LLM nedir?

Sıralamanın önemli olduğu üç kelime

İsmi tersten sökelim.

Model. Model, bir girdiyi çıktıya dönüştüren, kurallarını bir programcının yazmadığı, verilerden öğrendiği bir fonksiyondur. Hava durumu modeli bugünün ölçümlerini alır, yarının tahminini verir. Bir dil modeli metni alır ve bir sonrakinin ne olacağına dair olasılık verir.

Dil. Girdi ve çıktı, token adı verilen, kelime parçaları haline bölünmüş metindir. Yapay zekada token nedir bu birimi ele alır; kısacası model, kabaca bir kelimenin dörtte üçü kadar parçalar halinde okur ve yazar.

Büyük. Modelin, eğitimin ayarladığı iç sayılar olan çok büyük sayıda parametresi vardır. 2019'daki GPT-2'nin 1,5 milyar parametresi vardı. 2020'deki GPT-3'ün 175 milyar. Bu sitenin 2026'da fiyatlandırdığı katalog, 2,4 trilyon parametreli bir Qwen modelini içeriyor, bunların yaklaşık 95 milyarı herhangi bir token için aktif oluyor. Büyük kelimesi isimde çok iş görüyor ve bu sayı yedi yılda binden fazla katına çıktı.

Yani bir LLM, çok büyük bir sonraki token tahmincisidir. İnsanların ona atfettiği her diğer özellik, muhakeme, ton, kendinden emin hatalar, bu tek işten kaynaklanır.

LLM bir sohbet robotu değildir, fark tüm ürünü belirler

ChatGPT bir uygulamadır. GPT ise içindeki modeldir. Claude hem bir model ailesi hem de Anthropic'in onun etrafına sardığı uygulamadır. Gemini'de de aynı hikaye Google için geçerlidir. Yapay zeka sohbet robotu nedir uygulama katmanını ele alır; bu sayfa motor hakkındadır.

Bu ayrım, motorun değiştirilebilir olduğunu öğrendiğin an akademik olmaktan çıkar. Aynı sohbet penceresi mesajını GPT'ye, Claude'a, Gemini'ye, DeepSeek'e veya Llama'ya gönderebilir, yanıtlar ton, maliyet, hız ve doğrulukta farklılaşır. Whizi gibi çok modelli bir çalışma alanı tam olarak budur: tek pencere, arkasında 280'den fazla model ve hangisinin yanıt vereceğini seçen bir seçici. Uygulama direksiyondur. LLM ise motordur ve düzinelercesi vardır.

Bir LLM iki aşamada nasıl eğitilir

Birinci aşama, ön eğitim. Model devasa bir metin külliyatını okur ve her konum için bir sonraki token'ı tahmin etmeye çalışır. Her yanlış tahmin parametreleri biraz kaydırır. Meta, Llama 3'ün 15 trilyondan fazla token ile ön eğitildiğini bildirdi, bu da (token başına yaklaşık dörtte üç kelimeyle, 75.000 kelimelik bir romanın yaklaşık 100.000 token'ı) kabaca 150 milyon kitabın metnine denk gelir. Bu aşamadan sonra model harika bir otomatik tamamlama fakat zayıf bir asistandır: ona bir soru sor, üç soru daha ekleyerek devam edebilir, çünkü internetteki metinler genellikle böyle yapar.

İkinci aşama, eğitim sonrası. Model daha sonra iyi yanıt örnekleri gösterilir ve insanlar tarafından iki yanıttan hangisinin daha iyi olduğu konusunda derecelendirilir; bu sürece insan geri bildiriminden pekiştirmeli öğrenme, kısaca RLHF denir. Asistan davranışı buradan gelir: sorulan formatta yanıt vermek ve bazı istekleri reddetmek. Bu koçluktur, yeni bilgi değil. Gerçekler hâlâ birinci aşamadan gelir.

İki aşamadan iki sonuç çıkar. Modelin bilgisi, ön eğitim verisinin bittiği tarihte durur, bu yüzden her modelin bir bilgi kesim tarihi vardır. Ve iki aşamanın da hiçbirinde bir doğruluk denetleyicisi kurulmaz: model önce olası metin üretmeyi, sonra beğenilir metin üretmeyi öğrendi. Doğruluk her ikisinin de sık bir yan etkisidir, bir garanti değil. Yapay zeka neden hata yapar bunu daha ileri götürür.

LLM neden arama yapmak yerine tahmin eder

Bir arama motoru bilgi getirir. Sayfaların bir indeksine sahiptir ve eşleşenleri döndürür. Bir LLM'nin indeksi yoktur. Ön eğitim sırasında okuduğu her şey parametrelerinde sıkıştırılmıştır ve yanıt anında bu sıkıştırmadan, her seferinde bir token olacak şekilde, her token'ı bir olasılık dağılımından seçerek metin yeniden üretir.

