Hati Glint SQL
SQL için özelleştirilmiş ilk Hati modeli: Türkçe soruları SQLite sorgularına çevirir.
YayınlandıApache 2.09B
Hati Glint SQL, SQL için özelleştirilmiş ilk Hati modelidir. Verileriniz hakkındaki bir soruyu Türkçe sorarsınız; model, yanıtı veren SQLite sorgusunu yazar. İş zekâsı, analitik ve yapay zekâ ajanlarının SQL adımı için tasarlandı; kurum içinde (on-premise) kurulabilir.
Qwen3.5-9B temel alınarak ince ayarlanan model, 10 Ekim 2026'da Apache 2.0 lisansıyla yayınlandı. Model kartı onu, İngilizce ifadesinin çevirisiyle, “kendi değerlendirmemizde 10B altındaki en güçlü açık Türkçe text-to-SQL modeli” diye tanımlıyor. Niteleyici ifadeye dikkat edin: bu, aşağıdaki kıyaslamalarda kendi değerlendirmemizin sonucudur; genel bir sıralama değildir.
Bir bakışta
Kısa bilgiler
#
- Parametre
- 9B
- Lisans
- Apache 2.0
- Yayın tarihi
- Parametre
- Kartta 9B (Hugging Face sayfası 10B listeler, BF16 ve F32)
- Temel model
- Qwen3.5-9B
- İnce ayar
- LoRA (r=32, alpha=64)
- Görev
- Türkçe sorulardan SQLite sorgularına
- Diller
- Türkçe, İngilizce
- Lisans
- Apache 2.0
- Yayın tarihi
- Bellek ihtiyacı
- bf16 ağırlıklar için yaklaşık 16,8 GB GPU belleği
- Hugging Face'te model
- runelab-ai/Hati-Glint-SQL-9B-v1
Bu bilgiler model kartında yazdığı gibidir.
Doğru kullanım
Ne için?
#Kullanım alanları
#- SQLite veritabanları üzerinde Türkçe veri soruları
- Yapay zekâ ajanlarının SQL adımı
- Kurum içi (on-premise) kurulum
- Genel Türkçe sohbet
- İş sistemlerinde araç çağırma
Kapsam dışı
#- Üretilen SQL'i yazma izniyle ya da incelemeden çalıştırmak
- SQLite dışındaki SQL lehçeleri
- Erişim denetimi ya da güvenlik kararları
Kısacası: üretilen SQL'i, herhangi bir şey ona dayanmadan önce bir kişinin ya da salt okunur bir sanal ortamın (sandbox) denetleyeceği bir taslak olarak görün.
Kurgusal bir dükkân üzerinde, adım adım çalışırken görmek ister misiniz? Veritabanınıza Türkçe sorun yazısını okuyun.
Kendi değerlendirmemizde
Kıyaslamalar
#Bu bölümdeki her sayı, model kartında bildirildiği gibi, kendi değerlendirmemizden gelir. Temel model Qwen3.5-9B (
Türkçe text-to-SQL
#TURSpider dev ve BIRDTurk dev Türkçe değerlendirme setleridir. Her biri üç biçimde çalıştırılır: doğrudan (tek yanıt), düşünme modu ve ajan (düşünme artı geri bildirim).
Yürütme doğruluğu (%), temel model ve Hati Glint SQL
Tek yanıt, düşünme modu kapalı.
Skor, 0 ile 100 arası
Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.
- Temel model
- Hati Glint SQL
Çubuklar 0 ile 100 arasındadır. Kartın belirtmediği değişimler, gösterilen yuvarlanmış skorlardan hesaplanmıştır.
| Ayar | Temel model | Hati Glint SQL | Değişim |
|---|---|---|---|
| Doğrudan | 64,12 | 73,21 | +9,09 |
| Düşünme modu | 71,18 | 76,79 | +5,61 |
| Ajan (düşünme + geri bildirim) | 66,63 | 77,85 | +11,22 |
Çubuklar 0 ile 100 arasındadır. Kartın belirtmediği değişimler, gösterilen yuvarlanmış skorlardan hesaplanmıştır.
| Ayar | Temel model | Hati Glint SQL | Değişim |
|---|---|---|---|
| Doğrudan | 40,09 | 47,26 | +7,17 |
| Düşünme modu | 48,11 | 54,37 | +6,26 |
| Ajan (düşünme + geri bildirim) | 43,35 | 55,35 | +12,00 |
Çubuklar 0 ile 100 arasındadır. Kartın belirtmediği değişimler, gösterilen yuvarlanmış skorlardan hesaplanmıştır.
Hati Glint SQL, altı ayarın hepsinde temel modelden yüksek puan alır; fark +5,61 ile +12,00 puan arasındadır. Kazanç en çok ajan modunda (+11,22 ve +12,00), en az düşünme modunda (+5,61 ve +6,26) görülür.
Düşünme modu da kısaldı. Hati Glint SQL, TURSpider dev üzerinde 299 akıl yürütme token'ı kullandı; temel modelde bu sayı 1.089'dur. BIRDTurk dev üzerinde 522'ye karşı 1.582'dir.
