Kenning by RuneLab: ay ışığındaki bir balkonda rün işlemeli bir taş levha ve ona bağlanan uçuşan parşömenler.

Kenning Turkish Legal

Modeller

EmbeddingGemma 2'den ince ayarlanmış, Türkçe hukuk metinleri için bilgi getirme embedding'leri. RuneLab'in bir embedding modeli; Hati ya da Sköll modeli değil.

YayınlandıApache 2.00,3B

Hugging Face'te görüntüleyinTüm modeller

Kenning Turkish Legal, Türkçe hukuk metinlerini embedding'lere çevirir: bir aramanın yalnızca birebir sözcükleri değil, anlamı da eşleştirmesini sağlayan sayı listeleri. Doğru sözleşmeleri, içtihadı ve mevzuatı bulmak için yapıldı; örneğin bir RAG hattının ilk bilgi getirme adımı olarak kullanılabilir. RuneLab tarafından yapıldı ve Hati ya da Sköll modeli değildir.

Google'ın EmbeddingGemma 2 modelinden (271M parametre) ince ayarlandı ve 7 Ekim 2026'da Apache 2.0 lisansıyla yayınlandı. Mizan hukuk kıyaslamasında, kendi değerlendirmemizde, hukuk ortalamasında ve sözleşme, içtihat ve mevzuat görevlerinde temel modelinin üzerinde puan alıyor. bge-m3 ile karşılaştırınca tablo karışık: hukuk ortalamasında ve sözleşmelerde biraz altında, içtihat ve mevzuatta üstünde.

Bir bakışta

Kısa bilgiler

#

Kenning Turkish Legal

Model kartında yazdığı gibi

Hugging Face'te görüntüleyin
Parametre
0,3B
Lisans
Apache 2.0
Yayın tarihi
Parametre
0,3B (temel modelde 271M)
Temel model
Google EmbeddingGemma 2
Embedding boyutu
768 boyutta değerlendirildi (truncate_dim=768); kart özgün boyutu belirtmiyor
Ağırlıklar
F32 safetensors
Görev
Türkçe hukuk metinlerinde bilgi getirme: sözleşmeler, içtihat, mevzuat
Diller
Türkçe, İngilizce (etiketli); 6 görevde çok dilli sonuçlar
Lisans
Apache 2.0
Yayın tarihi
(temel model: 6 Ekim 2026)
Hugging Face'te model
runelab-ai/kenning-turkish-legal-v1

Bu bilgiler model kartında yazdığı gibidir. Kart, Kenning için bir bellek ihtiyacı belirtmiyor; bu yüzden burada listelenmedi.

Doğru kullanım

Ne için?

#

Kullanım alanları

#
  • Türkçe hukuk belgelerinde anlamsal arama: sözleşmeler, içtihat ve mevzuat
  • RAG hatlarında ilk aşama bilgi getirme
  • İnsan incelemesiyle çalışan hukuki araştırma araçları için aday getirme

Ne için değil?

#
  • Genel Türkçe embedding işleri
  • Ana hedef olarak anlamsal metin benzerliği (STS)
  • Başka dillerden ya da başka hukuk sistemlerinden hukuk derlemleri

Sonuçları insanlar kontrol etmelidir. Kenning aday pasajları bulur; hukuki görüş vermez.

Bu tür aramanın nasıl çalıştığını, elinizle gezdirebileceğiniz bir haritayla görmek ister misiniz? Doğru maddeyi bulmak yazısını okuyun.

Kendi değerlendirmemizde

Kıyaslamalar

#

Bu bölümdeki her sayı, model kartında bildirildiği gibi, kendi değerlendirmemizden gelir. Skor nDCG@10'dur (yüksek olan iyidir, en çok 100) ve 768 boyutta ölçülmüştür: doğru pasajları ilk on sonucun üst sıralarına koymayı ödüllendirir. Çizgili çubuklar temel model EmbeddingGemma 2'dir. Dolu çubuklar Kenning'dir. Noktalı çubuklar karşılaştırma için gösterilen bge-m3'tür.

Mizan: Türkçe hukuki bilgi getirme

#

Mizan'ın üç hukuk görevi (sözleşmeler, içtihat ve mevzuat) ve bunların ortalaması vardır.

Mizan, 768 boyutta nDCG@10: temel model, Kenning ve bge-m3

Hukuk ortalaması+2,50
Sözleşmeler+4,54
İçtihat+0,84
Mevzuat+2,13

Skor, 0 ile 100 arası

Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.

