---
pretty_name: Turkish Chat Max 25K
language:
- tr
- en
license: apache-2.0
multilinguality:
- multilingual
size_categories:
- 10K<n<100K
source_datasets:
- original
annotations_creators:
- machine-generated
language_creators:
- machine-generated
task_categories:
- text-generation
- question-answering
- summarization
- translation
- text-classification
task_ids:
- extractive-qa
- open-domain-qa
- multiple-choice-qa
- natural-language-inference
- dialogue-modeling
- topic-classification
tags:
- turkish
- türkçe
- synthetic
- sft
- instruction-tuning
- chat
- conversational
- multi-turn
- reasoning
- chain-of-thought
- tool-calling
- function-calling
- grammatical-error-correction
configs:
- config_name: all
  default: true
  data_files:
  - split: train
    path: data/*/train.parquet
- config_name: extractive_qa
  data_files:
  - split: train
    path: data/extractive_qa/train.parquet
- config_name: grammatical_error_correction
  data_files:
  - split: train
    path: data/grammatical_error_correction/train.parquet
- config_name: multiple_choice_qa
  data_files:
  - split: train
    path: data/multiple_choice_qa/train.parquet
- config_name: summarization
  data_files:
  - split: train
    path: data/summarization/train.parquet
- config_name: open_qa
  data_files:
  - split: train
    path: data/open_qa/train.parquet
- config_name: natural_language_inference
  data_files:
  - split: train
    path: data/natural_language_inference/train.parquet
- config_name: machine_translation
  data_files:
  - split: train
    path: data/machine_translation/train.parquet
- config_name: math_and_logic
  data_files:
  - split: train
    path: data/math_and_logic/train.parquet
- config_name: text_classification
  data_files:
  - split: train
    path: data/text_classification/train.parquet
- config_name: instruction_following
  data_files:
  - split: train
    path: data/instruction_following/train.parquet
- config_name: code
  data_files:
  - split: train
    path: data/code/train.parquet
- config_name: tool_calling
  data_files:
  - split: train
    path: data/tool_calling/train.parquet
- config_name: information_extraction
  data_files:
  - split: train
    path: data/information_extraction/train.parquet
- config_name: casual_conversation
  data_files:
  - split: train
    path: data/casual_conversation/train.parquet
- config_name: creative_writing
  data_files:
  - split: train
    path: data/creative_writing/train.parquet
- config_name: planning
  data_files:
  - split: train
    path: data/planning/train.parquet
---

<p align="center">
  <a href="https://huggingface.co/datasets/cisimcik/turkish-chat-max-25k/blob/main/README_en.md"><img src="https://img.shields.io/badge/English-6b7280?style=for-the-badge" alt="English"></a>
  <a href="https://huggingface.co/datasets/cisimcik/turkish-chat-max-25k"><img src="https://img.shields.io/badge/T%C3%BCrk%C3%A7e-2563eb?style=for-the-badge" alt="Türkçe"></a>
</p>

# Turkish Chat Max 25K

**24.543 sentetik Türkçe instruction-tuning konuşması.** Veri seti 16 görev türünü kapsıyor. Gereken turlarda adım
adım düşünme (reasoning), çok turlu diyaloglar ve araç çağırma (tool calling) içeriyor. Her satırı kendi veri
üreticimizle ürettik ve veri setinde **mevcut veri setlerinden kopyalanmış hiçbir metin yok**.

| | |
|---|---|
| Konuşma sayısı | 24.543 |
| Çok turlu (2-5 kullanıcı turu) | 5.160 (%21,0) |
| Düşünme içeren (tur başına gerekçe) | 18.056 (%73,6) |
| Araç çağrısı içeren | 921 satır, 1.307 çağrı |
| Diller | Türkçe. Çeviri ve İngilizce kaynaklı görevlerde İngilizce de var |
| Format | Parquet, Hugging Face chat düzeni (`messages`) |
| Lisans | Apache 2.0 (ticari kullanım dahil her amaçla kullanılabilir) |

