Konfigürasyon Rehberi

ForgeLM tüm yapılandırma için YAML dosyalarını kullanır — bildirimsel, sürüm kontrollü ve CI/CD-uyumlu.

Tam açıklamalı örnek için config_template.yaml dosyasına bakın.

`model`

Alan	Tip	Varsayılan	Açıklama
`name_or_path`	string	zorunlu	HuggingFace model ID veya yerel yol
`max_length`	int	`2048`	Maksimum bağlam uzunluğu
`load_in_4bit`	bool	`true`	QLoRA 4-bit NF4 kuantizasyon
`backend`	string	`"transformers"`	`"transformers"` veya `"unsloth"` (desteklenen mimarilerde daha hızlı, Linux)
`trust_remote_code`	bool	`false`	Model depolarından özel kod çalıştırma. Güvenlik riski
`offline`	bool	`false`	İzole mod: HF Hub çağrısı yok. Modeller/veri setleri yerel olmalı
`revision`	string	`null`	Temel modeli + tokenizer'ı bir HF Hub commit SHA'sına (40-hex) veya branch/tag'e sabitle. Bugün uygulanıyor. Bkz. Hub revision pinleme
`bnb_4bit_use_double_quant`	bool	`true`	Ekstra VRAM tasarrufu için çift kuantizasyon
`bnb_4bit_quant_type`	string	`"nf4"`	Kuantizasyon tipi (`"nf4"` veya `"fp4"`)
`bnb_4bit_compute_dtype`	string	`"auto"`	Hesaplama dtype'ı: `"auto"`, `"bfloat16"`, `"float16"`, `"float32"` (son üçü kısa takma adları da kabul eder: `"bf16"`, `"fp16"`, `"fp32"`)

`model.moe` (İsteğe bağlı — MoE modeller)

Alan	Tip	Varsayılan	Açıklama
`quantize_experts`	bool	`false`	İnaktif expert ağırlıklarını int8'e kuantize et
`experts_to_train`	string	`"all"`	`"all"` veya virgülle ayrılmış indeksler

`model.multimodal` (İsteğe bağlı — VLM modeller)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	Görüntü-dil modeli (VLM) fine-tuning'i etkinleştir
`image_column`	string	`"image"`	Veri setinde görüntü yolu / URL'i taşıyan kolon adı
`text_column`	string	`"text"`	Metin / caption taşıyan kolon adı

`lora`

Alan	Tip	Varsayılan	Açıklama
`r`	int	`8`	LoRA rank. Yüksek = daha fazla parametre
`alpha`	int	`16`	LoRA ölçekleme faktörü
`dropout`	float	`0.1`	Dropout olasılığı
`bias`	string	`"none"`	`"none"`, `"all"` veya `"lora_only"`
`method`	string	`"lora"`	PEFT yöntemi: `"lora"`, `"dora"`, `"pissa"`, `"rslora"`
`use_dora`	bool	`false`	Kullanımdan kaldırıldı — `method: "dora"` için takma ad; v1.0.0'da kaldırılacak. `true` ayarlamak `DeprecationWarning` ile `method: "dora"`'ya yönlendirir. Bunun yerine `method` kullanın.
`use_rslora`	bool	`false`	Kullanımdan kaldırıldı — `method: "rslora"` için takma ad (r>64 için önerilir); v1.0.0'da kaldırılacak. `true` ayarlamak `DeprecationWarning` ile `method: "rslora"`'ya yönlendirir. Bunun yerine `method` kullanın.
`target_modules`	list	`["q_proj", "v_proj"]`	LoRA uygulanacak modüller
`task_type`	string	`"CAUSAL_LM"`	PEFT için görev tipi

use_dora ve use_rslora birbirini dışlar; her biri, farklı bir PEFT yöntemi belirten açıkça set edilmiş bir method ile de çelişir (ör. method: "rslora" iken use_dora: true) — her iki durum da config-load zamanında ConfigError (çıkış kodu 1) fırlatır. Kullanımdan kaldırılan boolean bayraklar yerine doğrudan method ayarlayın.

Kaldırma, daha erken değil v1.0.0'da gerçekleşecek; çünkü bir YAML alanını kaldırmak sürümleme politikasına göre bir MAJOR değişikliktir — bkz. docs/standards/release.md (İngilizce).

`training`

Alan	Tip	Varsayılan	Açıklama
`output_dir`	string	`"./checkpoints"`	Checkpoint kayıt dizini
`final_model_dir`	string	`"final_model"`	Nihai artefaktlar için alt dizin
`merge_adapters`	bool	`false`	Kaydedilmeden önce adapter'ları temel modele birleştir
`trainer_type`	string	`"sft"`	`"sft"`, `"dpo"`, `"simpo"`, `"kto"`, `"orpo"`, `"grpo"`
`max_steps`	int	`-1`	Sıkı adım üst sınırı. `-1` = `num_train_epochs` kullanılır; pozitif bir değer epoch'ları geçersiz kılar.
`num_train_epochs`	int	`3`	Eğitim epoch sayısı (yalnızca `max_steps == -1` iken dikkate alınır).
`per_device_train_batch_size`	int	`4`	GPU başına batch boyutu
`gradient_accumulation_steps`	int	`2`	Geri yayılımdan önce biriktirilecek adım sayısı
`learning_rate`	float	`2e-5`	Öğrenme oranı (hizalama için daha düşük: 5e-6)
`warmup_ratio`	float	`0.1`	Isınma oranı
`weight_decay`	float	`0.01`	AdamW ağırlık bozunumu
`eval_steps`	int	`200`	Her N adımda bir değerlendir
`save_steps`	int	`200`	Her N adımda bir checkpoint kaydet
`save_total_limit`	int	`3`	Tutulacak maksimum checkpoint sayısı
`early_stopping_patience`	int	`3`	Doğrulama kaybı iyileşmeden N değerlendirme sonra dur (yalnızca bir doğrulama bölünmesi varsa etkin).
`packing`	bool	`false`	Dizi paketleme (yalnızca SFT)
`report_to`	string	`"tensorboard"`	`"tensorboard"`, `"wandb"`, `"mlflow"`, `"none"`
`run_name`	string	`null`	W&B/MLflow çalışma adı (null ise otomatik üretilir)

OOM Recovery (Bellek Hatası Kurtarma)

CUDA bellek yetersizliği (out-of-memory) hatalarında per_device_train_batch_size değerini otomatik olarak yarıya indirir, gradient_accumulation_steps değerini ikiye katlar ve training'i yeniden dener. Efektif batch boyutu korunur.

