Instructions to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL
# Run inference directly in the terminal:
llama cli -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL
# Run inference directly in the terminal:
llama cli -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL
# Run inference directly in the terminal:
./build/bin/llama cli -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Use Docker

docker model run hf.co/webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Llama new
LM Studio
Jan
Ollama
How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with Ollama:
```
ollama run hf.co/webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL
```
Unsloth Desktop

How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with Docker Model Runner:
```
docker model run hf.co/webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL
```

Lemonade

How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Run and chat with the model

lemonade run user.gemma4-tr-26b-a4b-pruned-hukuk-GGUF-IQ4_NL

List all available models

lemonade list

Hermes Agent

How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF:IQ4_NL" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Gemma4-TR-26B-A4B-Pruned-Hukuk

Özel Mülkiyet ve Lisans Bildirimi (Proprietary / All Rights Reserved)

LİSANS: proprietary-private (license: other)
Bu model, budanmış mimarisi (101 Experts), fine-tuning ağırlıkları, GGUF kuantalama dosyaları (IQ4_XS, IQ4_NL) ve kalibrasyon matrisi (imatrix_v2.dat) tamamen Özel Mülkiyet (Private / Proprietary) kapsamındadır. Tüm hakları saklıdır (All Rights Reserved).
Model sahibinin (webbrain-one) yazılı ve açık izni olmaksızın bu modelin veya türevlerinin kopyalanması, dağıtılması, üçüncü kişilerle paylaşılması, ticari veya açık kaynaklı ortamlarda yeniden yayınlanması kesinlikle yasaktır.

Model Özeti ve v1 vs v2 Farkları

Baz Model: webbrain-one/gemma4-turkish-26b-a4b-pruned (Türkçe heal edilmiş, 101 Uzman/Katman budanmış MoE mimarisi)
Mimari Yeniliği: Standart 128 MoE uzmanı yerine 101 uzman ile optimize edilmiş, ~%20 parametre tasarrufu ve daha hafif dosya boyutu.
Veri Tabanı Genişletmesi (v2):
- hamzabagirsakci/turkish-court-decisions (11.045.085 Karar) korpusundan dengeli ve yüksek kaliteli ~18.000 içtihat:
  - Yargıtay: 10.000 karar
  - Danıştay: 4.000 karar
  - AYM (Bireysel Başvuru & Norm Denetimi): 2.000 karar
  - Emsal Mahkemeler: 2.000 karar
- Dengeleyici Mevzuat ve Hukuki Soru-Cevap setleri (~31.000 örnek)
- Toplam ~49.000 zengin SFT örneği.
Kuantalama (Quantization): llama.cpp + imatrix_v2.dat:
- gemma4-tr-26b-a4b-pruned-hukuk-IQ4_XS.gguf (10.52 GB)
- gemma4-tr-26b-a4b-pruned-hukuk-IQ4_NL.gguf (10.92 GB)

Benchmark Sonuçları (`turkhukuk/hukukbert-cloze-benchmark` - 750 Soru)

Eğitim Öncesi Doğruluk (Pre-Train): %27.6
Eğitim Sonrası Doğruluk (Post-Train): %30.4
Eğitim Sonu Kayıp Değeri (Final Train Loss): 0.628373616397868

Çalıştırma Parametreleri (`llama.cpp`)

# IQ4_XS ile çalıştırma:
./llama-cli \
  -m gemma4-tr-26b-a4b-pruned-hukuk-IQ4_XS.gguf \
  -ngl 99 \
  -c 4096 \
  --temp 1.0 \
  --top-p 0.95 \
  --top-k 64 \
  -cnv \
  -p "<|turn>system\nSen uzman bir Türk Hukuku asistanısın.<turn|>\n"

# IQ4_NL ile çalıştırma:
./llama-cli \
  -m gemma4-tr-26b-a4b-pruned-hukuk-IQ4_NL.gguf \
  -ngl 99 \
  -c 4096 \
  --temp 1.0 \
  --top-p 0.95 \
  --top-k 64 \
  -cnv \
  -p "<|turn>system\nSen uzman bir Türk Hukuku asistanısın.<turn|>\n"

📊 Karşılaştırmalı Türk Hukuku Benchmark Sonuçları

Aşağıdaki tablolar, Türkiye Mahkeme Kararları Korpusu (11 Milyon Belge) ve Türk Hukuku Mevzuatı (v2) ile eğitilen modellerimizin hem resmi ÖSYM kariyer sınavları (97 Soru: Adli Yargı, İdari Yargı, HMGS, Avukatlık Sınavı) hem de 750 Soruluk Mevzuat & Emsal Karar Cloze Testi üzerindeki performansını göstermektedir:

