Büyük dil modelleri (LLM), siber güvenlikten tıbba kadar çeşitli alanlarda vazgeçilmez araçlar haline gelerek yapay zeka manzarasını dönüştürmeye devam ediyor. Yakın zamanda, DeepSeek, mantık, akıl yürütme ve programlama yeteneklerini güçlendiren R1 modeli DeepSeek-R1-0528'in bir güncellemesini duyurdu. 28 Mayıs 2025'te yayınlanan bu sürüm, OpenAI ve Google'ın önde gelen modellerine yaklaşırken, LLM'lerin sık karşılaşılan bir sorunu olan halüsinasyon oranını azaltıyor. Aynı zamanda, Tencent, pazar liderleriyle rekabet etmek için yenilikçi hibrit bir mimari kullanan bir akıl yürütme modeli olan Hunyuan-T1'i tanıttı. Bu gelişmeler, LLM'lerin akıl yürütme yeteneklerini geliştirmeye yönelik artan bir eğilimi vurguluyor ve bu, karmaşık ve kritik sistemlere entegrasyon yeteneklerinin anahtarıdır.
Siber güvenlik alanında, LLM'ler tehdit algılama ve analizini kolaylaştırarak potansiyellerini gösteriyor. New York Üniversitesi'nin bir çalışması, saldırıları öngörmek ve yanıt vermek için büyük metin veri yığınlarını kullanma yeteneklerini vurguluyor ve böylece siber güvenliği daha proaktif ve reaktif bir sektör haline getiriyor. Siber güvenlikte uzmanlaşmış SecureBERT gibi modeller umut verici sonuçlar gösteriyor, ancak bunların daha da iyileştirilmesi işletmeler için bir zorluk olmaya devam ediyor. Bu, dil modellerinin uygulamalarını çeşitlendirmeye yönelik bir eğilimi yansıtıyor ve özel ihtiyaçlara yanıt verirken doğruluk ve güvenilirliklerini artırıyor.
LLM'ler için açık kaynak merakı, Llama 3.1 tabanlı başarılı bir açık kaynak modeli olan Tülu 3 405B'yi piyasaya süren Allen Institute for AI gibi girişimlerle de devam ediyor. Bu model, karmaşık görevlerde performansını artıran doğrulanabilir ödüllerle pekiştirmeli öğrenme kullanımı ile öne çıkıyor. Aynı zamanda, Mistral AI, gecikme için optimize edilmiş Mistral Small 3'ü piyasaya sürdü ve bu, tescilli modellere açık kaynaklı bir alternatif sunuyor. Bu girişimler, kaynakların sınırlı olduğu ortamlarda benimsenmelerini genişletmek için kritik bir konu olan çıkarım maliyetlerini azaltırken LLM'lere erişimi demokratikleştirme arzusunu yansıtıyor.
Büyük dil modelleri gelişmeye devam ederken, özellikle çıkarım maliyetleri ve çevresel etki açısından zorluklar devam ediyor. Microsoft yakın zamanda, 1 bit olarak nicelenmiş LLM'lerin çıkarımını optimize eden açık kaynaklı bir çerçeve olan BitNet.cpp'yi tanıttı ve böylece karbon ayak izlerini azalttı. Bu yenilik, LLM'lerin evriminde sürdürülebilirliğin önemini vurguluyor, çünkü modellerin boyutu ve karmaşıklığı sürekli artıyor. Ayrıca, LLM'lerin tıbbi teşhis gibi alanlara entegrasyonu da geliştirilmelidir; UVA Health tarafından yapılan bir çalışma, LLM'lerin bazı görevlerde doktorları aşabileceğini, ancak entegrasyonlarının genel teşhis performansını henüz önemli ölçüde iyileştirmediğini belirtiyor.
Tüm modern LLM'lerin kökenini aldığı transformer mimarisi, iki temel yapıtaşı üzerine kuruludur. Birincisi, modelin metindeki her pozisyon için diğer pozisyonların temsillerinin ağırlıklı bir kombinasyonunu hesaplamasını sağlayan auto-attention mekanizmasıdır. Bu işlem doğası gereği paralel çalışabilir, bu da transformer'ların 2017'ye kadar NLP alanında hakim olan tekrarlayan mimarilerin (RNN, LSTM) yerini almasını sağlamıştır. İkinci yapıtaşı ise, her biri temsili daha da rafine eden onlarca aynı transformer katmanının üst üste dizilmesidir (genellikle öncü modellerde 32 ile 96 arasında).