Alan	Tip	Varsayılan	Açıklama
`oom_recovery`	bool	`false`	CUDA OOM hatalarında batch boyutunu küçülterek yeniden dene
`oom_recovery_min_batch_size`	int	`1`	Bu batch boyutuna ulaşınca denemeyi durdur

Örnek:

training:
  per_device_train_batch_size: 8
  gradient_accumulation_steps: 2
  oom_recovery: true
  oom_recovery_min_batch_size: 1

GaLore (Optimizer Seviyesinde Bellek Optimizasyonu)

Alan	Tip	Varsayılan	Açıklama
`galore_enabled`	bool	`false`	GaLore gradient düşük rank projeksiyonunu etkinleştir
`galore_optim`	string	`"galore_adamw"`	GaLore optimizer varyantı. Şunlardan biri: `"galore_adamw"`, `"galore_adamw_8bit"`, `"galore_adafactor"`, `"galore_adamw_layerwise"`, `"galore_adamw_8bit_layerwise"`, `"galore_adafactor_layerwise"`. `_8bit` optimizer-state VRAM'ini yarıya indirir; `_layerwise` per-layer recompute ile peak VRAM'i düşürür.
`galore_rank`	int	`128`	Gradient projeksiyonu için rank
`galore_update_proj_gap`	int	`200`	Projeksiyon güncellemeleri arası adım sayısı
`galore_scale`	float	`0.25`	GaLore ölçekleme faktörü
`galore_proj_type`	string	`"std"`	Projeksiyon tipi: `"std"`, `"reverse_std"`, `"right"`, `"left"`, `"full"`
`galore_target_modules`	`Optional[List[str]]`	`null`	GaLore uygulanacak modül-adı regex pattern'leri. `null` `[r"..attn.", r"..mlp."]`'ye düşer (attention + MLP katmanları).

Uzun Bağlam Eğitimi

Alan	Tip	Varsayılan	Açıklama
`rope_scaling`	`Optional[Dict[str, Any]]`	`null`	RoPE ölçekleme yöntemi sözlüğü (`{"type": "linear", "factor": 2.0}` vs.). Desteklenen tipler: `"linear"`, `"dynamic"`, `"yarn"`, `"longrope"`.
`neftune_noise_alpha`	float	`null`	NEFTune gürültü enjeksiyonu alpha değeri (ör. `5.0`)
`sliding_window_attention`	int	`null`	Kayan pencere dikkat boyutu (token)
`sample_packing`	bool	`false`	Kullanımdan kaldırıldı — `packing` için takma ad (TRL tek bir packing düğmesi sunar). `true` ayarlamak `DeprecationWarning` ile `packing: true`'ya yönlendirir; v1.0.0'da kaldırılacak. Bunun yerine `packing` kullanın.

Kaldırma, daha erken değil v1.0.0'da gerçekleşecek; çünkü bir YAML alanını kaldırmak sürümleme politikasına göre bir MAJOR değişikliktir — bkz. docs/standards/release.md (İngilizce).

GPU Maliyet Tahmini

Alan	Tip	Varsayılan	Açıklama
`gpu_cost_per_hour`	float	`null`	Özel GPU maliyet oranı (USD/saat). null ise GPU modelinden otomatik algılanır

Hizalama Parametreleri

Alan	Tip	Varsayılan	Kullanan
`dpo_beta`	float	`0.1`	DPO sıcaklık
`simpo_gamma`	float	`0.5`	SimPO marj terimi
`simpo_beta`	float	`2.0`	SimPO ölçekleme
`kto_beta`	float	`0.1`	KTO kayıp parametresi
`orpo_beta`	float	`0.1`	ORPO odds ratio ağırlığı
`grpo_num_generations`	int	`4`	GRPO: prompt başına yanıt
`grpo_max_completion_length`	int	`512`	GRPO: completion başına maksimum token (eski takma ad `grpo_max_new_tokens` kabul edilir)
`grpo_reward_model`	string	`null`	GRPO: ödül modeli yolu (HF veya yerel)
`grpo_reward_model_revision`	string	`null`	GRPO ödül modelini bir HF Hub commit SHA'sına veya ref'ine sabitle. `grpo_reward_model` olmadan reddedilir. Bugün uygulanıyor — ödül tokenizer'ını ve sequence-classification modelini aynı commit'e sabitler. Bkz. Hub revision pinleme

`data`

Alan	Tip	Varsayılan	Açıklama
`dataset_name_or_path`	string	zorunlu	HF veri seti ID veya yerel JSONL
`extra_datasets`	list	`null`	Karıştırılacak ek veri setleri
`mix_ratio`	list	`null`	Veri seti başına ağırlık (ör. `[0.7, 0.3]`)
`shuffle`	bool	`true`	Eğitim verisini karıştır
`clean_text`	bool	`true`	Fazladan boşlukları temizle
`add_eos`	bool	`true`	Dizilere EOS token'ı ekle

`data.governance` (İsteğe bağlı — EU AI Act Madde 10)

Alan	Tip	Varsayılan	Açıklama
`collection_method`	string	`""`	Veri toplama yöntemi
`annotation_process`	string	`""`	Etiketleme süreci
`known_biases`	string	`""`	Bilinen önyargılar
`personal_data_included`	bool	`false`	Kişisel veri içeriyor
`dpia_completed`	bool	`false`	Veri Koruma Etki Değerlendirmesi

`evaluation` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`auto_revert`	bool	`false`	Değerlendirme başarısız olursa modeli sil
`max_acceptable_loss`	float	`null`	eval_loss üst sınırı
`baseline_loss`	float	`null`	`null` ise otomatik hesaplanır
`require_human_approval`	bool	`false`	İnsan incelemesi için duraklat (çıkış kodu 4)

`evaluation.benchmark` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	lm-eval-harness benchmark'ları
`tasks`	list	`[]`	Görev isimleri (ör. `["arc_easy", "hellaswag"]`)
`num_fewshot`	int	`null`	Few-shot örnek sayısı (görev varsayılanı)
`batch_size`	string	`"auto"`	Değerlendirme batch boyutu
`limit`	int	`null`	Görev başına örnek sayısı (hızlı kontroller için)
`output_dir`	string	`null`	Benchmark sonuç JSON'unun yazılacağı yer. `null` = training `output_dir`.
`min_score`	float	`null`	Minimum ortalama doğruluk

enabled: true, tasks içinde en az bir görev gerektirir — görevi olmayan etkin bir benchmark kapısı config yüklemesinde reddedilir.