1. Resmi ÖSYM TRLawBench Başarısı (97 Soru)

Sıra	Model	Mimari / Kuantalama	Mod	Toplam Doğru	Başarı (%)	Hız (sn/soru)	Disk Boyutu
🥇	Qwen 3.8 27B	27B Dense (`UD-Q4_K_M`)	Doğrudan (Düz)	55 / 97	%56.70	0.44 s	15.33 GB
🥈	MiniCPM-V 4.7 35B-A3B	35B MoE (`IQ4_NL` A3.6B)	Doğrudan (Düz)	51 / 97	%52.58	0.26 s	18.42 GB
🥉	Ternary-Bonsai-2-27B ⚡	27B Ternary (`PQ2_0` 2.13bpw)	Doğrudan (Düz)	49 / 97	%50.52	0.83 s	6.71 GB
4	Gemma-4-12B-it (Base) 🌟	12B Dense (`Q4_K_M`)	Doğrudan (Düz)	44 / 97	%45.36	0.76 s	6.63 GB
5	Qwen 3.5 9B (Base) 🚀	9B Dense (`Q4_K_M`)	Doğrudan (Düz)	43 / 97	%44.33	0.64 s	5.29 GB
6	Gemma-4 TR-Hukuk v2 (Pruned) 🇹🇷	20.2B MoE (`IQ4_NL` A3.2B)	Doğrudan (Düz)	38 / 97	%39.18	0.23 s	10.92 GB
7	Ling-3.0-tiny (Base) ⚡	7.9B MoE (`Q4_K_M` A1.3B)	Doğrudan (Düz)	31 / 97	%31.96	0.77 s	4.49 GB
8	ling3-tr-tiny-pruned-hukuk 🇹🇷	Pruned MoE (`IQ4_NL`)	Doğrudan (Düz)	29 / 97	%29.90	0.23 s	2.84 GB
9	Ternary-Bonsai-2-9B ⚡	9B Ternary (`PQ2_0` 2.13bpw)	Doğrudan (Düz)	29 / 97	%29.90	0.38 s	2.25 GB
10	Qwen 3.5 9B Fine-Tuned 🇹🇷	9B Dense (Native BF16 / MLX / GGUF)	Reasoning ON	10 / 97*	%10.31	18.10 s	5.35 GB

*Not: Qwen 3.5 9B Fine-Tuned modeli 47 bin emsal karar ile eğitilmiş olup çoktan seçmeli sorularda salt şık işaretlemek yerine derin hukuki gerekçe yazma eğilimindedir (<think>). 384 token kısıtlamasında kapsamlı gerekçesini tamamlayamadan kesildiğinden nihai şık harfine varamamaktadır.

2. Türk Hukuku Mevzuat & Terminoloji Hakimiyeti (Held-out 750 Soru Cloze Testi)

Modellerin kanun maddesi tamamlama ve hukuki kavram doğruluğu (turkhukuk/hukukbert-cloze-benchmark):

Model	Taban (Pre-train)	Fine-Tuned (Post-train)	Net İlerleme / Artış
Qwen 3.5 9B Türkçe Hukuk 🚀	%41.87 (314 / 750)	%47.47 (356 / 750)	+5.60 puan (+42 Soru)
Gemma-4 26B-A4B Pruned Hukuk v2	%27.60 (207 / 750)	%30.40 (228 / 750)	+2.80 puan (+21 Soru)

Downloads last month: 213

GGUF

Model size

20B params

Architecture

gemma4

Hardware compatibility

4-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF

Base model

google/gemma-4-26B-A4B

Finetuned

google/gemma-4-26B-A4B-it

Finetuned

webbrain-one/gemma4-turkish-26b-a4b-pruned

Quantized

(2)

this model

Gemma4-TR-26B-A4B-Pruned-Hukuk

Özel Mülkiyet ve Lisans Bildirimi (Proprietary / All Rights Reserved)

Model Özeti ve v1 vs v2 Farkları

Benchmark Sonuçları (turkhukuk/hukukbert-cloze-benchmark - 750 Soru)

Çalıştırma Parametreleri (llama.cpp)

📊 Karşılaştırmalı Türk Hukuku Benchmark Sonuçları

1. Resmi ÖSYM TRLawBench Başarısı (97 Soru)

2. Türk Hukuku Mevzuat & Terminoloji Hakimiyeti (Held-out 750 Soru Cloze Testi)

Model tree for webbrain-one/gemma4-tr-26b-a4b-pruned-hukuk-GGUF

Benchmark Sonuçları (`turkhukuk/hukukbert-cloze-benchmark` - 750 Soru)

Çalıştırma Parametreleri (`llama.cpp`)