Update model names and cross-links after repo rename

README.md

@@ -4,7 +4,7 @@ language:
 - tr
 library_name: PyLate
 pipeline_tag: sentence-similarity
-base_model: moganai/MoganBERT-embed
+base_model: moganai/MoganBERT-Embed
 tags:
 - ColBERT
 - PyLate
@@ -16,7 +16,7 @@ tags:
 ---
 
 <p align="center">
-  <img src="banner.png" alt="MoganColBERT-TR" width="600"/>
+  <img src="banner.png" alt="Mogan-ColBERT-TR" width="600"/>
 </p>
 
 <p align="center">
@@ -24,11 +24,11 @@ tags:
   <a href="https://huggingface.co/collections/moganai/moganbert"><img src="https://img.shields.io/badge/🤗_Model_Collection-2C3E50?style=flat-square" alt="Model Collection"/></a>
 </p>
 
-# MoganColBERT-TR
+# Mogan-ColBERT-TR
 
-MoganColBERT-TR is a 148.9M-parameter Turkish multi-vector retriever with late interaction. Instead of one vector per text, it keeps the representation at the token level through a 768→128 projection and scores with MaxSim. Queries are padded to 32 tokens with `[MASK]`; documents are encoded up to 512.
+Mogan-ColBERT-TR is a 148.9M-parameter Turkish multi-vector retriever with late interaction. Instead of one vector per text, it keeps the representation at the token level through a 768→128 projection and scores with MaxSim. Queries are padded to 32 tokens with `[MASK]`; documents are encoded up to 512.
 
-It is initialized from [MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed) — a ModernBERT trained from scratch on an entirely Turkish corpus, not a fine-tune of a foreign base.
+It is initialized from [MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed) — a ModernBERT trained from scratch on an entirely Turkish corpus, not a fine-tune of a foreign base.
 
 ## Usage
 
@@ -39,7 +39,7 @@ pip install -U pylate
 ```python
 from pylate import indexes, models, retrieve
 
-model = models.ColBERT(model_name_or_path="moganai/MoganColBERT-TR")
+model = models.ColBERT(model_name_or_path="moganai/Mogan-ColBERT-TR")
 index = indexes.PLAID(index_folder="pylate-index", index_name="index", override=True)
 
 documents_ids = ["1", "2", "3"]
@@ -55,13 +55,13 @@ queries_embeddings = model.encode(["örnek sorgu"], batch_size=32, is_query=True
 print(retriever.retrieve(queries_embeddings=queries_embeddings, k=10))
 ```
 
-For reranking use `pylate.rank.rerank`. A multi-vector index is tens of times larger than a dense one, so in production the recommended setup is two-stage: candidate generation with [MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed), reranking with this model.
+For reranking use `pylate.rank.rerank`. A multi-vector index is tens of times larger than a dense one, so in production the recommended setup is two-stage: candidate generation with [MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed), reranking with this model.
 
 ## Training
 
 Single-epoch KL distillation from the `bge-reranker-v2-m3` cross-encoder over 1 positive and 7 mined hard negatives, on 1×H100. The optimizer uses two parameter groups — encoder 1e-5, projection 1e-4 — since the projection starts random while the encoder does not.
 
-Training data is title→passage pairs carved out of our pretraining corpus plus two Turkish question-based retrieval sets. Passages are split in the character domain at sentence boundaries rather than by decoding cut token lists. Negatives are mined in the MoganBERT-embed embedding space and filtered by three rules together: skip the top 10, drop candidates sharing the query's group identifier, and drop anything above 0.95 cosine. The group mask matters — a second passage from the same document ranks high for the same title and is not a negative.
+Training data is title→passage pairs carved out of our pretraining corpus plus two Turkish question-based retrieval sets. Passages are split in the character domain at sentence boundaries rather than by decoding cut token lists. Negatives are mined in the MoganBERT-Embed embedding space and filtered by three rules together: skip the top 10, drop candidates sharing the query's group identifier, and drop anything above 0.95 cosine. The group mask matters — a second passage from the same document ranks high for the same title and is not a negative.
 
 ## Results
 
@@ -76,8 +76,8 @@ Averaged over the five datasets: 31.81 nDCG@10, 35.53 nDCG@100, 56.98 Recall@100
 | Model | Params | Purpose |
 |---|---:|---|
 | [MoganBERT-TR](https://huggingface.co/moganai/MoganBERT-TR) | 149.4M | Base encoder |
-| [MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed) | 149M | Single-vector embeddings |
-| [**MoganColBERT-TR**](https://huggingface.co/moganai/MoganColBERT-TR) | 148.9M | Multi-vector retrieval (this model) |
+| [MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed) | 149M | Single-vector embeddings |
+| [**Mogan-ColBERT-TR**](https://huggingface.co/moganai/Mogan-ColBERT-TR) | 148.9M | Multi-vector retrieval (this model) |
 
 ## Citation
 
@@ -92,11 +92,11 @@ Averaged over the five datasets: 31.81 nDCG@10, 35.53 nDCG@100, 56.98 Recall@100
 ---
 ---
 
-# MoganColBERT-TR (Türkçe)
+# Mogan-ColBERT-TR (Türkçe)
 
-MoganColBERT-TR, geç etkileşimli, 148.9M parametreli bir Türkçe çok vektörlü retriever'dır. Metin başına tek vektör yerine temsili 768→128 izdüşümü ile token seviyesinde tutar ve MaxSim ile skorlar. Sorgular `[MASK]` ile 32 tokena tamamlanır, belgeler 512'ye kadar kodlanır.
+Mogan-ColBERT-TR, geç etkileşimli, 148.9M parametreli bir Türkçe çok vektörlü retriever'dır. Metin başına tek vektör yerine temsili 768→128 izdüşümü ile token seviyesinde tutar ve MaxSim ile skorlar. Sorgular `[MASK]` ile 32 tokena tamamlanır, belgeler 512'ye kadar kodlanır.
 
