbirinden bağımsız birkaç çağrı. * 3.946 sohbette araçlar mevcut ama doğru cevap hiçbirini çağırmamak; örneğin gündelik sohbet, genel bilgi ya da hiçbir aracın karşılayamadığı bir istek. Bütün araçlar ve araç sonuçları kurgusaldır ve simüle edilmiştir; gerçek hizmetlere karşılık gelmez. ### Uzunluk ve üslup Bir sohbet düşünme metinleri dâhil ortalama 444 kelime (medyan 409). Metin içeren asistan cevapları ortalama 84 kelime (medyan 68) ve uzunlukları göreve göre değişiyor: sohbetlerin %6,7'si kısa, %38,6'sı orta, %39,0'ı uzun ve %15,6'sı çok uzun. Sohbetler derli toplu: Türkçeye göre optimize edilmiş bir tokenizer ile her biri yaklaşık 2.000 tokene sığıyor. Yaygın kullanılan iki çok dilli tokenizer ve sohbet şablonlarıyla yaptığımız ölçümde sohbet başına ortalama 900 ile 1.100 arası, en fazla yaklaşık 3.500 token çıktı; yani 4.096 tokenlik bir bağlam uzunluğu bütün sohbetleri karşılıyor. Sohbetlerin %63,4'ünde yerinde markdown biçimlendirmesi, %16,8'inde asistan cevaplarında emoji var. ## Nasıl kullanılır ### Yükleme ```python from datasets import load_dataset ds = load_dataset("MarulAI/Marul-SFT-TR", split="train") print(ds) print(ds[0]["messages"]) ``` ### Sohbetleri eğitim metnine dönüştürme En kolay yol, her sohbeti eğitmek istediğiniz modelin sohbet şablonuyla işlemektir. `tools` alanı bir JSON metni olduğu için önce `json.loads` ile ayrıştırılması gerekir. `null` alanlar doğrudan atılabilir. ```python import json from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained("your-base-model") def clean_messages(messages, keep_reasoning=True): out = [] for m in messages: m = {k: v for k, v in m.items() if v is not None} if not keep_reasoning: m.pop("reasoning_content", None) if "tool_calls" in m: m["tool_calls"] = [ {"type": "function", "function": { "name": c["function"]["name"], "arguments": json.loads(c["function"]["arguments"]), }} for c in m["tool_calls"] ] out.append(m) return out def render(example): messages = clean_messages(example["messages"]) tools = json.loads(example["tools"]) if example["tools"] else None text = tokenizer.apply_chat_template(messages, tools=tools, tokenize=False) return {"text": text} train = ds.map(render, remove_columns=ds.column_names) ``` Bazı sohbet şablonları `reasoning_content` alanını doğrudan okur. Sizinki okumuyorsa düşünmeyi asistan mesajının içine kendiniz koyabilirsiniz; örneğin `` ve `` etiketleri arasına: ```python def merge_reasoning(messages): for m in messages: if m["role"] == "assistant" and m.get("reasoning_content"): m["content"] = "\n" + m.pop("reasoning_content") + "\n\n\n" + m.get("content", "") return messages ``` Düşünme destekleyen birçok sohbet şablonu yalnızca son kullanıcı mesajından sonraki turların düşünmesini tutar, önceki turlarınkini atar. Bütün düşünme metinleriyle eğitmek için geçmiş düşünmeleri koruyan bir şablon kullanın ya da her sohbeti asistan turu başına bir eğitim örneğine bölün. Sohbet şablonlarının destekledikleri şeyler farklıdır. Bazıları asistan turu başına yalnızca bir araç çağrısına izin verir, bazıları da sistem mesajını kabul etmez. Sizinkinde böyle bir sınır varsa paralel çağrı içeren 1.281 sohbeti dışarıda bırakabilir ya da sistem mesajını ilk kullanıcı mesajına taşıyabilirsiniz: ```python single_call = ds.filter(lambda x: all(len(m["tool_calls"] or []) <= 1 for m in x["messages"])) ``` En iyi sonuç için kaybı yalnızca asistan turları üzerinden hesaplayın; sistem, kullanıcı ve araç mesajlarını kayba katmayın. Çoğu eğitim kütüphanesi bunu "assistant only" ya da "completion only" seçeneğiyle destekler. ### Filtreleme Her sohbet kendi içinde bütün olduğu için istediğiniz gibi