GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
adisyonist
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
adisyonist
Model Tree
Qwen/Qwen3.5-0.8B
Input Modalities
Output Modalities
Supported Functionality
Model her kullanıcı mesajına tek bir JSON nesnesiyle cevap verir:
json
{"agents": ["prepareReservationCommand", "executeReservationAction"],"answer": "Rezervasyon işlemi hazırlandı..."}
agents: uygulamanın sırayla çağırması gereken backend fonksiyonlarıdır.agents boş liste ([]) olarak döner.answer: kullanıcıya gösterilecek metindir.{totalSales}, {currencyCode}, {stockResultList} gibi placeholder'lar uygulama tarafından runtime sırasında doldurulur.Tool gerektirmeyen bir örnek:
json
{"agents": [],"answer": "Merhaba! Nasıl yardımcı olabilirim?"}
python
import jsonimport torchfrom transformers import AutoModelForImageTextToText, AutoTokenizermodel_id = "adisyonist/waiter-0.8B"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForImageTextToText.from_pretrained(model_id,torch_dtype=torch.bfloat16,device_map="auto")messages = [{"role": "user","content": "Masa 5 için 2 adet lahmacun ve 1 ayran ekler misin?"}]text = tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True)inputs = tokenizer(text,return_tensors="pt").to(model.device)im_end_id = tokenizer.convert_tokens_to_ids("<|im_end|>")with torch.inference_mode():output = model.generate(**inputs,max_new_tokens=384,do_sample=False,eos_token_id=im_end_id,pad_token_id=tokenizer.pad_token_id)generated = output[0][inputs["input_ids"].shape[1]:]raw = tokenizer.decode(generated,skip_special_tokens=True).strip()result = json.loads(raw)print(result["agents"])print(result["answer"])
Örnek çıktı:
json
{"agents": ["prepareAddItems", "executeTableAction"],"answer": "Masa işlemi hazırlandı: “Masa 5 için 2 adet lahmacun ve 1 ayran ekler”. Uygulamamı onaylıyor musunuz?"}
Qwen/Qwen3.5-0.8BModel, eğitim sırasında kullanılmamış 53.286 örnekten oluşan held-out test seti üzerinde değerlendirilmiştir.
Answer exact-match, üretilen cevabın veri setindeki beklenen cevapla birebir aynı olup olmadığını ölçer. Semantik olarak doğru fakat farklı şekilde ifade edilen cevaplar da bu metrikte yanlış kabul edilir.
Test sırasında görülen 316 geçersiz JSON çıktısının büyük bölümü generation sırasında kullanılan token limitinin cevabı yarıda kesmesinden kaynaklanmıştır. Bu örneklerin agent listeleri ayrıca incelendiğinde agent seçiminin doğru olduğu görülmüştür.
Bu nedenle düzeltilmiş agent exact accuracy değeri %99,40 olarak hesaplanmıştır.
Model, Adisyonist POS senaryoları için özelleştirilmiştir ve genel amaçlı bir asistan olarak kullanılması önerilmez.
Modelin desteklediği senaryolar arasında sipariş, masa, rezervasyon, stok, personel, menü ve satış işlemleri bulunmaktadır.
Bilinen hata alanları:
agents: [] arasındaki sınır durumları,getSalesSummary için veri setinde birden fazla response-template bulunması,Model çıktısı JSON formatındadır; doğrudan serbest metin cevap beklenmemelidir.
Bu model, Qwen/Qwen3.5-0.8B temel modeli üzerine fine-tune edilmiştir ve Apache License 2.0 altında yayınlanmaktadır.