## Hızlı başlangıç
```python
from datasets import load_dataset

ds = load_dataset("cisimcik/turkish-chat-max-25k", split="train")                       # hepsi ("all" config'i)
tools = load_dataset("cisimcik/turkish-chat-max-25k", "tool_calling", split="train")    # tek bir görev türü
print(ds[0]["messages"])
```
Her görev türü ayrı bir config olarak da duruyor, viewer'da tek tek gezebilirsiniz. Config'ler şunlar:
`extractive_qa`, `grammatical_error_correction`, `multiple_choice_qa`, `summarization`, `open_qa`, `natural_language_inference`, `machine_translation`, `math_and_logic`, `text_classification`, `instruction_following`, `code`, `tool_calling`, `information_extraction`, `casual_conversation`, `creative_writing`, `planning`.

Metadata sütunlarıyla filtrelemek için:
```python
hard_math = ds.filter(lambda r: r["task_type"] == "Mathematical & Logical Reasoning" and r["difficulty"] in ("hard", "expert"))
no_thinking = ds.filter(lambda r: not r["has_reasoning"])
dialogues = ds.filter(lambda r: r["n_turns"] >= 3)
```
pandas ya da polars kullanıyorsanız Parquet dosyalarını doğrudan okuyabilirsiniz: `pl.read_parquet("hf://datasets/cisimcik/turkish-chat-max-25k/data/*/train.parquet")`.

## Veri formatı
Her satır bir konuşma. `messages` alanı turların listesini tutar:

| alan | anlamı |
|---|---|
| `role` | `system`, `user`, `assistant` ya da `tool` |
| `content` | turun görünen metni |
| `reasoning` | asistanın o turdaki düşünmesi (tur düşünme içermiyorsa null) |
| `tool_calls` | araç çağıran asistan turlarında `{name, arguments}` listesi (`arguments` bir JSON string) |
| `name` | `tool` turlarında sonucu üreten aracın adı |

Filtreleme ve sıralama için sütunlar:

| sütun | değerler |
|---|---|
| `task_type`, `task_subtype` | görev (aşağıdaki tabloya bakın) ve alt türü. Örnek: `Extractive QA` / `howto_span`, `Tool Use & Function Calling` / `parallel_calls` |
| `difficulty` | easy, medium, hard, expert |
| `reasoning_effort` | satırdaki en derin düşünme seviyesi: none, low, medium, high, xhigh |
| `reasoning_mode` | `effort` (düşünme seviyesi belirtilmiş), `auto` (asistan her turda düşünüp düşünmeyeceğine kendisi karar verir), `off` (düşünme yok) |
| `has_reasoning`, `n_turns`, `has_system`, `has_tools`, `n_tools` | hızlı filtreler |
| `tools` | konuşmada sunulan fonksiyon şemaları, JSON string olarak (araç satırlarında) |
| `language_mode`, `prompt_language` | `tr_only`, `tr_en` (İngilizce materyal içeren Türkçe), `en_source` ve kullanıcı prompt'unun dili |
| `culture`, `topic` | konuşmanın dayandığı kültürel çerçeve ve konu |
| `user_prompt_style`, `register` | kullanıcının nasıl yazdığı (gündelik, yazım hatalı, kısa ve öz, sınav dili, kibar vb.) ve resmiyet düzeyi |
| `answer_style`, `source_format`, `interaction`, `challenge` | beklenen cevap biçimi, kaynak metnin yapısı (paragraf, diyalog, madde işaretleri, tablo), çok turlu konuşmanın deseni ve zorluğu artıran unsur (çeldiriciler, olumsuzlama, sınır durumları) |
| `answerability`, `abstain_kind` | `answerable` / `unanswerable` ve cevaplanamama nedeni (yanlış varsayım, eksik bilgi, henüz olmamış bir olay vb.) |
| `id`, `recipe_version`, `created` | satır kimliği, üreticinin tarif sürümü ve oluşturulma tarihi |

