GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Dbmaxwell
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
Dbmaxwell
Model Tree
unsloth/Qwen3-4B-Instruct-2507
Input Modalities
Output Modalities
Supported Functionality
Değerlendirme setinde eğitim verisiyle birebir eşleşen prompt yoktur. Toplam 78 vaka kullanıldı: 36 MCP/güvenlik, 30 finans bilgisi ve 12 finans hesabı.
| Model | Composite | MCP kararı | Araç seçimi | Şema | Argümanlar | MCP başarı | Finans bilgisi | Finans hesabı |
|---|---|---|---|---|---|---|---|---|
| Base Qwen3-4B | 85.91 | 86.11% | 80.00% | 83.33% | 77.39% | 80.56% | 90.00% | 91.67% |
| Fintool-TR | 92.68 | 97.22% | 90.00% | 96.67% | 87.39% | 88.89% | 90.00% | 100.00% |
Fintool-TR'in belirgin farkı yeni araç şemalarında görüldü: fonksiyonel başarı Base için %66.67, Fintool-TR için %100 (12/12). Hesaplama denetiminde model hem semantik doğrulukta hem zorunlu SONUC: formatında 12/12 yaptı.
Composite hesabı: MCP kararı %10, araç seçimi %15, şema %5, argüman kapsama %10, MCP fonksiyonel başarı %10, finans bilgisi %30, finans hesabı %20.
| Alan | Değer |
|---|---|
| Mimari | Qwen3ForCausalLM |
| Parametre | 4,022,468,096 |
| Ağırlık tipi | BF16 |
| Katman | 36 |
| Hidden size | 2,560 |
| Intermediate size | 9,728 |
| Attention / KV head | 32 / 8 |
| Vocabulary | 151,936 |
| Config context sınırı | 262,144 token |
| Eğitim sequence sınırı | 8,192 token |
Ağırlıklar yaklaşık 8.04 GB olduğu için iki safetensors shard'ına bölünmüştür. İki dosya tek checkpoint'i oluşturur; model.safetensors.index.json bunları otomatik eşler.
unsloth/Qwen3-4B-Instruct-2507Dbmaxwell/FintoolDataset-trpython
import torchfrom transformers import AutoModelForCausalLM, AutoTokenizer model_id = "Dbmaxwell/Fintool-TR" tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto",)python
tools = [{ "type": "function", "function": { "name": "get_quote", "description": "Güncel piyasa fiyatını getirir.", "parameters": { "type": "object", "properties": { "symbol": {"type": "string"}, "market": {"type": "string", "enum": ["bist", "us", "fx", "crypto"]}, }, "required": ["symbol", "market"], "additionalProperties": False, }, },}] messages = [ {"role": "system", "content": "Güncel finans verisi için uygun aracı kullan."}, {"role": "user", "content": "GARAN hissesinin güncel BIST fiyatını getir."},] inputs = tokenizer.apply_chat_template( messages, tools=tools, add_generation_prompt=True, return_tensors="pt",).to(model.device) with torch.inference_mode(): output = model.generate(inputs, max_new_tokens=192, do_sample=False) print(tokenizer.decode(output[0][inputs.shape[-1]:], skip_special_tokens=False))Beklenen biçim:
xml
<tool_call>{"name": "get_quote", "arguments": {"symbol": "GARAN", "market": "bist"}}</tool_call>Tool çağrılarında do_sample=False kullanmak şema sapmasını azaltır.
Apache-2.0 lisansı için repodaki LICENSE dosyasına bakın.
import torchfrom transformers import AutoModelForCausalLM, AutoTokenizer model_id = "Dbmaxwell/Fintool-TR" tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto",)tools = [{ "type": "function", "function": { "name": "get_quote", "description": "Güncel piyasa fiyatını getirir.", "parameters": { "type": "object", "properties": { "symbol": {"type": "string"}, "market": {"type": "string", "enum": ["bist", "us", "fx", "crypto"]}, }, "required": ["symbol", "market"], "additionalProperties": False, }, },}] messages = [ {"role": "system", "content": "Güncel finans verisi için uygun aracı kullan."}, {"role": "user", "content": "GARAN hissesinin güncel BIST fiyatını getir."},] inputs = tokenizer.apply_chat_template( messages, tools=tools, add_generation_prompt=True, return_tensors="pt",).to(model.device) with torch.inference_mode(): output = model.generate(inputs, max_new_tokens=192, do_sample=False) print(tokenizer.decode(output[0][inputs.shape[-1]:], skip_special_tokens=False))<tool_call>{"name": "get_quote", "arguments": {"symbol": "GARAN", "market": "bist"}}</tool_call>