`evaluation.safety` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	Güvenlik sınıflandırıcı değerlendirmesi
`classifier`	string	`"meta-llama/Llama-Guard-3-8B"`	Güvenlik sınıflandırıcı modeli. Varsayılan kutudan çıkar çıkmaz çalışır: `classifier_mode: auto` altında generation tabanlı Llama-Guard puanlamasıyla değerlendirilir
`classifier_mode`	string	`"auto"`	Sınıflandırıcının nasıl puanlanacağı: `auto` (bilinen bir generative Llama-Guard checkpoint'i için generation, diğerleri için `text-classification`), `classification` (pipeline'ı zorlar — eğitilmiş `safe`/`unsafe` başlığı gerektirir) veya `generation` (generation tabanlı Llama-Guard puanlamasını zorlar)
`classifier_revision`	string	`null`	Zarar sınıflandırıcısını bir HF Hub commit SHA'sına veya ref'ine sabitle. Bugün eğitim döngüsü güvenlik kapısında uygulanıyor — sınıflandırıcı tokenizer'ını ve ağırlıklarını aynı commit'e sabitler. Bağımsız `forgelm safety-eval` hiçbir config almaz ve sınıflandırıcısını hâlâ sabitlenmemiş yükler. Bkz. Hub revision pinleme
`test_prompts`	string	`"safety_prompts.jsonl"`	Adversarial test prompt dosyası. Yerleşik: `configs/safety_prompts/`
`max_safety_regression`	float	`0.05`	Maksimum güvensiz oran (binary kapı). Baseline'a göreli değil, mutlak tavandır. Bağımsız alt komutta `forgelm safety-eval --max-safety-regression` ile de ayarlanabilir — o CLI'dan erişilebilen tek `evaluation.safety.*` değeri. Bkz. `safety_eval_subcommand-tr.md`
`scoring`	string	`"binary"`	Puanlama modu: `"binary"` veya `"confidence_weighted"`
`min_safety_score`	float	`null`	Ağırlıklı skor eşiği (confidence_weighted için)
`min_classifier_confidence`	float	`0.7`	Düşük güven uyarı eşiği
`track_categories`	bool	`false`	Llama Guard S1-S14 zarar kategorilerini ayrıştır
`severity_thresholds`	dict	`null`	Ciddiyet bazlı sınırlar: `{"critical": 0, "high": 0.01}`
`batch_size`	int	`8`	Güvenlik değerlendirmesi için batched generation boyutu. `1` batching'i devre dışı bırakır; geniş VRAM'de throughput için artırın, küçük VRAM'de OOM riskini azaltmak için düşürün.
`include_eval_samples`	bool	`false`	Ham `prompt` / `response` / `raw_verdict` dizgelerini `safety_results.json`'a yazar. GDPR / EU AI Act Madde 10 gizliliği için varsayılan olarak kapalı — adversarial prompt'lar ve yanıtlar hassas içerik açığa çıkarabilir; `raw_verdict` (`classifier_mode: generation` altında guard'ın kendi ürettiği metin) ise guard yanlış yapılandırıldığında probe'u yankılayabilir veya sürdürebilir. Yalnızca hata ayıklama için açın.

`evaluation.llm_judge` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	LLM-Hakim puanlama
`judge_model`	string	`"gpt-4o"`	Hakim modeli (API veya yerel)
`judge_api_key_env`	string	`null`	API anahtarı için ortam değişkeni adı (null = yerel hakim)
`judge_api_base`	string	`null`	Hakim API base URL'sini geçersiz kıl (Azure OpenAI, kendi barındırılan vLLM, OpenAI-uyumlu gateway, ör. `https://api.together.xyz/v1`). Tanımlı değilse SDK'nın varsayılan endpoint'i kullanılır.
`judge_model_revision`	string	`null`	Yerel judge modelini bir HF Hub commit SHA'sına veya ref'ine sabitle. `judge_api_key_env` ile birlikte reddedilir (API judge hiçbir şey yüklemez). Bugün uygulanıyor — judge tokenizer'ını ve ağırlıklarını aynı commit'e sabitler. Bkz. Hub revision pinleme
`eval_dataset`	string	`"eval_prompts.jsonl"`	Değerlendirme prompt dosyası
`min_score`	float	`5.0`	Minimum ortalama puan (1-10)
`batch_size`	int	`8`	LLM-hakim turunda puanlanan (prompt, completion) çift sayısı. `1` batching'i devre dışı bırakır.
`include_eval_samples`	bool	`false`	Ham eval `prompt`, `response` ve hakim `reason` dizgelerini `judge_results.json`'a yazar. GDPR / EU AI Act Madde 10 gizliliği için varsayılan olarak kapalı — hakim gerekçesi eval setinden PII alıntılayabilir. Yalnızca hata ayıklama için açın.

Hakim girdisi kırpma: her puanlama prompt'u oluşturulurken hakim, eval prompt'unun en fazla ilk 500 karakterini ve model yanıtının en fazla ilk 1000 karakterini görür. Bu, hakim prompt'unu sınırlı tutar (ve API yolunu ucuz kılar); tipik bir max_new_tokens üretim bütçesinin altındadır, bu yüzden çok uzun yanıtlar yalnızca baştaki bir parça üzerinden değerlendirilir. Bir satır gerçekten kırpıldığında ForgeLM tek seferlik bir WARNING kaydeder. Limitler sabittir (henüz config ile ayarlanamaz) — uzun biçimli ince ayarlar için min_score ayarlarken bunu göz önünde bulundurun.

Kaldırıldı: evaluation.staging_ttl_days, retention.staging_ttl_days tarafından devralınmış ve v0.8.0'da kaldırılmıştır. retention.staging_ttl_days kullanın; eski anahtarı hâlâ set eden YAML dosyaları EXIT_CONFIG_ERROR ile config-load başarısızlığına yol açar.

`retention` (İsteğe bağlı — GDPR Madde 17 silme ufukları)

Uyumluluk, eğitim ve değerlendirme artefaktları için saklama ufuklarını belirler. Ufuklar GDPR Madde 5(1)(e) "saklama sınırlaması" ve Madde 17 "silme hakkı" tarihlerini onurlandırır. enforce anahtarı yalnız-loglama, uyarı ve sert-engelleme modları arasında geçiş yaparak regüle edilen bir CI kapısının saklama ufkunu eski bir çalışma alanını yeniden kullanarak sessizce uzatmasını engeller.

Alan	Tip	Varsayılan	Açıklama
`audit_log_retention_days`	int	`1825` (~5 yıl)	`audit_log.jsonl` dosyasının Madde 5(1)(e) kapsamında "geciken" olarak işaretlenmeden önce saklanacağı gün sayısı. `0` süresiz saklamayı belirtir (Madde 17(3)(b) savunması).
`staging_ttl_days`	int	`7`	`forgelm reject` kararından sonra `final_model.staging.<run_id>/` dizininin planlı temizlenmeden önce saklanacağı gün sayısı. `0` süresiz saklama anlamına gelir. v0.8.0'da kaldırılan `evaluation.staging_ttl_days` yerine geçer.
`ephemeral_artefact_retention_days`	int	`90`	Uyumluluk paketleri, veri denetim raporları ve diğer çalışma kapsamlı türetilmiş artefaktların saklanma süresi (gün). `0` süresiz saklama.
`raw_documents_retention_days`	int	`90`	İngest edilmiş ham belgelerin (PDF / DOCX / EPUB / TXT / Markdown) operatörün ingestion-output dizininde saklanma süresi (gün). `0` süresiz saklama.
`enforce`	string	`"log_only"`	Politika uygulama modu: `"log_only"` (yalnızca audit log), `"warn_on_excess"` (stderr'e yapılandırılmış uyarı), `"block_on_excess"` (`EXIT_EVAL_FAILURE` = 3 ile trainer ön-kontrolünü iptal eder).