İngilizce SQL ve araç çağırma
#İki test daha aynı yönde ilerledi: İngilizce Spider dev ve ayrılmış bir Türkçe sette araç çağırma.
İngilizce SQL ve araç çağırma (%), temel model ve Hati Glint SQL
Skor, 0 ile 100 arası
Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.
- Temel model
- Hati Glint SQL
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
| Görev | Temel model | Hati Glint SQL | Değişim |
|---|---|---|---|
| Spider dev (İngilizce) | 79,40 | 84,24 | +4,84 |
| Araç çağırma (ayrılmış Türkçe set) | 76,90 | 78,90 | +2,00 |
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
Genel yetenek: küçük düşüşler
#SQL için ince ayar, başka yerde küçük bir bedel ister. Dört genel kıyaslamada model, temel modelin biraz altında kalır: TurkishMMLU −1,11, Belebele-TR −0,45, XCOPA-TR −0,20 ve MMLU −0,20 puan.
Genel kıyaslamalar (%), temel model ve Hati Glint SQL
Skor, 0 ile 100 arası
Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.
- Temel model
- Hati Glint SQL
Çubuklar 0 ile 100 arasındadır. Kartın belirtmediği değişimler, gösterilen yuvarlanmış skorlardan hesaplanmıştır.
| Görev | Temel model | Hati Glint SQL | Değişim |
|---|---|---|---|
| TurkishMMLU | 66,22 | 65,11 | −1,11 |
| Belebele-TR | 86,67 | 86,22 | −0,45 |
| XCOPA-TR | 91,80 | 91,60 | −0,20 |
| MMLU | 78,80 | 78,60 | −0,20 |
Çubuklar 0 ile 100 arasındadır. Kartın belirtmediği değişimler, gösterilen yuvarlanmış skorlardan hesaplanmıştır.
Peki bir şey kötüleşti mi?
Biraz, evet. Düşüşler küçük; en büyüğü −1,11 ile TurkishMMLU'da. Asıl ihtiyacınız genel Türkçe bilgiyse, bu modeli seçmeden önce kendi sorularınızla deneyin.
Deneyin
Nasıl çalıştırılır?
#CUDA destekli bir GPU gerekir: bf16 ağırlıklar yaklaşık 16,8 GB GPU belleği tutar. torch'un CUDA sürümünü kurun (Windows'ta düz pip install torch yalnızca CPU sürümünü getirebilir); ardından transformers ve accelerate'i kartın sabitlediği sürümlerle kurun.
pip install torch --index-url https://download.pytorch.org/whl/cu128
pip install "transformers==5.19.0" "accelerate==1.15.0" huggingface_hubSonra modeli yükleyip üretin. Düşünme modu varsayılan olarak kapalıdır.
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
REPO = "runelab-ai/Hati-Glint-SQL-9B-v1"
tok = AutoTokenizer.from_pretrained(REPO)
model = AutoModelForCausalLM.from_pretrained(REPO, dtype=torch.bfloat16, device_map="cuda")
# Put your database schema and your Turkish question here (the card's agent/ folder has a prompt builder).
messages = [{"role": "user", "content": "..."}]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
enc = tok(text, return_tensors="pt").to(model.device)
out = model.generate(**enc, max_new_tokens=512, do_sample=False)
print(tok.decode(out[0, enc.input_ids.shape[1]:], skip_special_tokens=True))Düşünme modunu açmak için sohbet şablonuna enable_thinking=True verin ve kartın önerdiği gibi örnekleme yapın. Yanıt olarak yalnızca </think> sonrasındaki metni alın.
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=True)
enc = tok(text, return_tensors="pt").to(model.device)
out = model.generate(**enc, max_new_tokens=8192, do_sample=True, temperature=0.6, top_p=0.95, top_k=20)
# Keep only the text after </think> as the answer.
answer = tok.decode(out[0, enc.input_ids.shape[1]:], skip_special_tokens=True).split("</think>")[-1]vLLM desteklenir (kart 0.31.0 sürümünü denedi). Kartın agent/ klasöründe bir istem oluşturucu ile salt okunur bir sanal ortamda çalışan ve hata alınca yeniden deneyen bir HatiSQLAgent sarmalayıcısı bulunur. İsteğe bağlı flash-linear-attention ve causal-conv1d paketleri, A100 80GB üzerinde tek akışlı hızı saniyede 21,8 token'dan 26,1 token'a çıkardı.
İsim
Adın hikâyesi
#Hati, ayın peşinden koşan kurttur; Hati ailesi de ayı ilk ışıktan dolunaya kadar dört kademede izler: Glint, Crescent, Halfmoon ve Fullmoon. Glint SQL, SQL için özelleştirilmiş Glint kademesidir. Crescent, Halfmoon ve Fullmoon yayınlanmadı.
GlintYayınlandı
CrescentYakında
HalfmoonYakında
Glint yayınlandı. Diğer üç kademe yalnızca adıyla duyuruldu.