LLM nedir?

LLM, Large Language Model'in kısaltmasıdır, Türkçesiyle büyük dil modeli. Bir cümledeki bir sonraki kelimeyi tahmin etmeyi öğrenmek için devasa miktarda metin (milyarlarca web sayfası, kitap, makale, kaynak kodu) üzerinde eğitilmiş bir yapay sinir ağı türüdür. ChatGPT, Claude, Gemini, Llama, Mistral, DeepSeek: 2023'ten bu yana her yerde gördüğünüz tüm bu isimler LLM'ler veya LLM'ler üzerine kurulmuş ürünlerdir.

İlke, kod üreten, deneme yazan, 500 sayfalık belgeleri özetleyen ve tıp sınavlarını geçen bir teknoloji için gülünecek kadar basit görünebilir: bir sonraki kelimeyi tahmin etmek. Ama yeterince büyük bir sinir ağını yeterince metin üzerinde eğittiğinizde, bu tahmin görevi hiç kimsenin gerçekten öngörmediği yeteneklerin ortaya çıkmasını sağlar: akıl yürütme, çeviri, problem çözme, kod üretme ve insan olmasa da çoğu zaman insanınkinden ayırt edilemeyen sonuçlar üreten bir dil anlama biçimi.

Bir LLM nasıl çalışır

Bir LLM çok karmaşık bir matematiksel fonksiyondur. Girdi olarak bir kelime dizisi (daha doğrusu "token"lar, kelime parçaları) alır ve çıktı olarak olası tüm tokenlar üzerinde bir olasılık dağılımı üretir. En yüksek olasılığa sahip token bir sonraki kelime olarak seçilir, diziye eklenir ve süreç yeniden başlar. Model metni bu şekilde üretir, kelime kelime (veya token token).

Altta yatan mimari, Google araştırmacıları tarafından 2017'de "Attention Is All You Need" başlıklı bir makalede tanıtılan Transformer'dır. Transformer'ın anahtar yeniliği dikkat (attention) mekanizmasıdır: kelimeleri soldan sağa tek tek işlemek yerine (daha önce var olan tekrarlayan ağlar gibi), Transformer dizideki tüm kelimeleri aynı anda değerlendirebilir ve her kelime çifti arasındaki ilişkileri hesaplayabilir. Bağlamı anlamasını sağlayan budur: "nehrin kıyısı" yazdığınızda, model "kıyı"nın suyun kenarına atıfta bulunduğunu bilir, çünkü "kıyı" ve "nehir" arasındaki ilişkiyi hesaplamıştır.

2026'da baskın mimari Mixture of Experts (MoE)'dir: model toplamda trilyonlarca parametre sahiptir, ancak her token için yalnızca bir kısmı (birkaç on milyar) etkinleştirilir. Yüzlerce uzman ofisi olan bir bina gibidir: her soru için 200'ünün tamamına değil, yalnızca ilgili 2-3 ofise yönlendirilirsiniz. Bu, dev bir modelin kalitesini çok daha makul bir hesaplama maliyetiyle elde etmeyi sağlar.

Bir LLM oluşturmanın üç aşaması

Bir LLM sohbet edebilir durumda doğmaz. Oluşturulması, her biri farklı yetenekler kazandıran üç ayrı aşamadan geçer.

Ön eğitim (pre-training). Model devasa bir metin külliyatı üzerinde eğitilir (milyarlarca web sayfası, kitap, kaynak kodu, bilimsel makale, forum tartışmaları). Amaç basittir: bir sonraki kelimeyi tahmin etmek. Bunu milyarlarca metin üzerinde milyarlarca kez yaparak model dilbilgisi, olgular, mantıksal akıl yürütme, üslup ve kelimeler arasındaki istatistiksel ilişkilerde kodlanmış bir "dünya bilgisi" biçimi öğrenir. Ön eğitim en pahalı aşamadır: GPT-3'ü eğitmek 1.287 MWh elektrik tüketmiştir, bu da 330 Amerikan hanesini bir yıl boyunca beslemeye eşdeğerdir. 2026 modelleri daha da fazla tüketir.