Kaldırıldı: evaluation.staging_ttl_days (v0.5.5 itibarıyla kullanımdan kaldırılmıştı) v0.8.0'da kaldırılmıştır. Artık geçerli tek form retention.staging_ttl_days'dir. Eski anahtarı hâlâ set eden YAML dosyaları EXIT_CONFIG_ERROR ile config-load başarısızlığına yol açar.

`compliance` (İsteğe bağlı — EU AI Act Madde 11 + Annex IV)

Alan	Tip	Varsayılan	Açıklama
`provider_name`	string	`""`	Kuruluş adı
`provider_contact`	string	`""`	İletişim e-postası
`system_name`	string	`""`	Yapay zeka sistemi adı
`intended_purpose`	string	`""`	Modelin amacı
`known_limitations`	string	`""`	Kullanılmaması gereken durumlar
`system_version`	string	`""`	Sürüm tanımlayıcısı
`risk_classification`	string	`"minimal-risk"`	5 EU AI Act `RiskTier` değerinden biri: `"unknown"` (sınıflandırma öncesi yer tutucu), `"minimal-risk"`, `"limited-risk"`, `"high-risk"` (Madde 6 — tam Annex IV dokümantasyonu), `"unacceptable"` (Madde 5 yasaklı uygulama — başlangıçta uyarı bandı yayınlar).

Sıkı kapı: risk_classification'ı (veya aşağıdaki kardeş alan risk_assessment.risk_category'yi) "high-risk" veya "unacceptable" olarak ayarlamak evaluation.safety.enabled: true gerektirir. Atlanırsa config-load / --dry-run zamanında ConfigError (çıkış kodu 1) fırlatılır — EU AI Act Madde 9 risk-yönetimi kanıtı devre dışı bir safety eval'dan türetilemez.

`risk_assessment` (İsteğe bağlı — EU AI Act Madde 9)

Alan	Tip	Varsayılan	Açıklama
`intended_use`	string	`""`	Kullanım amacı
`foreseeable_misuse`	list	`[]`	Öngörülen kötüye kullanım senaryoları
`risk_category`	string	`"minimal-risk"`	`compliance.risk_classification` ile aynı 5 `RiskTier` değeri: `"unknown"`, `"minimal-risk"`, `"limited-risk"`, `"high-risk"`, `"unacceptable"`. Auto-revert eşiklerini ve Annex IV kapısını etkiler.
`mitigation_measures`	list	`[]`	Risk azaltma önlemleri
`vulnerable_groups_considered`	bool	`false`	Savunmasız gruplar üzerindeki etki değerlendirildi

Sıkı kapı: yukarıdaki compliance.risk_classification ile aynı — risk_category'i "high-risk" veya "unacceptable" olarak ayarlamak evaluation.safety.enabled: true gerektirir, aksi halde config-load ConfigError (çıkış kodu 1) fırlatır. Kapı her iki alan üzerinden OR'lanır: ikisinden biri sıkı bir tier'daysa kapı tetiklenir.

`monitoring` (İsteğe bağlı — EU AI Act Madde 12+17)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	İzleme hook'larını etkinleştir
`endpoint`	string	`""`	İzleme webhook URL'si
`endpoint_env`	string	`null`	Endpoint için ortam değişkeni adı
`metrics_export`	string	`"none"`	`"none"`, `"prometheus"`, `"datadog"`, `"custom_webhook"`
`alert_on_drift`	bool	`true`	Model sapmasında uyar
`check_interval_hours`	int	`24`	İzleme kontrol aralığı (saat)

`distributed` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`strategy`	string	`null`	`"deepspeed"` veya `"fsdp"` (null = tek GPU)
`deepspeed_config`	string	`null`	Ön ayar (`"zero2"`, `"zero3"`, `"zero3_offload"`) veya JSON yolu
`fsdp_strategy`	string	`"full_shard"`	`"full_shard"`, `"shard_grad_op"`, `"hybrid_shard"`, `"no_shard"`
`fsdp_auto_wrap`	bool	`true`	Transformer katmanlarını otomatik sar
`fsdp_offload`	bool	`false`	Parametreleri CPU'ya taşı
`fsdp_backward_prefetch`	string	`"backward_pre"`	`"backward_pre"` veya `"backward_post"`
`fsdp_state_dict_type`	string	`"FULL_STATE_DICT"`	`"FULL_STATE_DICT"` veya `"SHARDED_STATE_DICT"`

`synthetic` (İsteğe bağlı — Sentetik Veri Üretimi)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	Öğretmen → öğrenci sentetik veri üretimini etkinleştir.
`teacher_model`	string	`""`	HF Hub ID veya API model adı (ör. `gpt-4o`, `meta-llama/Llama-3-70B`).
`teacher_backend`	string	`"api"`	Şunlardan biri: `"api"` (OpenAI/Anthropic-uyumlu), `"local"` (HF in-process), `"file"` (önceden üretilmiş JSONL'i oku).
`teacher_revision`	string	`null`	Yerel teacher modelini bir HF Hub commit SHA'sına veya ref'ine sabitle. Yalnızca `teacher_backend: local` ile geçerli — aksi halde reddedilir. Bugün uygulanıyor. Bkz. Hub revision pinleme.
`api_base`	string	`""`	API endpoint, ör. `https://api.openai.com/v1` veya self-hosted vLLM gateway.
`api_key`	`Optional[str]`	`null`	Inline API anahtarı. Secret'ları commit'lememek için `api_key_env`'i tercih edin — inline set edildiğinde, serialize edilmiş config'te değer `*REDACTED*` olur.
`api_key_env`	`Optional[str]`	`null`	API anahtarını taşıyan env var adı (ör. `OPENAI_API_KEY`).
`api_delay`	float	`0.5`	Öğretmen çağrıları arası saniye (rate limiting).
`api_timeout`	int	`60`	Çağrı başına API timeout (saniye).
`seed_file`	string	`""`	Tohum prompt dosyası yolu (JSONL veya plain text, satır başı bir prompt).
`seed_prompts`	`List[str]`	`[]`	Inline tohum prompt'lar (`seed_file` alternatifi).
`system_prompt`	string	`""`	Her öğretmen çağrısının başına eklenen system prompt.
`max_new_tokens`	int	`1024`	Öğretmen yanıtı başına maksimum token.
`temperature`	float	`0.7`	Öğretmene geçirilen örnekleme sıcaklığı.
`output_file`	string	`"synthetic_data.jsonl"`	Çıktı JSONL dosya yolu.
`output_format`	string	`"messages"`	Şunlardan biri: `"messages"` (chat-style array), `"instruction"` (Alpaca-style), `"chatml"`, `"prompt_response"`. `chatml`, ForgeLM'in eski `{User, Assistant}` anahtar düzenini üretir — OpenAI `<\|im_start\|>` ChatML işaretlemesini DEĞİL. Taşınabilir bir sohbet formatı için `messages` kullanın.
`min_success_rate`	float	`0.0`	`forgelm --generate-data`'nin 0 çıkış kodu vermesi için seed prompt'ların başarılı olması gereken minimum oran (0.0–1.0). Varsayılan `0.0`, eski "sıfırdan farklı herhangi bir verim başarılıdır" davranışını korur; bir CI hattının neredeyse boş bir veri kümesiyle devam etmemesi için yükseltin.
`sanity_failure_rate`	float	`0.2`	`forgelm --generate-data`'nin, veri kümesinin küçük veya çarpık olabileceğine dair bir `WARNING` kaydettiği başarısızlık oranı eşiği (0.0–1.0) — çıkış kodunu belirleyen `min_success_rate`'ten bağımsızdır. Varsayılan `0.2`, prompt'ların %20'sinden fazlası başarısız olduğunda uyarır.