Bu yüzden bir LLM daha önce hiç adını duymadığı bir yemek için çalışan bir tarif yazabilir, aynı zamanda var olmayan bir mahkeme kararı alıntısı da üretebilir. İkisi de olası devamlardır. Modelin, olası bir devamın gerçek olup olmadığını kontrol eden ayrı bir mekanizması yoktur.

Ürünlerin kullandığı çözüm, arama işlevini eklemektir: önce web'de ya da dosyalarında ara, sonra modele bu pasajları verip bunlardan yanıt vermesini iste. Bu tekniğe RAG denir ve RAG nedir bunu açıklar. Bir sohbet uygulaması içindeki web araması, kaynağı internet olan bir RAG'dır. Model hâlâ tahmin ediyor; sadece daha iyi malzemeden tahmin ediyor.

Fiyat bir ailenin içinde neyi satın alır, ölçülmüş haliyle

Her aile bir merdiven sunar: küçük bir model, orta bir model, bir amiral gemisi. Kamuya açık muhakeme, kodlama ve bilgi kıyaslamalarında bileşik bir puan olan Artificial Analysis Intelligence Index, her basamağa bir sayı koyar ve liderlik tablosu yanına milyon token başına harmanlanmış bir fiyat listeler. Aşağıdaki dört merdiven 2026-09-17'de okundu.

OpenAI, oranın 18 katına 15 puan satın alıyor, Anthropic 36 katına 35 puan, Qwen 16 katına 19 puan. DeepSeek bu düzeni bozuyor: V4 Flash, V4 Pro'yu yarısından daha az bir fiyata geçiyor. Buradan iki şey çıkıyor. Bir ailenin içinde son birkaç puan pahalı olanlardır, bu yüzden kısa bir gerçek sorusu için küçük model amiral gemisiyle aynı yanıtı verir. Ve aileler arasında fiyat kalitenin zayıf bir göstergesidir: DeepSeek V4 Flash milyon token başına $0.27 ile, milyon token başına $5.09 olan Claude Sonnet 5'ten iki puan yukarıda puanlanıyor. Bir alıcı olarak LLM'ler hakkında bilinmesi gereken en yararlı tek şey bu: model sabit bir maliyet değil, bir kadrandır. Whizi de aynı mantıkla ücretlendirir, ev modelinde bir mesaj için bir kredi, Claude Opus 5 için 20, en pahalı satırlar için 100'e kadar; Whizi kredileri nasıl çalışır bunu model bazında ayrıntılandırır.

Dürüst uyarı şu ki bileşik bir endeks görevler üzerinden bir ortalamadır. Uzun bir muhakeme zinciri için amiral gemisi fiyatını hak eder; bir yeniden yazım için hak etmez. Her ailenin gerçekte neyde iyi olduğunun karşılaştırması için hangi yapay zeka modelini kullanmalıyım karar sayfasıdır.

Bir LLM'nin yapamadıkları, tek bir listede

Aşağıdakilerin hepsi mimarinin bir sonucudur, bir sonraki sürümün düzelteceği bir hata değil.

• Arama ona metni vermedikçe eğitim kesim tarihinden sonra hiçbir şey bilemez.
• Uzun girdilerde güvenilir şekilde sayamaz, çünkü öğeler üzerinde bir döngüde değil, token ve olasılıklar üzerinde çalışır.
• Kendi çıktısını doğrulayamaz; aynı modelin ikinci bir geçişi, aynı tahmincinin tekrar tahmin etmesidir.
• Ürün notları saklayıp geri yapıştırmadıkça seni konuşmalar arasında hatırlamaz; bu hafıza bir ürün özelliğidir, model özelliği değil.
• Tüm konuşmayı sonsuza kadar göremez. Her modelin bir anda dikkate alabileceği en fazla metin olan bir bağlam penceresi vardır ve bağlam penceresi nedir buna ulaştığında ne olduğunu açıklar.

Pratik sonuç şu: bir LLM'ye akıcı, ara sıra yanlış bir meslektaş gibi davran ve doğrulamayı kendi tarafında tut. Bir modeli kendi başına hareket eden bir şeye dönüştüren döngü ise farklı bir konudur ve yapay zeka ajanı nedir o çizgiyi çizer. Bir maliyeti olan her şey için ikinci bir modele sor. İki farklı tahmincinin hemfikir olması zayıf bir kanıttır; ikisinin anlaşmaması ise kontrol etmen için güçlü bir sinyaldir.