Denetimli ince ayar (SFT). Ön eğitimden sonra model metin tamamlayabilir, ancak soruları yanıtlamayı, talimatları izlemeyi veya yapılandırılmış bir sohbet yürütmeyi bilmez. Denetimli ince ayar, onu yüksek kaliteli sohbet örnekleri üzerinde eğitmekten oluşur: insanlar tarafından yazılmış soru-cevap çiftleri, talimat izleme örnekleri, akıl yürütme görevleri. Bir "metin tamamlayıcıyı" konuşma asistanına dönüştüren bu adımdır.

Hizalama (RLHF, DPO, GRPO). Üçüncü aşama, modelin davranışını insan tercihlerine hizalamaktan oluşur. Tarihi yöntem RLHF'dir (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme): insanlar modelin iki yanıtını karşılaştırır ve hangisinin daha iyi olduğunu belirtir. Bu tercihler üzerinde bir ödül modeli eğitilir, ardından LLM'i pekiştirmeli öğrenme yoluyla optimize etmek için kullanılır. DPO (Direct Preference Optimization) ve GRPO (Group Relative Policy Optimization) gibi daha yeni yöntemler bu süreci basitleştirir. Hizalama, modelin toksik içerik üretmesini, tehlikeli talimatları izlemesini veya gereksiz yere uzun yanıtlar vermesini engelleyen şeydir.

Tokenlar: temel birim

LLM'ler kelimelerle değil tokenlarla çalışır. Token bir metin parçasıdır: yaygın bir kelime genellikle tek bir tokendır, nadir bir kelime birden fazla tokene bölünebilir ve özel bir karakter veya noktalama işareti genellikle kendi başına bir tokendır. Ortalama olarak, Türkçe veya İngilizce metin için bir token yaklaşık bir kelimenin 3/4'üne karşılık gelir. 1.000 kelimelik bir metin yaklaşık 1.300 tokendır.

Bu ayrım önemlidir çünkü LLM'ler kelime başına değil token başına ücretlendirir ve sınırlar. "Bağlam penceresi" (modelin bir seferde işleyebildiği metin miktarı) tokenlarla ölçülür. 2026'da öncü modeller 128.000 ile 1 milyon token arasında bağlam pencereleri sunar (Gemini, Claude) ve Meta Llama 4 Scout 10 milyon tokene ulaşır. Ancak "bağlam penceresi" ve "etkili bağlam" aynı şey değildir: çoğu model uzun bir bağlamın ortasındaki bilgilerde doğruluk kaybeder.

LLM'ler ne yapabilir

2026'da LLM yeteneklerinin listesi uzundur ve her yeni model nesliyle büyür.

Metin üretimi. E-posta, rapor, makale, senaryo, sosyal medya paylaşımı yazmak. En yaygın ve görünür kullanım alanıdır.

Özetleme ve analiz. 200 sayfalık bir belgeyi birkaç paragrafa özetlemek, kilit noktaları çıkarmak, ana argümanları belirlemek, iki metni karşılaştırmak.

Çeviri. LLM'ler düzinelerce dil arasında, günlük metinlerde genellikle insan çevirmenlere rakip olacak kalitede çeviri yapar (çok özelleşmiş veya edebi metinlerde daha az güvenilir).

Kod üretimi ve analizi. Neredeyse her programlama dilinde kod yazmak, mevcut kodu hata ayıklamak, bir programın ne yaptığını açıklamak, kodu bir dilden diğerine dönüştürmek. 2026'da geliştiricilerin yaklaşık %85'i düzenli olarak LLM destekli kodlama araçları kullanmaktadır.