Örnek bir araç çağırma satırı (metinler kısaltıldı):
```json
{
  "id": "0040b31e-704e-4f02-b6dd-fed8372e70df",
  "task_type": "Tool Use & Function Calling",
  "task_subtype": "sequential_calls",
  "difficulty": "hard",
  "reasoning_effort": "low",
  "n_turns": 2,
  "has_tools": true,
  "messages": [
    {
      "role": "system",
      "content": "Sen yardımcı bir asistanısın. Gerektiğinde tanımlı araçları çağır. Zorunlu bir bilgi eksikse tahmin etme, sor; araç sonucunda olmayan bir şeyi uydurma. Aksi ist…"
    },
    {
      "role": "user",
      "content": "sipariş no YL-4821. marketing için e-posta ve SMS iznimi kapat; sipariş haberlerini kesme. Teslimat adresimle diğer sipariş bilgilerimi de silme, paket yolda. B…"
    },
    {
      "role": "assistant",
      "content": "",
      "tool_calls": [
        {
          "name": "siparis_kaydi_getir",
          "arguments": "{\"siparis_no\": \"YL-4821\"}"
        }
      ]
    },
    {
      "role": "tool",
      "content": "{\"siparis_no\":\"YL-4821\",\"musteri_id\":\"M-731\",\"saklanan_kisisel_veri_alanlari\":[\"ad soyad\",\"e-posta adresi\",\"telefon numarası\",\"teslimat adresi\"],\"pazarlama_izin…",
      "name": "siparis_kaydi_getir"
    },
    {
      "role": "assistant",
      "content": "",
      "reasoning": "Kayıttaki müşteri kimliği M-731; iki pazarlama iznini bu kimlikle kapatmalıyım. Güncelleme sipariş bilgilerine ve işlem bildirimlerine dokunmadığı için korunmas…",
      "tool_calls": [
        {
          "name": "pazarlama_tercihlerini_guncelle",
          "arguments": "{\"musteri_id\": \"M-731\", \"eposta_izni\": false, \"sms_izni\": false}"
        }
      ]
    },
    {
      "role": "tool",
      "content": "{\"musteri_id\":\"M-731\",\"basarili\":true,\"pazarlama_izinleri\":{\"eposta\":false,\"sms\":false},\"siparis_bildirimleri\":true,\"siparis_bilgileri_korundu\":true,\"saklanan_k…",
      "name": "pazarlama_tercihlerini_guncelle"
    },
    {
      "role": "assistant",
      "content": "E-posta ve SMS pazarlama izinlerin kapatıldı. Sipariş bildirimlerin açık kaldı; teslimat adresin ve diğer sipariş bilgilerin silinmedi.\n\nTutulan kişisel bilgi a…"
    },
    {
      "role": "user",
      "content": "başka bi hesap var: Derya, Cansu ve ben yemek masrafını eşit paylaşacağız. toplam 840 lira, Derya 500 Cansu 340 ödedi ben hiç ödemedim. şimdi kime kaç lira gönd…"
    },
    {
      "role": "assistant",
      "content": "Derya’ya **220 TL**, Cansu’ya **60 TL** gönder. Böylece üçünüz de kişi başı **280 TL** ödemiş olursunuz.",
      "reasoning": "Toplam 840 lirayı üç kişiye bölünce kişi başına 280 lira buluyorum. Derya 500−280=220 lira, Cansu 340−280=60 lira fazla ödüyor. Hiç ödeme yapmayan kişinin 280 l…"
    }
  ],
  "tools": "[\"{\\\"type\\\": \\\"function\\\", \\\"function\\\": {\\\"name\\\": \\\"siparis_kaydi_getir\\\", \\\"description\\\": \\\"Sipariş numarasına bağlı müşteri kimliğini, saklanan kişisel ver…"
}
```