  • Temel model
  • Kenning
  • bge-m3

Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.

Mizan, 768 boyutta nDCG@10: temel model, Kenning ve bge-m3
GörevTemel modelKenning Turkish Legalbge-m3Değişim
Hukuk ortalaması48,4450,9451,14+2,50
Sözleşmeler76,7381,2786,08+4,54
İçtihat29,6730,5129,30+0,84
Mevzuat38,9141,0438,04+2,13

Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.

Kenning, her satırda temel modelini geçer: hukuk ortalamasında +2,50, sözleşmelerde +4,54, içtihatta +0,84 ve mevzuatta +2,13. bge-m3'ün yanında hukuk ortalamasında biraz altında (50,94'e karşı 51,14), sözleşmelerde belirgin biçimde altında (81,27'ye karşı 86,08); içtihatta (30,51'e karşı 29,30) ve mevzuatta (41,04'e karşı 38,04) ise üstündedir.

Peki Kenning, bge-m3'ten daha mı iyi?

Her alanda değil. Kendi değerlendirmemizde içtihat ve mevzuatta önde, sözleşmelerde ve hukuk ortalamasında geride. Karar vermeden önce ikisini de kendi belgelerinizle deneyin.

Hukuk araması dışında

#

Değişimler her iki yönde de küçük: STSbTR −1,16, Türkçe 14 görev ortalaması +0,17, İngilizce 10 görev ortalaması −0,25 ve çok dilli 6 görev ortalaması +0,27.

Genel kıyaslamalar, temel model ve Kenning

STSbTR−1,16
Türkçe, 14 görev ortalaması+0,17
İngilizce, 10 görev ortalaması−0,25
Çok dilli, 6 görev ortalaması+0,27

Skor, 0 ile 100 arası

Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.

  • Temel model
  • Kenning

Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.

Genel kıyaslamalar, temel model ve Kenning
GörevTemel modelKenning Turkish LegalDeğişim
STSbTR78,8977,73−1,16
Türkçe, 14 görev ortalaması66,5966,75+0,17
İngilizce, 10 görev ortalaması67,2366,98−0,25
Çok dilli, 6 görev ortalaması75,9376,21+0,27

Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.

Deneyin

Nasıl çalıştırılır?

#

Sabitlenmiş sürümleri kurun. Kart, EmbeddingGemma 2 modellerini yüklemek için torchvision ve pillow'un gerektiğini not ediyor.

KurulumShell
pip install "transformers==5.19.0" "sentence-transformers==6.1.0" torchvision pillow

Sonra arama yapın. İki ayrıntı önemli: sorgulara task: search result | query: istemi verilir, belgeler ise encode_document üzerinden geçer. Kart, Kenning'i 768 boyutta değerlendirdi; bu yüzden örnekte truncate_dim=768 ayarlanır.

Kenning ile aramaPython
from sentence_transformers import SentenceTransformer

model = SentenceTransformer("runelab-ai/kenning-turkish-legal-v1", truncate_dim=768)

query_prompt = "task: search result | query: "
queries = ["..."]  # your questions, in Turkish
documents = ["...", "..."]  # your legal text passages

query_embeddings = model.encode(queries, prompt=query_prompt)
document_embeddings = model.encode_document(documents)
scores = model.similarity(query_embeddings, document_embeddings)
print(scores)

Kaputun altında

Nasıl eğitildi?

#

Kenning, yaklaşık 17k çift üzerinde karşılaştırmalı (contrastive) öğrenmeyle, Matryoshka kaybı içinde CachedMultipleNegativesRanking kullanılarak ince ayarlandı. Karttaki ayarlar:

Toplu iş boyutu (batch)
256
Hassasiyet
bf16
Öğrenme hızı
2e-5
Epoch
1
Yayınlanan ağırlıklar
temel ağırlıklarla 50/50 ortalandı

Son satır önemli: indirdiğiniz ağırlıklar, ince ayarlı ağırlıklarla temel modelin ağırlıklarının eşit bir karışımıdır.

İsim

Adın hikâyesi

#

Kenning, Eski Nors şiirinde bir şeyi mecazi bir bileşikle adlandırma sanatıdır; örneğin deniz için “balina yolu”. Bir embedding de metne benzer bir şey yapar: bir pasajın ne anlama geldiğini sıkıştırılmış biçimde yeniden söyler. Kenning bir Hati ya da Sköll modeli değildir. Adını aynı Nors dünyasından ödünç alan, ayrı bir RuneLab modelidir.