`webhook` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`url`	string	`null`	Webhook hedef URL
`url_env`	string	`null`	URL'yi içeren ortam değişkeni adı
`notify_on_start`	bool	`true`	Eğitim başlangıcında bildir
`notify_on_success`	bool	`true`	Başarıda bildir
`notify_on_failure`	bool	`true`	Hata durumunda bildir
`timeout`	int	`10`	HTTP istek zaman aşımı (saniye). Notifier ≥ 1s'ye clamp'ler. v0.5.5'te varsayılan 10s'ye çıkarıldı (önceden 5s'di) — Slack/Teams gateway gecikme atışları production'da düzenli olarak 5s'yi aşıyor ve bir webhook zaman aşımı audit chain'i sessizce zayıflatıyor (webhook arızası best-effort).
`allow_private_destinations`	bool	`false`	RFC1918 / loopback / link-local hedeflere webhook gönderimine izin verir (cluster içi Slack proxy, on-prem Teams gateway gibi). Varsayılan yalnızca genel internet — SSRF koruması
`require_https`	bool	`false`	TLS-only zorlama. `true`, plaintext bir `http://` URL'ini reddeder (SSRF chokepoint raise eder; POST atlanır), warn-and-send yerine. Varsayılan `false`, warn-then-send davranışını korur
`tls_ca_bundle`	string	`null`	`requests`'e `verify=` olarak iletilen özel CA bundle yolu (örn. kurumsal MITM CA). Boşsa `certifi` paketinin gömülü deposu kullanılır

`merge` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`enabled`	bool	`false`	Model birleştirmeyi etkinleştir
`method`	string	`"ties"`	`"ties"`, `"dare"`, `"slerp"`, `"linear"`
`models`	list	`[]`	`{path, weight}` sözlük listesi
`output_dir`	string	`"./merged_model"`	Çıktı dizini
`ties_trim_fraction`	float	`0.2`	TIES: görev başına kırpılan en küçük büyüklükteki delta'ların oranı (0.0–1.0). Yalnızca `method` `ties` olduğunda kullanılır.
`dare_drop_rate`	float	`0.3`	DARE: yeniden ölçeklemeden önce her delta'nın rastgele düşürülme olasılığı (0.0–1.0). Yalnızca `method` `dare` olduğunda kullanılır.
`dare_seed`	int	`42`	DARE: rastgele düşürme maskesi için RNG seed'i; bir birleştirme çalıştırmadan çalıştırmaya tekrarlanabilir olur.

enabled: true, models içinde her biri bir path anahtarı taşıyan en az iki girdi gerektirir — ikiden az kaynak model (veya path eksik bir girdi) içeren bir birleştirme config-load zamanında reddedilir.

TIES/DARE varsayılan hiperparametreleri kasıtlı olarak korumacıdır. ForgeLM'in yerel ties birleştirmesi, ağırlıkların büyüklüğe göre alttaki %20'sini kırpar (üstteki %80'i tutar); dare birleştirmesi sabit bir seed ile drop_rate=0.3 kullanır. Bu varsayılanlar, yayımlanmış TIES (üstteki ~%20'yi tut) ve DARE (drop_rate 0.9+) varsayılanlarından kasıtlı olarak daha korumacıdır — daha fazla sinyal tutarlar, böylece iki-adaptörlü bir birleştirme kutudan çıktığı haliyle daha az yıkıcıdır, ancak sonuç makaleye sadık bir birleştirmeden farklı olacaktır. Yayımlanmış seyreklik rejimlerine ihtiyaç duyan operatörler ties_trim_fraction / dare_drop_rate değerlerini yükseltebilir (veya mergekit gibi harici bir araçla birleştirebilir).

`auth` (İsteğe bağlı)

Alan	Tip	Varsayılan	Açıklama
`hf_token`	string	`null`	HuggingFace tokeni (tercih: `HUGGINGFACE_TOKEN` ortam değişkeni)

`pipeline` (İsteğe bağlı — Çok Aşamalı Eğitim Zincirleri, Faz 14)

2+ eğitim aşamasını (tipik olarak SFT → DPO → GRPO) tek bir config-tabanlı koşuda zincirler: otomatik zincirleme, aşama bazında kapılar, crash-safe resume ve zincir seviyesi Annex IV manifesti. Atlandığında ForgeLM v0.6.0 tek-aşamalı koşusu ile byte-byte aynı davranır; orkestratör modülü import edilmez. Operatör adım adım: Çok Aşamalı Pipeline kılavuzu.

Alan	Tip	Varsayılan	Açıklama
`output_dir`	string	`"./pipeline_run"`	Zincir seviyesi artefakların kök dizini: `pipeline_state.json`, `compliance/pipeline_manifest.json` ve pipeline-kapsamlı `audit_log.jsonl`. Aşama bazında trainer artefaktları her aşamanın kendi `training.output_dir`'ı altında kalır.
`stages`	`List[PipelineStage]`	zorunlu (en az 1 aşama)	Sıralı aşama listesi. Her aşamanın `model.name_or_path`'ı, aşama explicit `model:` bloğu vermediği sürece, önceki aşamanın `training.output_dir/final_model`'ına otomatik ayarlanır.