filtreleyebilirsiniz. Örneğin yalnızca araç çağrısı içeren sohbetleri almak için: ```python tool_convs = ds.filter(lambda x: any(m["tool_calls"] for m in x["messages"])) ``` ### Asistanın kimliği hakkında bir not Veri seti ilk olarak Marul AI'ın geliştirdiği Türkçe dil modeli Yedikule için hazırlandı. Bu yüzden sistem mesajlarının çoğu asistanı Yedikule olarak tanıtıyor ve kimlik sohbetleri (veri setinin yaklaşık %2,4'ü) asistana kendisinin Marul AI tarafından geliştirilen Yedikule olduğunu söylemeyi öğretiyor. Toplamda 54.243 sohbetin sistem mesajında, 2.250 sohbetin de asistan cevabında ya da düşünme metninde Yedikule veya Marul AI geçiyor. Bazı sohbetlerde kullanıcılar da asistana adıyla sesleniyor ("Selam Yedikule"). Farklı adlı bir model eğitiyorsanız, asistanın kendi kimliğinden söz ettiği sohbetleri dışarıda bırakıp adı geri kalan her yerde (sistem mesajları, kullanıcı mesajları ve düşünme metinleri) kendi adınızla değiştirebilirsiniz: ```python import re IDENTITY = re.compile(r"Yedikule|Marul AI", re.IGNORECASE) def no_identity_replies(x): return not any( m["role"] == "assistant" and (IDENTITY.search(m["content"] or "") or IDENTITY.search(m["reasoning_content"] or "")) for m in x["messages"] ) def rename(x, name="Asistan", org="Şirketim"): for m in x["messages"]: for key in ("content", "reasoning_content"): if m[key]: m[key] = m[key].replace("Marul AI", org).replace("Yedikule", name) return x ds_generic = ds.filter(no_identity_replies).map(rename) ``` Türkçede adlara ek geldiğini unutmayın ("Yedikule'nin", "Yedikule'yim"); adı değiştirdikten sonra eklerin yeni ada uyduğunu kontrol edin. ## Kullanım amacı * Türkçe sohbet asistanlarının ince ayarı: sıfırdan eğitilen küçük modellerden Türkçesinin güçlenmesi gereken büyük çok dilli modellere kadar. * Türkçede araç çağırmayı, sistem mesajına uymayı ve kısa düşünmeyi öğretme. * Türkçe talimat izleme, dürüstlük ve sohbet davranışı üzerine araştırmalar. ## Sınırlamalar * Sohbetler sentetiktir. Otomatik olarak ve bir hakem model tarafından kontrol edildiler, ancak hepsi tek tek bir insan tarafından okunmadı; bu yüzden bazı olgusal hatalar kalmış olabilir. * Sohbetlerdeki bilgiler 2026'ya kadarki dünyayı yansıtır. Sistem mesajlarında geçen tarihler senaryonun parçasıdır, gerçek zaman damgası değildir. * Sağlık, hukuk ve finans sohbetleri genel bilgi verir ve gerektiğinde uzmana başvurmayı önerir; profesyonel tavsiye yerine geçmez. * Veri seti Türkçeye odaklıdır. İngilizce, çeviri görevlerinde ve bazı kullanıcıların yazım tarzında geçer. ## Lisans Marul-SFT-TR, [Apache Lisansı 2.0](LICENSE) ile yayımlanmıştır. Atıf zorunludur: * Veri setini, bir bölümünü ya da değiştirilmiş bir sürümünü paylaşırsanız [LICENSE](LICENSE) ve [NOTICE](NOTICE) dosyalarını da birlikte paylaşın ve değiştirdiğiniz dosyaları belirtin. * Bu veri setiyle bir model eğitir ya da ince ayar yaparsanız, model kartınızda, makalenizde ya da dokümantasyonunuzda "Marul-SFT-TR by Ahmet Karakuş (Marul AI)" ifadesiyle ve bu sayfanın bağlantısıyla atıf yapmanızı rica ediyoruz. ## Atıf Bu veri setini kullandığınızda lütfen şu atfı ekleyin: ``` Bu çalışma Marul-SFT-TR veri setine dayanmaktadır. Marul-SFT-TR, 99.847 sohbetlik çok turlu Türkçe SFT veri seti. Ahmet Karakuş, Marul AI, 2026. https://huggingface.co/datasets/MarulAI/Marul-SFT-TR ``` Akademik çalışmalar için şu BibTeX kaydını kullanabilirsiniz: ```bibtex @misc{karakus2026marulsfttr, title = {{Marul-SFT-TR}: A {Turkish} Multi-Turn Instruction Dataset with Reasoning and Tool Use}, author = {Karakuş, Ahmet}, note = {Marul AI}, year = {2026}, howpublished = {\url{https://huggingface.co/datasets/MarulAI/Marul-SFT-TR}} } ```