Akıl yürütme. Akıl yürütme modelleri (yapılandırılabilir çabalı GPT-5, "extended thinking" ile Claude, Gemini 3, DeepSeek R1) karmaşık matematik problemlerini, mantık bulmacalarını ve çok adımlı planlama gerektiren görevleri çözebilir. Son yanıtlarını vermeden önce dahili bir düşünce zinciri üreterek "düşünürler".

Çok modluluk. Modern LLM'ler artık metinle sınırlı değildir. Görüntüleri analiz edebilir (fotoğraf tanımlama, görüntüdeki metni okuma, grafik yorumlama), ses dosyalarını işleyebilir (transkripsiyon, sesli çeviri) ve bazı durumlarda görüntü veya video üretebilir.

LLM'ler ne yapamaz

Etkileyici yeteneklerine rağmen, LLM'lerin doğru kullanmak için anlaşılması gereken temel sınırlamaları vardır.

Halüsinasyonlar. LLM'ler bazen tamamen sahte bilgileri tam bir güvenle üretir. Var olmayan çalışmalara atıfta bulunabilir, hiç söylememiş kişilere alıntılar atfedebilir veya tamamen uydurma rakamlar verebilir. Sorun onların doğasından kaynaklanır: en olası metni üretirler, en doğru olanı değil. Bir LLM için "kulağa doğru gelen" yanlış bir ifade, alışılmadık biçimde ifade edilmiş doğru bir ifadeden daha yüksek olasılığa sahip olabilir. Halüsinasyon oranı her model nesliyle düşmüştür, ancak sıfır değildir ve muhtemelen hiçbir zaman olmayacaktır.

Uzun zincirlerde güvenilir akıl yürütme. LLM'ler 3-5 akıl yürütme adımını güvenilir şekilde zincirleyebilir. Ötesinde hatalar birikerek büyür. 15 mantıksal akıl yürütme adımı gerektiren bir problem, en iyi modeller tarafından bile tutarsız şekilde çözülecektir. Akıl yürütme modelleri (daha uzun "düşünen") bu tavanı yükseltir ama ortadan kaldırmaz.

Güncel bilgi. Bir LLM zamanın içinde donmuştur. Eğitim verilerindeki bilgileri bilir ama eğitim kesme tarihinden sonra olan hiçbir şeyi bilmez. Güncel bilgiye erişmek için araçlara (web araması, veritabanı erişimi) ihtiyaç duyar, bu da LLM etrafında bir yapay zeka ajanı inşa etmek anlamına gelir.

Matematik ve sayma. Paradoks olarak, LLM'ler temel aritmetiği "kafadan" yapmaları gerektiğinde (bir kelimedeki harfleri saymak, büyük sayıları çarpmak) kötüdür. Matematiksel akıl yürütmede (bir problemi anlamak ve yaklaşımı formüle etmek) iyi çalışırlar, ancak ham hesaplamada değil. Bu yüzden en iyi sistemler hesaplamaları kendileri yapmak yerine çalıştırmaları için bir kod yorumlayıcısına erişim verir.

Konuşmalar arası bellek. Varsayılan olarak bir LLM'nin iki konuşma arasında belleği yoktur. Her değişim sıfırdan başlar. Bellek sistemleri (önceki konuşma özetleri, bağlam veritabanları) uygulamalar tarafından eklenen katmanlardır, modelin yerel bir yeteneği değildir.

2026'daki başlıca LLM'ler

LLM ekosistemi iki kategori etrafında yapılanmıştır: tescilli modeller (yalnızca API veya web arayüzü üzerinden erişilebilir) ve açık kaynaklı modeller (indirilebilir ve yerel olarak çalıştırılabilir).

GPT-5 (OpenAI) OpenAI'nin amiral gemisi modeli, GPT-4'ün halefidir. Görevin karmaşıklığına göre daha uzun veya daha kısa "düşünmeyi" sağlayan yapılandırılabilir akıl yürütme modu içerir. GPT-5 üzerine kurulu ChatGPT, 2026'da haftalık 900 milyon aktif kullanıcıya ulaşmıştır.