-[MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed)'den başlatılmıştır — tamamen Türkçe bir külliyat üzerinde sıfırdan eğitilmiş bir ModernBERT; yabancı bir modelin ince ayarı değil.
+[MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed)'den başlatılmıştır — tamamen Türkçe bir külliyat üzerinde sıfırdan eğitilmiş bir ModernBERT; yabancı bir modelin ince ayarı değil.
 
 ## Kullanım
 
@@ -107,7 +107,7 @@ pip install -U pylate
 ```python
 from pylate import indexes, models, retrieve
 
-model = models.ColBERT(model_name_or_path="moganai/MoganColBERT-TR")
+model = models.ColBERT(model_name_or_path="moganai/Mogan-ColBERT-TR")
 index = indexes.PLAID(index_folder="pylate-index", index_name="index", override=True)
 
 belge_idleri = ["1", "2", "3"]
@@ -123,13 +123,13 @@ sorgu_gommeleri = model.encode(["örnek sorgu"], batch_size=32, is_query=True)
 print(retriever.retrieve(queries_embeddings=sorgu_gommeleri, k=10))
 ```
 
-Yeniden sıralama için `pylate.rank.rerank` kullanın. Çok vektörlü indeks yoğun bir indeksten onlarca kat büyüktür; üretimde önerilen kurulum iki aşamalıdır: aday üretimi [MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed) ile, yeniden sıralama bu model ile.
+Yeniden sıralama için `pylate.rank.rerank` kullanın. Çok vektörlü indeks yoğun bir indeksten onlarca kat büyüktür; üretimde önerilen kurulum iki aşamalıdır: aday üretimi [MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed) ile, yeniden sıralama bu model ile.
 
 ## Eğitim
 
 1×H100 üzerinde, `bge-reranker-v2-m3` çapraz kodlayıcısından 1 pozitif ve 7 zor negatif üzerinde tek epoch'luk KL damıtma. Optimizasyon iki parametre grubu kullanır — encoder 1e-5, izdüşüm 1e-4 — çünkü izdüşüm rastgele başlarken encoder başlamaz.
 
-Eğitim verisi, ön-eğitim külliyatımızdan çıkarılan başlık→pasaj çiftleri ve iki Türkçe soru tabanlı retrieval kümesidir. Pasajlar, kesilmiş token listeleri decode edilerek değil, karakter alanında cümle sınırlarından bölünür. Negatifler MoganBERT-embed gömme uzayında çıkarılır ve üç kural birlikte uygulanarak filtrelenir: ilk 10'u atla, sorgunun grup kimliğini paylaşan adayları düşür, 0.95 kosinüsün üstündekileri düşür. Grup maskesi önemlidir — aynı belgeden çıkan ikinci pasaj aynı başlık için üst sıralara çıkar ve negatif değildir.
+Eğitim verisi, ön-eğitim külliyatımızdan çıkarılan başlık→pasaj çiftleri ve iki Türkçe soru tabanlı retrieval kümesidir. Pasajlar, kesilmiş token listeleri decode edilerek değil, karakter alanında cümle sınırlarından bölünür. Negatifler MoganBERT-Embed gömme uzayında çıkarılır ve üç kural birlikte uygulanarak filtrelenir: ilk 10'u atla, sorgunun grup kimliğini paylaşan adayları düşür, 0.95 kosinüsün üstündekileri düşür. Grup maskesi önemlidir — aynı belgeden çıkan ikinci pasaj aynı başlık için üst sıralara çıkar ve negatif değildir.
 
 ## Sonuçlar
 
@@ -144,8 +144,8 @@ Beş veri kümesinin ortalaması: 31.81 nDCG@10, 35.53 nDCG@100, 56.98 Recall@10
 | Model | Parametre | Amaç |
 |---|---:|---|
 | [MoganBERT-TR](https://huggingface.co/moganai/MoganBERT-TR) | 149.4M | Temel encoder |
-| [MoganBERT-embed](https://huggingface.co/moganai/MoganBERT-embed) | 149M | Tek vektörlü gömme |
-| [**MoganColBERT-TR**](https://huggingface.co/moganai/MoganColBERT-TR) | 148.9M | Çok vektörlü retrieval (bu model) |
+| [MoganBERT-Embed](https://huggingface.co/moganai/MoganBERT-Embed) | 149M | Tek vektörlü gömme |
+| [**Mogan-ColBERT-TR**](https://huggingface.co/moganai/Mogan-ColBERT-TR) | 148.9M | Çok vektörlü retrieval (bu model) |
 
 ## Atıf