Günümüz LLM'leri mimari olarak birkaç varyanta ayrılır:
OpenAI, ChatGPT, GPT-4o, GPT-4o mini ve o1/o3 reasoning modelleri ailesiyle pazarda algılanan liderliğini sürdürüyor. 2026'da birkaç yüz milyar dolar değerlemeye ulaşan şirket, esas olarak Microsoft ve SoftBank tarafından finanse ediliyor. Ticari stratejisi API (token başına ödeme), son kullanıcı ürünü (ChatGPT Plus aylık 20 $) ve kurumsal (ChatGPT Enterprise, Azure OpenAI Service) seçeneklerini birleştiriyor. OpenAI, OAI-SearchBot arama tarayıcısı ve SearchGPT ile faaliyet alanını genişletti.
Anthropic, 2021'de OpenAI'dan ayrılan Dario ve Daniela Amodei'nin de aralarında olduğu bir ekip tarafından kuruldu ve güvenliği temel farklılaştırıcı olarak konumlandırdı. Claude ailesi (Haiku, Sonnet, Opus), özellikle yazı, kod ve uzun bağlamda akıl yürütmede öne çıkıyor. Anthropic, Amazon, Google ve SoftBank tarafından finanse ediliyor. Mayıs 2026'da Anthropic, xAI'nin Colossus 1 kapasitesinin bir bölümünü aylık yaklaşık 1,25 milyar dolara kiraladığını doğruladı; bu da hesaplama kaynaklarının yoğunlaşmasını gözler önüne seriyor.
Google DeepMind, 2023'ten itibaren AI faaliyetlerini Gemini markası altında topladı. Gemini ailesi (Nano, Flash, Pro, Ultra ve Aralık 2024'te Gemini 2.0 Flash), arama motoruna (AI Overviews) ve Workspace paketine entegre edildi. Google, eğitim verilerini (Web, YouTube, Books) ve TPU altyapısını kontrol etmesiyle yapısal bir avantaja sahip.
Meta, weights open stratejisiyle Llama ailesini (Llama 1 Şubat 2023, Llama 2 Temmuz 2023, Llama 3 Nisan 2024, Llama 3.1 405B Temmuz 2024) piyasaya sürdü. Bu strateji, foundation models'a erişimi demokratikleştirdi ve türev modeller (Vicuna, Tulu, sektörel fine-tuning'ler) için bir ekosistem oluşturdu. Ancak Meta, Temmuz 2025'te Avrupa GPAI uygulama kodunu imzalamayı reddetti ve Llama 3 multimodal'in Avrupa çıkışını geçici olarak askıya aldı.
Mistral AI, Nisan 2023'te Paris'te Arthur Mensch, Guillaume Lample ve Timothée Lacroix tarafından kuruldu ve Avrupa'nın şampiyonu olarak öne çıktı. Hibrit stratejisi, açık modelleri (Mistral 7B, Mixtral 8x7B, Codestral Mamba, Mathstral, Ministral 3B/8B) ve tescilli modelleri (Mistral Large 2, Pixtral Large) birleştiriyor. Mistral, GPAI uygulama kodunu imzaladı ve NVIDIA (Mistral NeMo 12B), Dassault Systèmes, Capgemini ve SAP ile stratejik ortaklıklar kurdu.
Çin'de Alibaba (Qwen ailesi), Baidu (ERNIE 4.5, ERNIE X1), Tencent (Hunyuan-T1) ve özellikle DeepSeek, ABD laboratuvarlarını yakaladı ve ardından meydan okudu. DeepSeek-V3, Ocak 2025'te, rakiplerine göre yaklaşık 30 kat daha düşük eğitim maliyetiyle ulaştığı kaliteyle topluluğu şaşırttı. Hemen ardından çıkan ve Haziran 2025'te (R1-0528) güncellenen DeepSeek-R1, NVIDIA'nın aşırı altyapı avantajını sorgulatarak geçici bir borsa düşüşüne neden oldu.
Diğer aktörler ise uzmanlaşmış roller üstleniyor: xAI (Grok, Colossus altyapısı), Cohere (çok dilli kurumsal modeller, Aya 23), AI2 (Tülu 3 405B, tamamen açık modeller), Aleph Alpha (Pharia-1-LLM Almanca), Black Forest Labs (FLUX-1 text-to-image için), LightOn (Paradigm kurumsal için), Hugging Face (model hub'ı, SmolLM2), OpenEuroLLM (Avrupa açık konsorsiyumu).