Claude (Anthropic) güvenlik ve hizalamaya odaklanan mimarisiyle Anthropic'in model ailesidir. Claude, farklı kalite/maliyet/hız oranlarına uygun birden fazla boyutta (Haiku, Sonnet, Opus) mevcuttur. Anthropic 300.000'den fazla kurumsal müşteriye hizmet vermektedir.

Gemini (Google) Google'ın model ailesidir, Google Arama, Gmail, Google Docs ve Android'e entegredir. Gemini uygulaması 2026'da aylık 900 milyon aktif kullanıcıyı aşmıştır. Gemini çok büyük bağlam pencereleriyle (1 milyon tokene kadar) öne çıkar.

Llama (Meta) serbestçe indirilebilir ve değiştirilebilir olan önde gelen açık kaynaklı model ailesidir. Llama 4 Scout 10 milyon token bağlama ulaşır. Llama modelleri, bulut sağlayıcıya bağımlı olmadan kendi LLM'lerini barındırmak isteyen şirketler tarafından yaygın olarak kullanılır.

DeepSeek (DeepSeek) 2025 başında çok daha düşük eğitim maliyetiyle GPT-4 düzeyinde performans göstererek sektörü sarsan Çinli bir açık kaynaklı modeldir. DeepSeek, öncü performansın öncü bütçeler gerektirmediğini kanıtlamıştır.

Mistral (Mistral AI) bir Fransız startup tarafından geliştirilen önde gelen Avrupa modelidir. Mistral verimlilik üzerine konumlanır: boyutlarına göre çok rekabetçi olan daha küçük modeller, özellikle gecikme veya maliyetin kritik olduğu kullanım senaryolarına uygundur.

Parametreler: ne anlama gelir

"70 milyar parametreli" veya "1 trilyon parametreli" bir modelden bahsedildiğinde, parametreler eğitim sırasında ayarlanan ve modelin davranışını tanımlayan sayısal değerlerdir. Her parametre, sinir ağında saklanan bir kayan noktalı sayıdır. Kabaca, daha fazla parametre modelin daha fazla bilgi ve kelimeler arasında daha karmaşık ilişkiler kodlayabilmesi anlamına gelir.

Ama boyut her şey değildir. Kaliteli veriler üzerinde iyi eğitilmiş 8 milyar parametreli bir model, vasat veriler üzerinde kötü eğitilmiş 70 milyar parametreli bir modeli geçebilir. Eğitim verilerinin kalitesi, model mimarisi ve eğitim sonrası teknikler, ham parametre sayısı kadar, hatta daha fazla önem taşır. DeepSeek'in sektöre verdiği ders budur: performans yalnızca bütçeye bağlı değildir.

Tescilli modeller vs açık kaynak

Tescilli ve açık kaynaklı modeller arasındaki tartışma 2026'da sektördeki en aktif tartışmalardan biridir.

Tescilli modeller (GPT-5, Claude, Gemini) yalnızca API veya web arayüzü üzerinden erişilebilir. Kaynak kodlarını göremez, indiremez veya değiştiremezsiniz. Avantaj: genellikle en yüksek performanslıdır, sürekli güncellenir ve altyapı yönetmeniz gerekmez. Dezavantaj: sağlayıcıya bağımlısınızdır (fiyatlar, kullanım koşulları, erişilebilirlik, veri gizliliği politikası).

Açık kaynaklı modeller (Llama, DeepSeek, Mistral, Qwen) indirilebilir, değiştirilebilir ve kendi altyapınızda çalıştırılabilir. Avantaj: veriler üzerinde tam kontrol (hiçbir şey sunucularınızdan çıkmaz), modeli özel kullanım durumunuza göre ince ayar yapma imkânı, sağlayıcı bağımlılığı yok. Dezavantaj: altyapıyı yönetmeniz gerekir (pahalı GPU'lar), performans genellikle en iyi tescilli modellerden biraz düşüktür ve güncellemeler daha seyrek.