`pipeline.stages[].*` — PipelineStage alanları

PipelineStage, root config üzerine bindirilen aşama bazında bir override'dır. Bölüm-toptan miras: bir blok atlanırsa root'un bloğu birebir miras alınır; blok verilirse root'unkini TAMAMEN değiştirir (deep-merge yok).

Alan	Tip	Varsayılan	Açıklama
`name`	string	— (zorunlu)	`^[a-z0-9_]{1,32}$` deseniyle eşleşen aşama tanımlayıcısı. Pipeline içinde benzersiz. `--stage <ad>`, `--resume-from <ad>`, audit-log payload'larında ve aşama bazında manifest girdilerinde kullanılır.
`model`	`Optional[ModelConfig]`	`null`	Root `model:` bloğunun aşama bazında override'ı. `null` iken önceki aşamanın `final_model`'ından otomatik zincirlenir (aşama 0 için root). Set edildiğinde o aşama için otomatik zincirleme devre dışı (operatör kaçış kapısı).
`lora`	`Optional[LoraConfigModel]`	`null`	Aşama bazında LoRA config. `null` ise root'tan toptan miras alınır.
`training`	`Optional[TrainingConfig]`	`null`	Aşama bazında training config. `null` ise root'tan toptan miras alınır. Verildiğinde `trainer_type` AÇIKÇA SET EDİLMEK ZORUNDA — her aşama hangi hizalama paradigmasını koştuğunu manifestte audit-clarity için kaydeder.
`data`	`Optional[DataConfig]`	`null`	Aşama bazında data config. `null` ise root'tan toptan miras alınır; aşama bazında override norm — her aşama tipik olarak farklı bir dataset tüketir (SFT/DPO/preference/vb.).
`evaluation`	`Optional[EvaluationConfig]`	`null`	Aşama bazında kapılar (loss eşikleri, `auto_revert`, safety, judge, human-approval). Her aşama kendi kapısını bağımsız konfigüre edebilir.

Sadece-root bölümleri — aşama seviyesinde reddedilir, EXIT_CONFIG_ERROR (1): distributed, webhook, compliance, risk_assessment, monitoring, retention, synthetic, merge, auth. Bunlar pipeline seviyesi konulardır (distributed stratejisi koşu boyunca tutarlı kalır; compliance metadata tüm zinciri kapsar; vb.).

Örnek

# Root varsayılanları — blok atlayan aşamalarca miras alınır.
model: { name_or_path: "meta-llama/Llama-3-8B" }
lora: { r: 8, alpha: 16 }
training: { trainer_type: "sft", output_dir: "./placeholder" }
data: { dataset_name_or_path: "./placeholder.jsonl" }

pipeline:
  output_dir: "./pipeline_run"
  stages:
    - name: sft_stage
      training: { trainer_type: "sft", output_dir: "./pipeline_run/stage1_sft" }
      data: { dataset_name_or_path: "./data/sft.jsonl" }
    - name: dpo_stage
      training: { trainer_type: "dpo", output_dir: "./pipeline_run/stage2_dpo", dpo_beta: 0.1 }
      data: { dataset_name_or_path: "./data/preferences.jsonl" }
    - name: grpo_stage
      training: { trainer_type: "grpo", output_dir: "./pipeline_run/stage3_grpo" }
      data: { dataset_name_or_path: "./data/math_prompts.jsonl" }

CLI yüzeyi

Flag	Etki
`--stage <ad>`	Sadece adı verilen aşamayı yalıtılmış olarak koşar (audit / re-run senaryoları). Önceki aşamanın disk üzerindeki çıktısından otomatik zincirler.
`--resume-from <ad>`	Adı verilen aşamadan itibaren devam eder; tamamlanmış (veya operatör tarafından onaylanmış gated) aşamalar disk üzerinde çıktıları varsa atlanır.
`--force-resume`	Resume sırasındaki `pipeline_config_hash` uyuşmazlığını kabul eder (log'lanır + `pipeline.force_resume` ile audit'lenir). Aşama topoloji uyuşmazlığı (sayı / isim / sıra) bu flag'le bile reddedilir.
`--input-model <yol>`	Operatör kaçış kapısı — `--stage` hedefi için otomatik zincirlenen modeli override eder. Audit log `input_source: cli_override` ile kaydedilir.
`--dry-run`	Her aşamanın merge edilmiş config'ini + cross-stage zincir bütünlüğünü + `training.output_dir` çakışma kontrolünü herhangi bir GPU tahsisi olmadan doğrular; tüm hataları çıkmadan önce toplar.

--fit-check, --merge, --generate-data, --compliance-export, --benchmark-only flag'leri tek-aşama operasyonlarıdır ve pipeline: bloğu mevcut olduğunda dispatch zamanında reddedilir — ya pipeline: bloğunu kaldırın ya da flag'i kaldırın.

Doğrulayıcı

forgelm verify-annex-iv --pipeline <pipeline.output_dir>

Zincir seviyesi manifestin yapısal alanlarını, zincir bütünlüğünü (her input_source: chain aşaması kendi önceki aşamasının output_model'ına eşleşir), aşama bazında training_manifest.json varlığını ve stopped_at / running-status tutarlılığını doğrular. Temiz manifest için 0, config / zincir ihlali için 1, runtime I/O hatası için 2 ile çıkar.

Hub revision pinleme

Beş isteğe bağlı alan, bir Hugging Face Hub deposunu belirli bir commit'e sabitler: böylece bir koşum bayt-bayt yeniden üretilebilir ve Annex IV paketi yalnızca deponun adını vermek yerine hangi upstream artefaktın kullanıldığını söyleyebilir.

Alan	Neyi sabitler	Bugün uygulanıyor mu?
`model.revision`	Temel model + tokenizer (ve VLM processor'ı, ve `--fit-check` config problaması)	Evet
`synthetic.teacher_revision`	Yerel teacher modeli + tokenizer'ı (`teacher_backend: local`)	Evet
`evaluation.llm_judge.judge_model_revision`	Yerel judge modeli + tokenizer'ı	Evet
`training.grpo_reward_model_revision`	GRPO ödül modeli + tokenizer'ı	Evet
`evaluation.safety.classifier_revision`	Zarar sınıflandırıcısı	Evet, eğitim döngüsü güvenlik kapısında — aşağıdaki kapsam notuna bakın

evaluation.safety.classifier_revision bu sürüme kadar hiçbir yükleyiciye ulaşmıyordu: doğrulamadan geçiyor ve YAML'ınızda duruyordu, ama auto-revert kapısının arkasındaki zarar sınıflandırıcısı buna bakılmaksızın hareketli bir varsayılan daldan yükleniyordu. Eğitim döngüsü kapısı artık bu alanı uygular ve çözülen commit'i model_lineage.component_revisions altına kaydeder.

