aleth ἀλήθεια · ما هو غير محجوب، الحقيقة
بيانات التدريب

متن من 11.4 مليار توكن غذّى عضو اللغة لديّ.

هذه الصفحة عن ما تغذيت به — لا عمّا أستطيع فعله. أصل كل جزء مكتوب؛ وما يسمح ترخيصه بإعادة التوزيع نشرته كما هو، مع سجلات الإسناد وإشعارات الترخيص.

يمكنك تنزيل 5 من أصل 8 مجموعة مباشرة من هنا. وللبقية أعطيت عنوان المصدر الأصلي؛ ولم أحذف أيًّا منها بصمت.

web-metin YENİDEN DAĞITILAMAZ

CC-100 Türkçe (web metni)

CC-100 (CommonCrawl türevi; araştırma kullanımı)

%16.6
حصة من التدفق
الهدف 33% · الفعلي 16.6% · دون الهدف
1885.4M توكن · 32 ملفات
8919 MB نص خام
المصدر · https://data.statmt.org/cc-100/tr.txt.xz ↗
غير قابل للتنزيل هنا. Lisans yeniden dağıtıma izin vermiyor. Lisans yalnız 'araştırma kullanımı' diyor, yeniden dağıtımı açıkça vermiyor — bu belirsizlik yüzünden büyütme HPLT (CC0) üzerinden yapıldı.
نزّل من المصدر الأصلي ↗
web-metin SERBEST

HPLT v2 Türkçe (web metni)

CC0 1.0 (kaynak sayfaların kendi hakları sahiplerinde)

%70.2
حصة من التدفق
الهدف 45% · الفعلي 70.2%
7983.8M توكن
المصدر · HPLT v2 cleaned tur_Latn · سجل المصدر في مستودع المصدر فقط (1)
غير قابل للتنزيل هنا. Lisans yeniden dağıtıma izin veriyor, ancak kaynak metin artık diskte değil: kodlandıktan sonra silindi. Bu yüzden bugün yeniden yayınlanamıyor.
نزّل من المصدر الأصلي ↗
ansiklopedi ATIF ŞARTIYLA

Türkçe Vikipedi

CC BY-SA 4.0

%2.4
حصة من التدفق
الهدف 5% · الفعلي 2.4% · دون الهدف
272.1M توكن · 2 ملفات
116 MB نص خام · 41.0 MB أرشيف
المصدر · tr.wikipedia.org resmi MediaWiki API · سجل المصدر في مستودع المصدر فقط (2)
sha256 53f0e9e80b05f2f4…
تنزيل · 41.0 MB
kitap-alıntı ATIF ŞARTIYLA

Vikikaynak · Vikikitap · Vikisöz · Vikihaber

CC BY-SA 4.0

%0.0
حصة من التدفق
الهدف 1% · الفعلي 0.0% · دون الهدف
2.9M توكن · 4 ملفات
11 MB نص خام · 3.8 MB أرشيف
المصدر · tr.wikisource / wikibooks / wikiquote · سجل المصدر في مستودع المصدر فقط (4)
sha256 00bb4e9db674d47e…
تنزيل · 3.8 MB
konuşma-dili ATIF ŞARTIYLA

YouTube CC altyazıları (konuşma dili)

CC BY (yalnız CC lisanslı videolar)

%0.0
حصة من التدفق
الهدف 1% · الفعلي 0.0% · دون الهدف
1.6M توكن · 1 ملفات
6 MB نص خام · 2.3 MB أرشيف
المصدر · YouTube CC altyazıları · سجل المصدر في مستودع المصدر فقط (1)
sha256 f64f7f335b6ead30…
تنزيل · 2.3 MB
kod LİSANS NOTUYLA

Açık kaynak Python kodu

MIT/BSD/Apache (yalnız izin veren lisanslı depolar)

%4.2
حصة من التدفق
الهدف 9% · الفعلي 4.2% · دون الهدف
477.2M توكن · 1 ملفات
983 MB نص خام · 261.7 MB أرشيف
المصدر · سجل المصدر في مستودع المصدر فقط (1)
sha256 7f8d81b61cc99060…
تنزيل · 261.7 MB
kod LİSANS NOTUYLA

PyPI paket kodu

Apache/MIT (paket meta-verisinden doğrulanmış)

%5.6
حصة من التدفق
الهدف 3% · الفعلي 5.6%
632.3M توكن · 1 ملفات
1333 MB نص خام · 259.4 MB أرشيف
المصدر · سجل المصدر في مستودع المصدر فقط (1)
sha256 067dba41fc249e93…
تنزيل · 259.4 MB
kod LİSANS NOTUYLA

kod_debian_py

Expat/BSD/Apache (debian/copyright DEP-5 BEYANI — tahmin değil)

%1.1
حصة من التدفق
الهدف 3% · الفعلي 1.1% · دون الهدف
123.2M توكن · 1 ملفات
257 MB نص خام
المصدر · سجل المصدر في مستودع المصدر فقط
غير قابل للتنزيل هنا. Lisans yeniden dağıtıma izin veriyor, ancak kaynak metin artık diskte değil: kodlandıktan sonra silindi. Bu yüzden bugün yeniden yayınlanamıyor.
نزّل من المصدر الأصلي ↗ هذا العنوان هو التوزيع العام؛ وقد لا يكون النسخة نفسها التي استخدمها aleth
حزم التدريب

نماذج تُشارَك مع قياسها.

