AI Model Tasarımcı — graf, veri, determinizm

Op kataloğu ve şablonlar

• ✓Op aileleri — G/Ç (Girdi, Çıktı, Softmax), MLP (Dense), Aktivasyon (ReLU, Tanh, Sigmoid), CNN (Conv2d, Havuz, Düzleştir), Norm (LayerNorm, BatchNorm), Transformer, LLM-yerel (Tokenizer, RMSNorm, RoPE, GeGLU, Softcap, Gemma2 Katman, Gemma Çıkarım)
• ✓İçe alma — ONNX, SafeTensors, GGUF düğümleri
• ✓5 şablon — MLP sınıflandırıcı, CNN görüntü, Transformer dizi, Regresyon, Gemma-2 (GGUF) çevrimdışı çıkarım
• ✓Hiperparametreler — düğüm seç, girdi şekli/tipi, op'a tanımlı parametreler (uydurma anahtar reddedilir)

Hazırlama ve sözleşme

• ✓Yükleme — CSV/TSV/JSON; profil (tip, eksik %, istatistik, sınıf dengesi)
• ✓Kalite denetimi — eksik, tekrar, sabit kolon, yüksek kardinalite/sızıntı, karışık tip, aykırı
• ✓Dönüşümler — eksik doldurma, tekrar silme, tip dönüştürme, kolon düşürme, ölçekleme (minmax/standard/robust), kategorik kodlama (onehot/label), sınıf dengeleme, aykırı işleme
• ✓Bölme ve dışa aktarma — train/val/test (tabakalı, tohumlu); veri manifestosu; .berkveri veri↔model sözleşmesi (şema hash'i)
• ✓Model↔veri uyumu — özellik sayısı ↔ girdi şekli, sınıf sayısı ↔ çıkış birimi

Determinizm, kuantizasyon, kod

• ✓Determinizm 1–5 — 4–5: kanıt üreten taşınabilir-kesin yol; platformlar-arası bit-özdeşlik ölçüldü (aşağıdaki tablo)
• ✓Kuantizasyon — MX blok-ölçekli tamsayı (blok=32, mx_ic_carpim); özellik başına kalibrasyon aralığı
• ✓Çıkarım kodu — graftan BERK ileri-geçiş; deterministik eğitim kodu — tohumlu ilklendirme, bit-özdeş SGD (MLP/CNN)
• ✓Gerçek doğrulama — berk.exe + ai:: stdlib ile derle/çalıştır, GEÇTİ/KALDI; eğitim koşusu kayıp önce/sonra
• ✓AI asistan — 52 araç; headless graf oturumu (MCP)

GGUF ile Gemma-2 — tamamen çevrimdışı

Grafa GGUF içe-al + Gemma Çıkarım koyun; panel çalıştırılabilir bir BERK programı üretsin. Çekirdek berk.exe'nin içindedir: harici çalışma-zamanı, ağ bağlantısı ya da API yoktur.

• ✓Zincir — gguf_dosya_ac → gguf_tokenize → gemma_ornekle → gguf_detokenize → gguf_dosya_kapat; Gemma-2 sohbet şablonu kurulur
• ✓K-quant — yerli akış-okuyucu, talep üzerine dequant (Q2_K–Q8_K); tokenizer ve çekirdek aynı dosyadan beslenir
• ✓Dürüstlük kapıları — dosya yok, dosya bozuk ya da general.architecture ≠ gemma2 → MODEL-HATA + çıkış kodu 2. Sahte yanıt üretilmez.
• ✓Determinizm sıcaklığa göre ayrışır — sıcaklık 0: açgözlü, kanonik, bit-özdeş (determinizm hücresi: aynı-ikili × float-std). Sıcaklık > 0: tohuma bağlı; aynı tohumla tekrar-üretilebilir ama kanonik değil (tohumlu rastgelelik, hücre ekseni değil) — ve üretilen kod bunu kendi başlığında söyler
• ✓Sessiz koşu yok — her adım anında basılır, durdurma nedeni (end_of_turn / eos) adlandırılır, beklenen süre baştan bildirilir

gemma-2-2b-it Q4_K_M · açgözlü kip (sıcaklık 0) · aynı istem. Dört farklı yürütme stratejisi, tek ve aynı çıktı. Her strateji ayrıca iki bağımsız koşuda da birebir aynı sonucu verdi. Optimizasyon, kanıtı bozmuyor.

Aynı model ve istem; 8-bit tamsayı aktivasyon, 32'lik grup ölçeği. Bu yol f64 yolundan farklı sayılar üretir, bu yüzden özeti de farklıdır; ama kendi içinde sonuç stratejiden bağımsızdır. Özet yalnız seçilen belirtecin değil, her adımdaki tüm logitlerin bitleri üzerinden alınır.

Hız ve kalite — ölçülen, abartılmayan. Aynı istem, 8 belirteç, açgözlü kip: varsayılan f64 yolu 626,9 / 631,7 s, tamsayı çekirdeği 6,9 / 7 s (iki koşu; yaklaşık 90 kat). Hızın büyük kısmı determinizmden vazgeçmeden kazanıldı. Ölçüm yalnız CPU (GPU kullanılmadı): Intel Core i7-9750H @ 2.60 GHz, 8 GB RAM, paralel + KV önbelleği; sayılar bu makineye aittir.

Tamsayı çekirdeği 8-bit tamsayı aktivasyonla çalışır ve f64 yolundan farklı sayılar üretir: aynı önek üzerinde belirteç seçimi 80 kararın 79'unda f64 ile aynı (%98,75; 10 istem × 8 belirteç, sıcaklık 0). Bu yol isteğe bağlıdır (BERK_LLM_YOL ortam değişkeni); platformlar-arası bit-özdeşliği henüz ölçülmedi. Yöntem ve tüm ölçümler: AI Framework belgesi, Bölüm 16.

Yol haritası — hedef, kabiliyet değil. Studio'da yol seçici ve SHA göstergesi, küçük dil modeli (SLM) eğitim laboratuvarı ve GPU'ya hazır hız yolu henüz yok. Hız yolu geldiğinde determinizm hücresinde toleranslı × float-std olarak beyan edilecek: GPU çekirdeklerinin indirgeme sırası sabit değildir; aynı model iki beyanla yaşar. "Büyük LLM eğitir" iddiası donanımda ölçülmeden yazılmaz.

Platformlar-arası bit-özdeşlik — ölçüldü

Aynı kaynak dosya; üç farklı yürütme motoru: ağaç-yürüyen yorumlayıcı, LLVM ile derlenmiş yerel x86-64 kodu ve çıplak metal ARM Cortex-M7. Sekiz parmak izinin sekizi de birebir aynı.

FNV-1a/32 parmak izleri. Her ondalık, metne çevrilmeden ±m·2^e üçlüsüne kayıpsız ayrıştırılıp karıştırılır — biçimlendirme yuvarlaması sonucu gizleyemez. Denormal aritmetik (2⁻¹⁰⁷⁴) dâhildir ve üç platformda da FTZ/DAZ yoktur.

Kartta çift duyarlık aritmetiği tamamen yazılımda koşar — STM32F746'nın FPU'su yalnız tek duyarlıktır. PC tarafında ise SSE2 donanım komutları kullanılır. Yani bu tablo “aynı kod iki kez koştu” değil, IEEE-754 sözleşmesinin iki bağımsız uygulamada tuttuğu anlamına gelir.