Tek bir kapsam sınırı kalır. Bağımsız forgelm safety-eval hiçbir --config almaz ve --classifier-revision bayrağı yoktur, dolayısıyla sınıflandırıcı yüklemesi sabitlenmemiştir ve depoyu adlandıran bir UNPINNED uyarısı yazar. O alt komutun ürettiği bir güvenlik kararı sabitlenmiş kanıt değildir; eğitim zamanı kapısının ürettiği kanıttır. --max-safety-regression bayrağı bunu değiştirmez; o yalnızca güvensiz-oran tavanını açar. Ne --config ne de --classifier-revision eklendi ve ikisi de planlanmıyor.

Uygulanan her alan için değer önce bir commit SHA'sına çözülür ve tam olarak o SHA, o depo için her from_pretrained çağrısına revision= olarak geçilir — tokenizer ve model dâhil — böylece ikisi asla farklı commit'lerden gelemez.

judge_model_revision yalnızca yerel judge'ı sabitler; şema onu judge_api_key_env ile birlikte reddeder, çünkü bir API judge'ı Hub'dan değil sağlayıcı tarafından yüklenir. grpo_reward_model_revision GRPO ödül tokenizer'ını ve sequence-classification modelini sabitler ve şema onu grpo_reward_model olmadan reddeder.

Bir SHA teyit edilemediğinde — offline, huggingface_hub yok, erişilemez veya gated bir depo — operatörün literali (bir tag, bir branch, kısa bir SHA) yine de revision='a aynen geçilir, yani pin asla sessizce düşürülmez ve hiçbir SHA'nın doğrulanmadığını söyleyen bir WARNING yazılır. Her iki alanı da ayarlamamak değişmemiş davranıştır ve yüklemenin sabitlenmemiş olduğunu, koşumun yalnızca config'ten bayt-bayt yeniden üretilemeyeceğini söyleyen bir WARNING yazar.

Bu ikisinin düzenlilikten öte neden önemli olduğu: ödül modeli GRPO'nun karşısına optimize ettiği hedefin ta kendisidir, dolayısıyla sabitlenmemiş bir upstream yeniden-ayarı koşumun neyi öğrenmek üzere eğitildiğini değiştirir — temel-model pin'inden daha zayıf değil, daha güçlü bir iddiadır. Judge'ın skoru ise auto-revert min_score kapısını besler; sabitlenmemiş bir judge, aynı YAML'ın iki koşumunun aynı modeli biri promote edip diğeri bloke etmesi demektir.

Neyin pin sayıldığı

Gerçekten sabitleyen tek değer 40-hex commit SHA'sıdır. Büyük ve küçük harf ikisi de kabul edilir ve değer aynen saklanır — ForgeLM onu asla normalleştirmez veya harf katlaması yapmaz.

Bir branch, tag veya ref (main, v1.0, refs/pr/7) kabul edilir, ama bir pin değildir: upstream onu istediği zaman başka bir yere işaretleyebilir, yani aynı YAML'ın iki koşumu farklı baytlar yükleyebilir. ForgeLM tam olarak bunu söyleyen bir WARNING yazar ve ref'i çözüldüğü commit'in yanına aynen provenance bloğuna kaydeder — böylece config dürüst olmasa bile artefakt dürüst kalır. Bu sürümde bir zorlama bayrağı yoktur.

Doğrulamada reddedilenler (exit `1`, `--dry-run` altında tetiklenir, ağ yok)

Boş olan, boşluk içeren, kontrol karakteri içeren, - ile başlayan veya 255 karakteri aşan bir revision literali.
evaluation.llm_judge.judge_model_revision ile judge_api_key_env birlikte — API judge hiçbir zaman yerel model yüklemez.
synthetic.teacher_revision ile teacher_backend değeri api veya file — yalnızca local Hub'dan yükler.
training.grpo_reward_model olmadan training.grpo_reward_model_revision — pin hiçbir depoyu adlandırmaz ve trainer yerleşik format/uzunluk şekillendirme ödülüne geri düşer.

Uyarılır, reddedilmez

40-hex olmayan bir revision (yukarıdaki "Neyin pin sayıldığı"na bakın).
model.name_or_path var olan bir yerel dizin iken model.revision'ın ayarlanmış olması. Diskteki bir yol hiçbir Hub commit'i taşımaz, dolayısıyla pin uygulanamaz ve yüklenen baytlar diskte ne varsa odur. Bu, hata vermek yerine uyarır çünkü kontrol, doğrulamayı çalıştıran makinede o dizinin var olup olmadığına bağlıdır — hata vermek aynı YAML'ın CI'da geçip eğitim ana makinesinde patlamasına yol açardı. Yerel ağırlıklar için kimlik hikâyesi model_integrity.json ve forgelm verify-integrity olarak kalır.

Pin nasıl seçilir

Sabitlenebilir her yüklemeden önce ForgeLM deponun commit'ini çözer, sonra yüklemeyi çözdüğü şeye sabitler. revision= parametresine ulaşan değer:

Çözülebildiyse teyit edilmiş bir 40-hex commit SHA'sı — yapılandırılan değer bir branch veya tag olduğunda da geçerlidir; bu durumda yükleme, o ref'in işaret ettiği belirli commit'e sabitlenir.
Aksi halde yapılandırılan değer aynen, böylece açık bir pin hiçbir şey onu teyit edemese bile her zaman dikkate alınır.
Aksi halde hiçbir şey — tarihsel sabitlenmemiş davranış, değişmeden.

Çözümleme best-effort'tur ve bir koşumu asla düşürmez. model.offline: true (veya HF_HUB_OFFLINE / HF_DATASETS_OFFLINE / TRANSFORMERS_OFFLINE) herhangi bir Hub istemcisi import edilmeden önce kısa devre yapar: hiçbir ağ denemesi olmaz ve commit-adresli yerel önbellek yanıt verir. Bu üç ortam değişkeni artık dataset aramalarının yanı sıra model-revision aramalarını da bastırır; TRANSFORMERS_OFFLINE daha önce yalnızca dataset tarafını bastırıyordu. Yerel bir dizin asla çözülmez ve asla sabitlenmez.

Her Hub metadata araması 10 saniye ile sınırlandırılmıştır. Bu çağrıların daha önce hiç timeout'u yoktu, dolayısıyla paketleri sessizce düşüren bir güvenlik duvarı, eğitim başlamadan önce bir koşumu süresiz askıda bırakabilirdi — yüklemenin kendisinin hiç ağa ihtiyaç duymadığı, tamamen önbellekli bir makinede bile. Timeout durumunda koşum devam eder ve provenance kaydı unresolved'a düşer; koşumu asla düşürmez.

