10 dili
birbirine çevirir.
Serval, yalnızca çeviri yapan küçük bir LLM'dir. 10 dilin herhangi birinden herhangi birine, 90 yönde çevirir. Tek dosyadır (yaklaşık 1,1 GB) ve internete bağlanmadan elinizdeki makinede çalışır. Sağdaki çeviriler, CPU'da gerçekten yapılmış çevirilerin kayıtlarıdır ve aynı hızda oynatılır.
DEDeutsch
JAJaponca
* Kaynak metinler örnek olarak yazılmış kurgusal cümlelerdir. Çeviriler Serval'ın çıktısıdır, üzerinde oynanmamıştır (ifadenin sert kaldığı yerler de olduğu gibi bırakılmıştır). Gösterilen saniyeler, CPU üzerinde yapılan bir çalıştırmanın kaydıdır.
65'te 1 boyut,
fark 1,2 puan.
gpt-oss-120b (117 milyar parametre) ile aynı cümleleri çevirtip aynı ölçütle puanladık. Puan COMET'tir (çevirinin, insan çevirisine ne kadar yakın olduğunu 0-100 arasında gösteren ölçüt). Sarı Serval, beyaz gpt-oss-120b'dir.
* Kendi ölçümlerimizdir (Kasım 2026; Serval Q4_K_M, gpt-oss-120b reasoning effort medium). Sonuç, Serval'ın daha iyi olduğunu değil, küçük kalarak yakın bir puan alabildiğini gösterir. Ayrıntılı koşullar sayfanın sonunda.
90 yön,
her birinin puanı.
Dikey eksen kaynak dili, yatay eksen hedef dili gösterir. Renk koyulaştıkça puan yükselir. Bir kare seçtiğinizde o yöndeki Serval ve gpt-oss-120b puanları yan yana gösterilir.
↓ Kaynak dilHedef dil →
JA → EN
- Serval
- –
- gpt-oss-120b
- –
- Fark
- –
* FLORES-200 devtest kümesinden, her yön için 100 cümle. Puan, COMET'in (wmt22-comet-da) 100 ile çarpılmış değeridir.
Hırvatçayı
sonradan öğrettik.
Serval'ın temel aldığı model (Hy-MT2-1.8B) Hırvatçayı desteklemiyor. Çeviri yaptırıldığında araya komşu dillerin sözcükleri ve Kiril harfleri karışıyordu. Bunun üzerine yaklaşık 320 bin cümle çifti hazırlayıp ek eğitim yaptık ve diğer 9 dildeki başarıyı düşürmeden Hırvatçayı ekledik. Aşağıda aynı cümlenin eğitimden önceki ve sonraki çevirisini görüyorsunuz.
JA
Eğitimden önce (temel model)
Eğitimden sonra (Serval)
* Sarı renk, Kiril harfi karışmış sözcükleri gösterir. Eğitim öncesi için temel modelin Q4_K_M sürümü, sonrası için Serval'ın Q4_K_M sürümü kullanıldı; ikisi de bu çalışma için yeniden ölçüldü. Kaynak cümleler FLORES-200'den (CC BY-SA 4.0) alınmıştır.
Sadece CPU ile
cümle başına 1-2 saniye.
Solda, Serval'ın GPU'suz bir makinede bir cümleyi çevirmesini görüyorsunuz. Sağdaki ikisi karşılaştırma içindir: 96 GB GPU'lu bir sunucuya Serval ve gpt-oss-120b ayrı ayrı yüklendiğinde olanlar. Hepsi gerçek kayıtların aynı sürede oynatılmasıdır; hızlandırma yoktur.
Sadece CPU
ServalGPU yok, 8 iş parçacığı
0.0sn
Karşılaştırma: GPU sunucusu
ServalAynı sunucunun GPU'sunda çalıştığında
0.0sn
Karşılaştırma: GPU sunucusu
gpt-oss-120b96 GB GPU gerekir
0.0sn
* Kendi ölçümlerimizdir (Kasım 2026). İstekler tek tek, sırayla gönderildiğinde gönderimden çevirinin tamamlanmasına kadar geçen süredir. Kaynak cümleler FLORES-200'den (CC BY-SA 4.0) alınmıştır.
Talimat
tek bir tane.