2026'da öncü LLM tablosu, her biri farklı boyut ve varyantlara sahip yaklaşık bir düzine aileden oluşuyor:
Bir öncü LLM'in eğitimi, büyük kaynaklar gerektiriyor. GPT-4 için kamuya açık tahminler, yaklaşık 100 milyon dolar bütçe ve üç ay boyunca on binlerce GPU H100 kullanıldığını öne sürüyor. Llama 3.1 405B ise 16.000 H100 ve yaklaşık 30 milyon GPU saati gerektirdi. Mistral Large 2 ve Mixtral gibi Avrupa'nın diğer ucundaki modeller ise çok daha mütevazı bütçelerle eğitildi; bu da veriler üzerinde özenli çalışma ile rekabetçi performansa düşük maliyetle ulaşılabileceğini gösteriyor.
OpenAI tarafından ortaya konan ve DeepMind tarafından (Chinchilla, 2022) geliştirilen scaling laws uzun süre dinamiği belirledi: Bir modelin kalitesi, parametre sayısı ile eğitim verisi miktarının çarpımıyla öngörülebilir şekilde artar; ancak ikisi dengelenmelidir. 2024 sonunda bu denklem sorgulanmaya başlandı: Bütçelerin şişmesi artık açık benchmark'larda büyük kazanımlar getirmiyor ve odak başka boyutlara kaydı - veri kalitesi, eğitim sonrası reasoning, ajanlar, multimodalite.
Hesaplama altyapısı artık başlıca jeopolitik meselelerden biri haline geldi. NVIDIA, H100/H200/B200 GPU'lar üzerindeki neredeyse tekel konumuyla değerin büyük kısmını topluyor. ABD'nin ihracat kontrolleri Çin'e satışları kısıtladı ve bu, DeepSeek ile Alibaba'yı eğitimlerini düşük kapasiteli çiplere (H800) optimize etmeye itti. xAI, 2024'te Memphis'te Colossus veri merkezini inşa etti; 100.000 H100 ardından 200.000 H100/H200'ü bir yıldan kısa sürede entegre ederek endüstriyel bir rekora imza attı.
Modern LLM'ler, yazma, özetleme, çeviri, kod üretimi, diyaloğa girme, bilgi çıkarımı, sınıflandırma, yapılandırılmış ve yapılandırılmamış belge işleme gibi çok geniş bir görev yelpazesini başarıyla yerine getiriyor. Pek çok uygulamada standart bileşen haline geldiler - sohbet tabanlı arama motorları, kod asistanları (Copilot, Cursor), hukuk ve tıp ajanları, müşteri destek sistemleri, Office ve Workspace üretkenlik araçları.
Sınırlamaları da iyi belgelenmiş durumda. LLM'ler halüsinasyon görür - özellikle niş konular, hassas sayılar ve bibliyografik referanslarda - gerçekçi ama yanlış içerik üretebilirler. Adversarial saldırılara (prompt injection, jailbreak) karşı dayanıklı değiller; bu, Aralık 2024'te EPFL tarafından yapılan ve LLM'lerin uyarlanabilir saldırılara karşı sınırlarını gösteren çalışmada ortaya kondu. Kullanıcıların görüşlerini değiştirmek için manipüle edilebilirler (Nisan 2024 EPFL çalışması). Enerji ve su tüketimleri kayda değerdir; bu konu giderek daha fazla düzenleyici ve hissedarlar tarafından izleniyor. Önyargıları ise, ağırlıklı olarak İngilizce ve Batı Avrupa/Kuzey Amerika odaklı eğitim verilerinden kaynaklanıyor.
2023'ten bu yana açık ve kapalı LLM'ler arasındaki ayrım tartışmanın temelini oluşturuyor. Açık model savunucuları - Meta, Mistral, Hugging Face, AI2, DeepSeek, La Quadrature du Net - teknolojik egemenlik, bağımsız denetim, akademik yayılım ve endüstriyel dayanıklılık argümanlarını öne sürüyor. Karşıtları - Anthropic, OpenAI (bazı alanlarda) - ise kötüye kullanım riskleri (biyoterörizm, büyük ölçekli dezenformasyon, dolandırıcılık) ve bir model yayınlandıktan sonra geri çekilememesi sorununa dikkat çekiyor.