Düşünme içeren bir matematik satırı (metinler kısaltıldı):
```json
{
  "id": "000fa14c-a7b1-4608-937e-f25a9ff64f3c",
  "task_type": "Mathematical & Logical Reasoning",
  "task_subtype": "probability",
  "difficulty": "hard",
  "reasoning_effort": "low",
  "n_turns": 1,
  "has_tools": false,
  "messages": [
    {
      "role": "user",
      "content": "dolabımda 3 kırmızı, 4 mavi, 5 tane de siyah elbise var. gözlerimi kapayıp rastgele 2 tane seçtiğimde, bu ikisinin de aynı renk olma olasılığı kaçtır? hesaplaya…"
    },
    {
      "role": "assistant",
      "content": "Seçilen iki elbisenin aynı renk olma olasılığı 19/66'dır, yaklaşık %28.8.",
      "reasoning": "Önce toplam elbise sayısını buluyorum: 3+4+5=12. Rastgele 2 elbise seçmek için tüm olası kombinasyonlar C(12,2) = (12*11)/2 = 66. Aynı renkli kombinasyonları te…"
    }
  ]
}
```

## Eğitimde kullanım
Düşünme kısmı cevaptan ayrı tutulduğu için her chat template ile kullanılabilir. Qwen3 tarzı template'lerde bunu
`reasoning_content` olarak verin. Düşünmeyen bir model eğitecekseniz bu kısmı atabilirsiniz.
```python
import json
from transformers import AutoTokenizer

tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-8B")
def to_chat(row, keep_reasoning=True):
    msgs = []
    for m in row["messages"]:
        d = {"role": m["role"], "content": m["content"]}
        if m["role"] == "assistant":
            if keep_reasoning and m["reasoning"]: d["reasoning_content"] = m["reasoning"]
            if m["tool_calls"]:
                d["tool_calls"] = [{"type": "function", "function": {"name": c["name"], "arguments": json.loads(c["arguments"])}}
                                   for c in m["tool_calls"]]
        if m["role"] == "tool": d["name"] = m["name"]
        msgs.append(d)
    return tok.apply_chat_template(msgs, tools=json.loads(row["tools"]) if row["tools"] else None, tokenize=False)
```
Çok turlu satırlarda chat template'ler genellikle önceki turların düşünmesini siler ve yalnızca son turunkini bırakır.
Her turun düşünmesini öğretmek istiyorsanız konuşmayı asistan turu başına ayrı bir örneğe bölün.

## İçerik ve istatistikler
| config | görev türü | satır | çok turlu | düşünme içeren | kullanıcı mesajı, kelime (medyan) | cevap, kelime (medyan) | düşünme, kelime (medyan) |
|---|---|---|---|---|---|---|---|
| `extractive_qa` | Extractive QA | 2.953 | 627 | 2.023 | 103 | 4 | 36 |
| `grammatical_error_correction` | Grammatical Error Correction (GEC) | 2.576 | 0 | 2.115 | 50 | 31 | 46 |
| `multiple_choice_qa` | MCQA | 2.330 | 0 | 1.890 | 74 | 1 | 62 |
| `summarization` | Summarization | 2.219 | 474 | 1.708 | 116 | 36 | 58 |
| `open_qa` | Open-ended Question Answering | 1.843 | 689 | 1.400 | 66 | 81 | 72 |
| `natural_language_inference` | NLI | 1.807 | 0 | 1.540 | 73 | 1 | 55 |
| `machine_translation` | Machine Translation | 1.660 | 0 | 918 | 57 | 47 | 51 |
| `math_and_logic` | Mathematical & Logical Reasoning | 1.501 | 579 | 1.292 | 84 | 58 | 119 |
| `text_classification` | Text Classification | 1.485 | 0 | 1.027 | 76 | 1 | 39 |
| `instruction_following` | Instruction Following | 1.311 | 792 | 972 | 95 | 83 | 95 |
| `code` | Code Generation & Understanding | 988 | 384 | 909 | 98 | 100 | 113 |
| `tool_calling` | Tool Use & Function Calling | 921 | 431 | 475 | 41 | 37 | 51 |
| `information_extraction` | Information Extraction | 850 | 166 | 706 | 92 | 19 | 68 |
| `casual_conversation` | Casual Conversation | 814 | 500 | 207 | 49 | 60 | 51 |
| `creative_writing` | Creative Writing | 729 | 307 | 402 | 56 | 108 | 52 |
| `planning` | Problem Solving & Planning | 556 | 211 | 472 | 94 | 137 | 116 |
| | **toplam** | **24.543** | **5.160** | **18.056** | 79 | 26 | 57 |