Hedef dilin adını ve kaynak metni yerleştirmeniz yeterli. Özel adların çevirisini önceden belirlemek isterseniz başına bir eşleştirme tablosu eklersiniz. Ağırlıklar tek dosyadır ve llama.cpp ile doğrudan çalışır.
Talimat
Translate the following text into Japanese. Note that you should only output the translated result without any additional explanation:
{kaynak metin}Adların çevirisini önceden belirleme (terim sözlüğü)
Reference the following translations: 伏見稲荷大社 translates to Fushimi Inari-taisha Translate the following text into English. Note that … {kaynak metin}
Başlatma (llama.cpp)
llama-server -m serval-Q4_K_M.gguf \ -c 4096 -t 8 --jinja --port 8091
YayındaAğırlıkları indir →
- System istemi eklenmez. User mesajına yalnızca yukarıdaki talimat konur.
- Ayarlar: temperature 0, repetition_penalty 1.05.
- Çincenin yer aldığı yönlerde talimat da Çince yazılır (将以下文本翻译为…).
- Temel model Hy-MT2-1.8B, Apache-2.0 lisanslıdır. Serval modeli, değişiklikler belirtilerek CatsAI Model License ile dağıtılır. geçici
- Telefonda da (Android, iOS) llama.cpp ile çalıştırılabilecek boyuttadır. Gerçek cihazlardaki hız ölçümlerini ileride yapacağız. Planlanıyor
Japonya seyahatine
uyarlanmış sürümü de var.
Serval temel alınarak, Japonya'daki turistik yerlerin, istasyonların, yemeklerin yaklaşık 11 bin adını içeren seyahat metinleriyle ek eğitimden geçirilmiş sürümdür. Okunuşu zor yer adlarında daha az hata yapar. Uygulama tarafında bir ad eşleştirme tablosu (terim sözlüğü) da eklenirse adlar neredeyse tam belirlendiği gibi çevrilir. Aynı yöntemle sizin alanınıza uyarlanmış bir sürüm de geliştirebiliriz.
Yer ve tesis adlarının doğru çevrilme oranı
- Testte kullanılan yer adları eğitime dahil edilmedi. Genel metinlerdeki puan Serval'a göre 0,2-0,4 puan düşer.
* Kendi hazırladığımız 2.160 seyahat cümlesiyle (Japonca ile 9 dil arasında, 18 yön) yapılan ölçümdür. Ad listesi Wikidata'dan (CC0) derlendi. Örnek kaynak cümleler test için yazılmıştır; içerdikleri bilgiler gerçeği yansıtmayabilir.
Tek cümle,
9 dile.
Bir cümle seçtiğinizde diğer 9 dile tek tek çevrilir. Yalnızca bir hedef dil de seçebilirsiniz. Saat, çevirinin gerçekte sürdüğü saniyeleri gösterir.
Canlı: gerçek model şu anda yalnızca bu sunucunun CPU'suyla çeviri yapıyor
1Cümle seçinKaynak dil
JA
2Hedef dil
Cümleyi değiştirip istediğiniz cümleyi çevirebilirsiniz.
Modele giden talimat
0.0sn
Ölçüm yöntemi
ve görüşme.
- Cümleler: FLORES-200 devtest kümesinden (insan çevirisi doğru yanıtlarla, CC BY-SA 4.0) 10 dilin 90 yönü × 100 cümle = 9.000 cümle. Ek olarak WMT24++ kümesinden, İngilizceden 9 dile 1.800 paragraf.
- Ölçüt: COMET'in (wmt22-comet-da) 100 ile çarpılmış değeri. Çevirinin insan çevirisine ne kadar yakın olduğunu, kaynak metne de bakarak puanlayan bir ölçüttür.
- Seyahat sürümü: Eğitimde kullanılmayan yerlere ait 2.160 cümle. Doğru çevirileri, gpt-oss-120b ad eşleştirme tablosuna bakarak üretti. Bu yüzden gpt-oss-120b'nin bu cümlelerdeki puanı yalnızca bilgi amaçlı verilmiştir.
- Tarih: Kasım 2026; Vast.ai üzerinde bir adet RTX PRO 6000 (96 GB). Resmî yayından önce gözden geçirilecektir.