2026'da iki kategori arasındaki performans farkı daralıyor. DeepSeek V3.2, Qwen3 ve Llama 4 birçok karşılaştırmada tescilli modellerle rekabet ediyor. Birçok şirket için seçim ham performanstan çok gizlilik, maliyet ve kontrol gereksinimlerine dayanıyor.

Kullanım maliyeti

Tescilli LLM'ler token başına (giriş ve çıkış) ücretlendirir. Fiyatlar model ve sağlayıcıya göre önemli ölçüde değişir. Öncü bir model genellikle milyon giriş tokeni başına 2-15 dolar ve milyon çıkış tokeni başına 8-60 dolar arasında maliyete sahiptir. Daha küçük veya daha eski modeller bu fiyatların bir kesiri kadardır.

Kendi barındırdığınız açık kaynaklı modeller için ana maliyet donanımdır: profesyonel bir GPU (NVIDIA A100 veya H100) 10.000-30.000 dolar arasında maliyete sahiptir ve büyük bir model birden fazla GPU gerektirir. Altyapı kurulduktan sonra token başına maliyet daha düşüktür, ancak başlangıç yatırımı ve bakım önemlidir.

Küresel LLM pazarı 2025'te 7,81 milyar dolar olarak tahmin edilmekte ve 2034'e kadar 130 milyar dolara ulaşması beklenmektedir. OpenAI yıllık 20 milyar doların üzerinde geliri aşmış, Anthropic 14 milyar dolara ulaşmıştır.

Akılda tutulması gereken riskler ve sınırlamalar

Veri gizliliği. Bir bulut API'si aracılığıyla bir LLM'ye metin gönderdiğinizde, bu metin sağlayıcının sunucularına iletilir. Her zaman gizlilik politikasını kontrol edin: bazı sağlayıcılar verilerinizi gelecek modelleri eğitmek için kullanabilir. Gizlilik kritikse, kendi barındırdığınız açık kaynaklı bir model veya açık garantili kurumsal bir sözleşme düşünün.

Önyargılar (bias). LLM'ler eğitim verilerinde bulunan önyargıları yansıtır. Veriler belirli kültürel, coğrafi veya demografik perspektifleri aşırı temsil ediyorsa, model bu önyargıları yeniden üretecektir. Sağlayıcılar hizalama ve filtreleme yoluyla bunları azaltmaya çalışır, ancak sorun çözülmüş değildir.

Enerji tüketimi. LLM'lerin eğitimi ve kullanımı önemli miktarda enerji tüketir. Yapay zeka sektörü 2027'ye kadar yılda 85 ile 134 TWh arasında tüketebilir, neredeyse Hollanda kadar. Bu büyüyen bir çevresel endişedir.

Bağımlılık. Pazarın birkaç sağlayıcı etrafında yoğunlaşması (OpenAI, Google, Anthropic, Meta) bağımlılık riskleri yaratır. Fiyat değişikliği, kullanım politikası değişikliği veya kesinti milyonlarca kullanıcıyı ve uygulamayı etkileyebilir.

LLM, bir sonraki kelimeyi tahmin etmek için eğitilmiş bir sinir ağıdır. Bu basit görev, devasa ölçekte uygulandığında, akıl yürütme, yazma, çeviri ve programlama yeteneklerinin ortaya çıkmasını sağlar ve bilişimi üç yılda dönüştürmüştür. 2026'da LLM'ler yüz milyonlarca kişi tarafından kullanılmaktadır, ancak sınırlamaları (halüsinasyonlar, uzun dizilerde kırılgan akıl yürütme, yerel bellek eksikliği) gerçek olmaya devam etmektedir. Bir LLM'nin ne olduğunu ve ne olmadığını anlamak, onu etkili kullanmanın koşuludur.