- **Düşünme seviyesi:** none 6.487 (%26,4) · low 6.971 (%28,4) · medium 8.894 (%36,2) · high 2.026 (%8,3) · xhigh 165 (%0,7)
- **Düşünme modu:** effort 13.364 (%54,5) · auto 8.185 (%33,3) · off 2.994 (%12,2)
- **Zorluk:** medium 12.076 (%49,2) · easy 6.655 (%27,1) · hard 5.811 (%23,7) · expert 1 (%0,0)
- **Konuşma başına kullanıcı turu:** 1: 19.383 · 2: 3.309 · 3: 1.420 · 4: 323 · 5+: 108
- **Dil modu:** tr_only 16.864 (%68,7) · tr_en 6.637 (%27,0) · en_source 1.042 (%4,2)
- **Kültür:** everyday_tr 10.224 (%41,7) · general 8.249 (%33,6) · turkish_history 2.207 (%9,0) · proverb_idiom 2.128 (%8,7) · islamic_history 1.735 (%7,1)
- **Kullanıcı prompt stili:** informal 6.958 (%28,4) · messy_typos 5.011 (%20,4) · exam 3.714 (%15,1) · conversational 3.267 (%13,3) · terse 2.901 (%11,8) · clean 1.786 (%7,3) · polite 874 (%3,6) · null 32 (%0,1)
- **Cevaplanabilirlik:** answerable 23.440 (%95,5) · unanswerable 1.103 (%4,5)
- **Araç çağırma:** 921 satır, 1.307 çağrı. 419 satırda 2 ya da daha fazla çağrı var.
  - Alt türler: single_call 234, sequential_calls 179, no_tool_needed 153, parallel_calls 133, missing_argument 129, tool_error 93.
  - Kapsanan durumlar: tek çağrı, aynı anda yapılan bağımsız çağrılar, bir önceki sonuca ihtiyaç duyan çağrılar,
    tanımlı araçların hiçbirinin karşılayamadığı istekler, eksik zorunlu argüman (önce kullanıcıya sorulur, sonra
    çağrı yapılır) ve hata veren bir araç (hata açıkça bildirilir).
- **Cevap uzunluğu:** medyan 26 kelime, 90. yüzdelikte 127. Etiketler ve span'ler kısa, planlar, kod ve hikâyeler uzun.

## Nasıl üretildi
- **Tarifler:** Her konuşma rastgele seçilen bir tarifle başlar. Tarif görevi, zorluğu, kullanıcının yazış stilini,
  kültürü, tur sayısını, düşünme modunu ve konuyu belirler. Konuşmanın tamamını kendi üreticimiz yazar.
- **Düşünme:** Her turun ihtiyacına göre ayarlanır. Etiket ve selamlaşma turlarında hiç düşünme yok, çok adımlı
  matematik ve kod turlarında ise en fazla.
- **Kalite:** Yayından önce her satır otomatik kontrollerden ve elle incelemeden geçti.

## Lisans ve koşullar
**Apache License 2.0** ile yayımlanmıştır (bkz. `LICENSE`). Veriyi ticari kullanım ve model eğitimi dahil her amaçla
kullanabilir, değiştirebilir ve dağıtabilirsiniz. Bunun için lisansı ve bildirimlerini korumanız yeterli. Konuşmalar üçüncü taraf
büyük dil modeli servisleri kullanılarak üretildi.

## Atıf
```bibtex
@misc{turkishchatmax25k2026,
  title     = {Turkish Chat Max 25K},
  author    = {cisimcik},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/datasets/cisimcik/turkish-chat-max-25k}
}
```