İçeriğe atla
ecbyts

← Tüm haberler

Mühendislik

ecbyts kendi dil modeli ECBT yi nasıl geliştiriyor

Tahmini okuma süresi: 4 dk

  • Kılavuz

PyTorch tabanlı ve deterministik çift hatlı kompakt ECBT modeli; dil analizi, kesin araç hesabı ve eksik veri bildirimini uydurma sayı olmadan ayırır.

ecbyts kendi dil modeli ECBT yi nasıl geliştiriyor: yapay zeka, veri, kurallar ve teknik analiz simgeleri içeren kapak.

Genel amaçlı dil modelleri akıcı metin üretse de çevre mühendisliğinde üç kritik noktada yetersiz kalır: kütle veya seyreltme hesabında ara sayıları tahmin eder, eksik saha ölçüm kampanyalarını atlar ve hassas proje verilerinin harici sunuculara gönderilmesini gerektirir. Temmuz 2026 tarihinden bu yana ecbyts, dijital ikizler ve hidrojeoloji için saf PyTorch ile özgün ECBT modelini geliştirmektedir.

Çevre mühendisliğinde neden özgün bir dil modeli gerekiyor

Onlarca izleme kuyusunda mg/L derişim ve m3/d debi verileri incelenirken standart sohbet araçları birimleri karıştırır ve ölçüm boşluklarını metin olasılığıyla doldurur. Orijinal ölçüme doğrudan iz bağı kurulmadığında hiçbir yapay zeka rakamı teknik geçerlilik taşımaz.

Donanım sınırı ve veri kökeni de aynı ölçüde belirleyicidir. Dev açık modeller çoklu GPU kümeleri isterken mühendislik bilgisayarları sınırlı VRAM taşır. Dış API bağımlılığı eğitim lisanslarını denetlemeyi, kişisel verileri ayıklamayı ve sızıntısız değerlendirmeyi engeller.

ecbyts bunu nasıl çözüyor

ecbyts kendi dil modeli ECBT yi nasıl geliştiriyor: PyTorch çekirdeği ve deterministik çift hat ile uydurma sayı olmadan teknik analiz.

2.100’ü aşkın mühendislik kaydına sahip ECBT deposu; sıkıştırılmış gizli dikkat (GatedMLA) ile doğrusal yinelemeli dikkati (KDA) birleştiren hibrit blokları, Uzman Karışımı (MoE) yönlendirmesini, YaRN konum ölçeklemeyi ve çoklu belirteç tahminini (MTP) araştırır. Ürün odaklı çalışmada ~394 milyon parametreli `student`, 206,2 milyon parametreli yoğun hat ve sürekli doğrulama için 274K `tiny` profili öne çıkar.

Tasarımın kalbinde sinirsel ağırlıkları (Sütun A) deterministik sistem katmanından (Sütun B) ayıran Çift Hat bulunur. Model kullanıcı amacını çözer, yapılandırılmış `[Fonte N]` bloklarını okur, beyan edilen eksikleri işaretler ve tiplenmiş JSON araç çağrıları önerir. Birim çevirimi, günlük kütle yükü (`C x Q / 1000`) ve mevzuat eşik karşılaştırması yalnızca deterministik arka uç kodunda yapılır.

Özel belirteç ölçümü, basit `karakter/4` hesabının Portekizce teknik metinlerde %23,39’a varan eksik sayım yaptığını kanıtladığı için rakam bazlı bölme benimsendi. Her alt küme açık lisans denetiminden, 21.196 izole doğrulama kaydından (%9,77) ve otomatik kişisel veri maskelemeden (`[CPF_1]`, `[EMAIL_1]`, `[TEL_1]`) geçer.

Uygulamada

16 Kasım 2026 tarihinde, eğitim etiketlerindeki iki adımlık kayma düzeltilip tekrarlayıcı ince ayar şablonları kaldırıldıktan sonra, sıfırdan eğitilen 206,16 milyon parametreli yoğun hat 4.850 adımlık (1,271 milyar belirteç) bir ön eğitim ölçümü tamamladı. Bayt başına bit kaybı (BPB) başlangıçtaki 2,8395 değerinden 500M’de 1,7229’a, 1B’de 1,6142’ye ve 1,271B belirteçte 1,4871’e düzenli düşerek gerçek dil öğrenimini kanıtlarken, ince ayarsız 3-örnek testi 3 ile 4 milyar belirteç altında sık görülen tekrar döngüleri nedeniyle %0,25 (400’de 1) düzeyinde kaldı.

Bu açık tanılama doğrultusunda iki dilli (Portekizce ve İngilizce) eğitim derlemi 1,8 milyardan 4,5 milyar belirtece (SHA-256 doğrulamalı 2,7 milyar yeni belirteç ve `resource_guard` bellek korumasıyla) genişletilerek tam ön eğitim ve 6.000 örnekli çeşitli ince ayar sürecine hazırlanmaktadır.

393,6 milyon parametreli `v4d` kontrol noktası ölçümleri somut artışı göstermektedir. 400 izole değerlendirme sorusunda saf ağırlıklar %9,0 tabanından %21,75’e (87/400) çıkarken, Sütun B deterministik entegrasyonu %59,50’ye (238/400) ulaştı. Sekiz kategorideki 96 taze soruda saf ağırlıklar %22,92 alırken (%35 tekil eşiğinin altında), Sütun B doğruluğu %56,25’e taşıdı ve eksik veri kalibrasyonunda 12/12 ile teknik çeviride 12/12 sağladı.

Genel erişim modu kimlik doğrulaması olmadan başlamaz, anahtarları yalnızca SHA-256 özeti olarak tutar, açık CORS’u reddeder ve ağırlıkları `weights_only=True` ile yükler. Adanmış sunucu GPU’su (`bf16`) üzerinde çalışma zamanı saniyede 129,0 belirteç çözme hızı ölçmüştür.

Bu özellik ne değildir

  • Sıfırdan eğitilen 206,2M yoğun hat henüz erken ölçektedir: 1,271 milyar belirteçte BPB 1,4871’e inse de 3-örnek testi %0,25’te (%28 ve BPB 1,14 eşiğinin altında) kalıp tekrarlara girdiğinden 4,5 milyar belirteç ve ince ayar tamamlanmadan açık sıralı sohbet olarak sunulmaz.
  • Tek başına model ağırlıkları (taze kesitte %22,92) deterministik hesap ve kaynak katmanı olmadan bağımsız karar için kullanılmaz.
  • Hiçbir model çıktısı saha numune alımını, akredite laboratuvar raporlarını, fiziksel simülatörleri veya ECBYTS Mührü altındaki yetkili imzasını ikame etmez.
  • Ölçülen 129,0 belirteç/sn hızı yalnızca bildirilen donanım ve `bf16` sunucu sözleşmesi için geçerlidir, 4 GB VRAM’li dizüstü bilgisayarları kapsamaz.

Nasıl pratik yapılır

Yapay zekanın deterministik yapılarla nasıl bağlandığını deterministik dijital ikiz ve YZ ve YZ destekli raporlarda ECBYTS Mührü yazılarında okuyabilirsiniz. Platforma ecbyts veya iletişim sayfasından ulaşın.

← Tüm haberler