Instructions to use cisimcik/cisimcik-base with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use cisimcik/cisimcik-base with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="cisimcik/cisimcik-base")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("cisimcik/cisimcik-base")
model = AutoModelForCausalLM.from_pretrained("cisimcik/cisimcik-base", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use cisimcik/cisimcik-base with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "cisimcik/cisimcik-base"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "cisimcik/cisimcik-base",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/cisimcik/cisimcik-base

SGLang

How to use cisimcik/cisimcik-base with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "cisimcik/cisimcik-base" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "cisimcik/cisimcik-base",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "cisimcik/cisimcik-base" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "cisimcik/cisimcik-base",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use cisimcik/cisimcik-base with Docker Model Runner:
```
docker model run hf.co/cisimcik/cisimcik-base
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

cisimcik-base

cisimcik-base, Türkçe öncelikli bir temel (base) dil modelidir (base model). Qwen/Qwen3.5-4B-Base modelinin, çoğunlukla Türkçe metinle devam ön eğitiminden (continued pre-training) eğitilmiş halidir.

4,2 milyar parametre. Qwen3.5 hibrit mimarisi (Gated DeltaNet + full attention), yalnızca metin.
10B token training. %91,5 Türkçe, %8,5 replay (İngilizce, kod, matematik, 23 başka dil).
Apache 2.0 lisansıyla açık kaynak olarak yayınlandı.

Hızlı başlangıç

pip install "transformers>=5.17" torch
# isteğe bağlı, NVIDIA GPU'larda daha hızlı Gated DeltaNet kernel'leri:
pip install flash-linear-attention

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("cisimcik/cisimcik-base")
model = AutoModelForCausalLM.from_pretrained("cisimcik/cisimcik-base", dtype=torch.bfloat16)
model = model.to("cuda" if torch.cuda.is_available() else "cpu").eval()

inputs = tok("Kapadokya'daki peri bacaları,", return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=150, do_sample=True, temperature=0.7, top_p=0.9)
print(tok.decode(out[0], skip_special_tokens=True))

Bu bir temel modeldir. Sadece verilen prompt'u tamamlar, sohbet etmez. Sohbet için cisimcik-4b kullanın.

Donanım. Ağırlıklar bf16'da yaklaşık 8,4 GB: 12 GB veya üzeri belleğe sahip herhangi bir GPU ya da 16 GB RAM'li bir CPU yeterlidir. flash-linear-attention kurulu değilse Gated DeltaNet katmanları transformers'ın PyTorch uygulamasını kullanır. Bu doğru sonuç verir ama uzun girdilerde daha yavaştır.

Görev kıyaslamalarına bu model üzerine eğitilen modellerden ulaşılabilir: cisimcik-4b (CETVEL, OpenLLM Turkish Leaderboard) ve tau-4b.

Mimari

Parça	Ayrıntı
Model	Qwen3.5-4B metin modeli (`Qwen3_5ForCausalLM`): 32 katman, hidden size 2560, MLP 9216. Her 4. katman full attention (16 query / 4 KV head, head dim 256), diğer 24'ü Gated DeltaNet linear attention.
Dictionary	248.320, Qwen3.5 tokenizer'ı değiştirilmeden. Tied embedding'ler.
Temel modelden çıkarılanlar	görüntü kodlayıcı (vision encoder) ve çoklu token tahmini (MTP) katmanı
Parametre	4,21 milyar
Context	16.384 token'a kadar dizilerle eğitildi. Pozisyonlar 262.144'e kadar gider (temel modelden)

Dosyalar

Dosya	İçerik
`model-0000*-of-00002.safetensors`	ağırlıklar (bf16)
`config.json`	`Qwen3_5ForCausalLM` config'i
`tokenizer*.json`, `vocab.json`, `merges.txt`	Qwen3.5 tokenizer'ı, değiştirilmeden

Lisans

Bu depodaki ağırlıklar Apache License 2.0 ile yayımlanmıştır (bkz. LICENSE ve NOTICE). Model, Qwen/Qwen3.5-4B-Base © 2026 Alibaba Cloud, Apache License 2.0 lisanslı modelin değiştirilmiş bir sürümüdür. Temel model Qwen/Qwen3.5-4B-Base'dir.

Atıf

@misc{cisimcikbase2026,
  title  = {cisimcik-base: a Turkish-first base language model},
  author = {cisimcik},
  year   = {2026},
  url    = {https://huggingface.co/cisimcik/cisimcik-base}
}

Downloads last month: 251

Safetensors

Model size

4B params

Tensor type

BF16

Model tree for cisimcik/cisimcik-base

Base model

Qwen/Qwen3.5-4B-Base

Finetuned

(270)

this model

Finetunes

2 models

Quantizations

1 model