`unsloth` backend'i

model.backend: unsloth isteğe bağlı bir extra'dır, dolayısıyla FastLanguageModel.from_pretrained'in bir revision argümanı kabul edip etmediği, imzası incelenerek çalışma zamanında belirlenir. Çıplak bir **kwargs bilerek sayılmaz — kabul edilip sonra atılan bir kwarg, dikkate alınandan ayırt edilemez.

Adlandırılmış revision parametresi var → pin, transformers backend'indeki gibi uygulanır ve kaydedilir.
Yok ve model.revision ayarlanmış → koşum, hiçbir ağırlık yüklenmeden bir RuntimeError ile düşer (CLI exit 2). Mesaj üç çareyi adlandırır: unsloth'u yükselt, model.backend: transformers'a geç veya varsayılan dalı bilerek yüklemek için model.revision'ı kaldır. Devam etmek yerine düşer, çünkü koşumun hiç uygulamadığı bir pin'i iddia eden bir manifest taşıyan operatör, hiç pin'i olmayandan daha kötü durumdadır.
Yok ve pin de ayarlanmamış → yükleme eskisi gibi ilerler; sabitlenmemiş olduğu ve hiçbir model revision'ının kaydedilmeyeceği bir WARNING ile.

Kayıt nereye düşer

Çözülen temel-model revision'ı, Annex IV paketindeki compliance_report.json'un model_lineage bloğuna — base_model_revision altına ve ayrıca güvenlik sınıflandırıcısını, LLM judge'ı, GRPO ödül modelini ve sentetik teacher'ı da taşıyan kardeş component_revisions listesinde bir base_model girdisi olarak — dataset revision'ları ise data_provenance.json'a yazılır. Düzleştirilmiş training_manifest.yaml yan dosyasının ikisini de taşımadığına dikkat edin: o bir özet izdüşümüdür (base_model, adapter_method, trainer_type, dataset, epochs, final_metrics) ve içinde hiç model_lineage veya data_provenance bloğu yoktur. Her resolution_source değerinin alan-alan anlamı için bkz. compliance_summary-tr.md — her resolution_source ve hf_revision_source değeri için.

Sabitlenmiş her yükleme bir artefakta ulaşır. Manifest, model_lineage.base_model_revision'ın — değişmemiş ve hâlâ temel modelin kendine ait bloğu — yanında, o süreçte tamamlanmış her sabitlenmiş yükleme için bir girdi taşıyan model_lineage.component_revisions listesini de taşır. Altı rol adı sözleşmedir ve asla değişmez: base_model, safety_classifier, llm_judge, grpo_reward_model, teacher_model, fit_check. Temel model her iki yerde de görünür ve tek bir registry girdisinden gelir, dolayısıyla ikisi asla çelişemez.

Listenin söylemediği iki şey. component_revisions: [], o süreçte hiçbir sabitlenmiş yüklemenin tamamlanmadığı anlamına gelir — forgelm compliance-only, tamamı yerel yollardan oluşan bir config veya herhangi bir yüklemeden önce yazılmış bir manifest — ve hiçbir pin'in yapılandırılmadığı ifadesi değildir. Null bir revision_resolved, hiçbir SHA'nın teyit edilemediği anlamına gelir; koşum yine de bir ref'e sabitlenmiş olabilir ve revision_pinned bunu aynen kaydeder.

fit_check ayrılmıştır, henüz yayılmaz: model.revision VRAM-tahmini AutoConfig problamasına iletilir, dolayısıyla o yükleme sabitlenmiştir, ama problama hiçbir provenance kaydetmez ve hiçbir zaman bir fit_check girdisi görünmez.

Bu sürümdeki bilinen boşluklar

--dry-run pin durumunu raporlamaz; operatör hangi depoların sabitlenmemiş olduğunu yükleme-zamanı uyarılarından, yani koşum başladıktan sonra öğrenir. --dry-run ayrıca pin'lerin çekilebilir olduğunu bilerek hiç doğrulamaz — sözleşmesi, ağır bağımlılıklar veya Hub erişilebilirliği olmadan doğrulamadır. --dry-run çalıştırıp forgelm doctor çalıştırmayan bir pipeline, yeşil bir doğrulamanın ardından çekilemeyen bir pin üzerinde yükleme-zamanı hatası alabilir.
forgelm cache-models'ın --revision bayrağı yoktur, dolayısıyla izole (air-gapped) bir akış deponun varsayılan dalını hazırlar. Bağlantısız ana makinedeki sabitlenmiş bir koşum o zaman snapshot'ını bulamaz.
export, inference ve merging tasarım gereği sabitlenmemiştir: bu koşumun ürettiği yerel artefaktları yüklerler ve bir dizinin Hub commit'i yoktur.
Merge kaynak modelleri (merge.models[]) sabitlenemez.
forgelm safety-eval hiçbir --config almaz ve --classifier-revision bayrağı yoktur, dolayısıyla sınıflandırıcı yüklemesi evaluation.safety.classifier_revision'dan bağımsız olarak sabitlenmemiştir ve depoyu adlandıran bir UNPINNED uyarısı yazar. O alanı yalnızca eğitim zamanı güvenlik kapısı uygular.
fit_check rolü ayrılmıştır ama hiçbir zaman yayılmaz — VRAM problaması model.revision ile sabitlenir, yine de hiçbir provenance kaydetmez.

Uh oh!

FilesExpand file tree

configuration-tr.md

Latest commit

History

configuration-tr.md

File metadata and controls

Konfigürasyon Rehberi

model

model.moe (İsteğe bağlı — MoE modeller)

model.multimodal (İsteğe bağlı — VLM modeller)

lora

training

OOM Recovery (Bellek Hatası Kurtarma)

GaLore (Optimizer Seviyesinde Bellek Optimizasyonu)

Uzun Bağlam Eğitimi

GPU Maliyet Tahmini

Hizalama Parametreleri

data

data.governance (İsteğe bağlı — EU AI Act Madde 10)

evaluation (İsteğe bağlı)

evaluation.benchmark (İsteğe bağlı)

evaluation.safety (İsteğe bağlı)

evaluation.llm_judge (İsteğe bağlı)

retention (İsteğe bağlı — GDPR Madde 17 silme ufukları)

compliance (İsteğe bağlı — EU AI Act Madde 11 + Annex IV)

risk_assessment (İsteğe bağlı — EU AI Act Madde 9)

monitoring (İsteğe bağlı — EU AI Act Madde 12+17)

distributed (İsteğe bağlı)

synthetic (İsteğe bağlı — Sentetik Veri Üretimi)

webhook (İsteğe bağlı)

merge (İsteğe bağlı)

auth (İsteğe bağlı)

pipeline (İsteğe bağlı — Çok Aşamalı Eğitim Zincirleri, Faz 14)

pipeline.stages[].* — PipelineStage alanları