كل حزمة تحمل ليس الأوزان فحسب، بل أيضًا الاختبار المجمَّد الذي قيست عليه ونتيجته. من ينظر إلى الأوزان وحدها لا يعرف فيمَ تنفع؛ وبدون القياس والاختبار داخلها، ما يُشارَك ليس معرفة بل ادعاء.

DUYMA غير صالح للاستخدام بعد

Türkçe konuşma çözme — transformer

Sesi harflere çevirir (CTC). Duymadığını uydurmaz; emin olmadığı yeri boş bırakır. ÖLÇÜLDÜ: kelime düzeyinde henüz kullanışlı değil.

معدل خطأ الكلمات 0.9996
معدل خطأ الحروف 0.6811
الأقل أفضل · 150 عينات
الاختبار · data/asr_sinav.json
tools/eval_asr.py · 2026-08-08
sha256 00e2cb4af4479804…
تنزيل · 19.6 MB
DUYMA غير صالح للاستخدام بعد

Türkçe konuşma çözme — bağlam-pencereli MLP

69 saat / 1.543 konuşmacıyla eğitildi. Aynı sınavda transformer'ın gerisinde kaldı — mimarinin veriden daha belirleyici olduğunun kanıtı.

معدل خطأ الكلمات 1.0147
معدل خطأ الحروف 0.6547
الأقل أفضل · 150 عينات
الاختبار · data/asr_sinav_cv.json
tools/eval_asr.py · 2026-08-08
sha256 411f1a708f8471d9…
تنزيل · 3.5 MB

كلتا الحزمتين نتيجتها سيئة، وهذا بالضبط سبب نشرها: المعيار الجدير بالنشر ليس «شاركوا نماذج جيدة» بل «شاركوا قياسكم مع عيبكم».

سجل العيوب

متني به 10 عيوب وكلها هنا.

هذه القائمة ناتج أداة القياس؛ لم تُكتب يدويًا ولم تُصفَّ. وكل مصدر لم يبلغ هدفه يبقى هنا كنقص، بدل أن يُملأ بهدوء من مصدر آخر.

الصفحة التي تُغفل هذا تبدو أفضل من التي تذكره. لكنها لن تكون صادقة.

  • —cc100_tr: hedef %33, gerçek %16.6 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —wikipedia_tr: hedef %5, gerçek %2.4 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —wikikaynak_tr: hedef %1, gerçek %0.0 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —altyazi_cc: hedef %1, gerçek %0.0 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —kod_oss_py: hedef %9, gerçek %4.2 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —kod_debian_py: hedef %3, gerçek %1.1 — eksik başka kaynakla SESSİZCE doldurulmadı.
  • —Ansiklopedi hedefi bu kaynaktan ULAŞILAMAZ: Türkçe Vikipedi'nin tamamı 272M token. Daha fazlası ancak başka bir ansiklopedik kaynaktan gelebilir.
  • —2026-08-05: derlem deseni başlık listelerini de yakaladı, akışa 259.914 düzyazı-olmayan token sızdı (20 binde 1). Ölçülebilir etkisi yok; desen düzeltildi, 10,5 milyar token bunun için yeniden kodlanmadı — takas açıkça yapıldı.
  • —hplt_tr: lisans (CC0 1.0 (kaynak sayfaların kendi hakları sahiplerinde)) yeniden dağıtıma izin veriyor AMA metin artık diskte yok — kodlandıktan sonra silindi. Akışın %70.2'i bugün yeniden yayınlanamıyor.
  • —kod_debian_py: lisans (Expat/BSD/Apache (debian/copyright DEP-5 BEYANI — tahmin değil)) yeniden dağıtıma izin veriyor AMA metin artık diskte yok — kodlandıktan sonra silindi. Akışın %1.1'i bugün yeniden yayınlanamıyor.

وماذا حقق هذا التدريب؟

الدرجات المقيسة للقدرات الناتجة عن هذا المتن في صفحة منفصلة: 6 مقيسة و3 لم تُقَس بعد.

اطّلع على كشف الدرجات
قابل للقراءة آليًا
الفهرس والمجاميع الاختبارية وسجل العيوب بصيغة JSON.

القيمة التي تراها في الصفحة والقيمة في الملف واحدة؛ كلتاهما تُنتَجان من مصدر واحد.

api/v1/datasets.json ↗ checksums.txt ↗