AI Act, parametreleri, mimarisi ve kullanım bilgileri yayınlanan modellere kısmi muafiyetler tanıyarak bu tartışmayı kısmen çözüyor. Ancak bu muafiyetler sistemik riskli modellere (10²⁵ FLOPS eğitim) uygulanmıyor. 2026'da open source ekosistemine Llama, Mistral, DeepSeek ve Qwen hakim; bu modeller, tek bir sağlayıcıya API bağımlılığı olmadan kurumsal ve akademik kullanımın çoğunu karşılıyor.
Genel amaçlı modellerin ötesinde, ekosistem dikey modellere doğru çeşitleniyor. Tıpta: Bioptimus'un H-optimus-0 modeli ile destekli tıbbi teşhis, Aleph Alpha'nın Almanca Pharia-1-LLM'i, radyoloji ve onkolojiye özel fine-tuning'ler. Hukukta: Lefebvre Dalloz-Barreau de Paris asistanları, Talan-Mutuelle Générale uygulamaları. Kodda: Codestral (Mistral), Code Llama (Meta), DeepSeek-Coder. Finans alanında: BNP Paribas, Crédit Agricole, JPMorgan'ın dahili modelleri. Küçük ve verimli modeller (SLM, Small Language Models) hareketi - Phi-3, Mistral Ministral, SmolLM2, Gemma 2 2B - gömülü dağıtımlar (telefon, araç, IoT) için düşük çıkarım maliyetinde kabul edilebilir kalite hedefliyor.
2025 yılı, LLM'lerin yeni kullanım paradigması olarak AI ajanlarının yükselişine sahne oldu. Artık ajanlar, tek bir isteğe yanıt vermek yerine, karmaşık bir görevi çözmek için bir dizi eylemi (araç çağrıları, web danışmaları, dosya yazımı, kod yürütme) zincirleme şekilde gerçekleştiriyor. Gemini 2.0 Flash, Aralık 2024'te bu yeni ürün ailesinin öncüsü olarak tanıtıldı. AI Builders'ın AI Decision Matrix ürünü, IT yöneticileri için çözüm bolluğunda karşılaştırmalı değerlendirme çerçevesi sunuyor.
Önümüzdeki 18 ayda izlenmesi gereken başlıca dinamikler:
LLM'lerin evrimi artık yalnızca parametre yarışına indirgenemez. Kazanan aktörler, veri kalitesi, pekiştirmeli eğitim sonrası süreçler, hakim çıkarım altyapısı, hedef pazara uygun lisans stratejisi ve düzenleyici uyumluluğu bir araya getirecek. Konu artık bilimsel olduğu kadar endüstriyel, jeopolitik ve hukuki bir mesele.
LLM, çok büyük boyutlu bir sinir ağıdır - birkaç milyardan birkaç yüz milyar parametreye kadar - ve transformer mimarisi üzerine kuruludur. Yüz milyarlarca ila birkaç trilyon token üzerinden, bir metindeki bir sonraki birimi (token) tahmin etmeye yönelik olarak eğitilir. Bu basit görevden, karmaşık yetenekler ortaya çıkar: diyalog, akıl yürütme, kod üretimi, çeviri.
Bir foundation model, fine-tuning, RAG veya prompt engineering yoluyla birçok özel uygulama için temel olarak tekrar kullanılabilen bir IA modelidir. LLM, dil üzerine özelleşmiş bir foundation model türüdür. Ancak terim, aynı mimari ve ekonomik mantığı paylaşan multimodal (görüntü, ses, video) modellere de genişletilmektedir.
Kamuya açık benchmark'larda: GPT-4o ve o1/o3 (OpenAI), Claude 3.5 Sonnet ve Claude 3 Opus (Anthropic), Gemini 2.0 Flash ve Gemini Ultra (Google), Llama 3.1 405B (Meta), Mistral Large 2 (Mistral AI), DeepSeek-V3 ve DeepSeek-R1 (DeepSeek), Qwen2.5 (Alibaba), Hunyuan-T1 (Tencent). Hiçbiri tüm boyutlarda üstün değildir; seçim kullanım senaryosuna bağlıdır (akıl yürütme, gecikme, maliyet, diller, multimodalite).
70 milyardan fazla parametreye sahip dense modeller için bütçeler, boyut ve verimliliğe bağlı olarak 5 ila 100 milyon dolar arasında değişir. GPT-4'ün maliyeti yaklaşık 100 M$, Llama 3.1 405B'nin yaklaşık 50 M$, DeepSeek-V3'ün yaklaşık 5 M$ (verimlilik rekoru) olarak tahmin edilmektedir. Bu rakamlar yalnızca son eğitimi kapsar; ön deneyler ve sonrasındaki işlemler dahil edildiğinde, toplam maliyetler 3 ila 10 kat daha fazladır.
Bu, ağın birçok uzman alt-ağa bölündüğü bir mimaridir ve bir yönlendirici, her token için etkinleştirilecek birkaç uzmanı seçer. Bu sayede toplam parametre sayısı, çıkarım maliyeti orantılı olarak artmadan artırılabilir. Mixtral 8x7B, DeepSeek-V3 ve (tahminen) GPT-4o bu mimariyi kullanır.
DeepSeek-V3 ve ardından DeepSeek-R1, en iyi Amerikan tescilli modellere, yaklaşık 30 kat daha düşük bir eğitim bütçesiyle ve open source olarak ulaşılabileceğini gösterdi. Bu, büyük altyapıların üstünlüğünü sorgulattı ve NVIDIA'nın borsada geçici bir düşüş yaşamasına yol açtı; bu durum, IA ekosisteminin mevcut değerlemesinin kırılganlığını gözler önüne serdi.
Mistral AI (Mistral Large 2, Mixtral, Codestral, Ministral, Pixtral) Avrupa'nın lideridir. Aleph Alpha, Almanca için Pharia-1-LLM geliştiriyor. LightOn, kurumsal kullanım için Paradigm sunuyor. Black Forest Labs, metinden görüntüye için FLUX-1'i yayınlıyor. OpenEuroLLM, Avrupa akademik bir konsorsiyumudur. Proje, Amerikan ve Çin modellerine egemen bir alternatif oluşturmayı hedeflemektedir.
Bu, kullanım senaryosuna bağlıdır. Tescilli (OpenAI, Anthropic, Gemini) yönetilen bir API'nin basitliğini ve en gelişmiş modellere erişimi sunar. Open source (Llama, Mistral, DeepSeek), on-premise barındırma, veri egemenliği, model denetimi ve tedarikçi kilitlenmesinden kaçınma imkanı sağlar - bunun karşılığında altyapı ve iç uzmanlık maliyeti doğar. Düzenlemeye tabi kullanım alanlarında (sağlık, finans, savunma) open source barındırma genellikle standart haline gelmiştir.
Bir akıl yürütme modeli, yanıt vermeden önce açıkça bir chain-of-thought üretir; bu, rekabetçi matematik, mantık ve programlama alanlarında performansını ciddi şekilde artırır. OpenAI o1/o3, DeepSeek-R1, Tencent Hunyuan-T1 ve Gemini Thinking başlıca örneklerdir. Çıkarım maliyeti (daha yüksek gecikme) artsa da kalite de yükselir.
Halüsinasyonlar (gerçek dışı içerik üretimi), prompt injection ve jailbreak (koruma önlemlerinin aşılması), bias (eğitim verisinin yansıması), görüş manipülasyonu (EPFL 2024 çalışması), enerji ve su tüketimi, özel veri sızıntısı, model ve GPU sağlayıcılarına endüstriyel bağımlılık. AI Act, sistemik risk taşıyan modeller için bu risklerin birçoğuna yanıt vermektedir.
Kamuya açık benchmark'larla (MMLU, GPQA, MATH, HumanEval, SWE-Bench, LiveCodeBench, MT-Bench), kör insan değerlendirmeleriyle (Chatbot Arena) ve kullanım senaryosuna uygun dahili testlerle değerlendirilir. Açık benchmark'lar hızla doygunluğa ulaşır: MMLU'da %90'ı aşan bir model, diğerlerinden ayırt edilemez hale gelir. Gerçek görevlerle (yazı, kod üretimi, uzun akıl yürütme) değerlendirme vazgeçilmezdir.
IA ajanları - karmaşık eylemleri bağımsız olarak zincirleyebilen sistemler - 2025-2027'nin ana gündemidir. Bunun ötesinde, sektör uzun vadeli güvenilirlik (alignment, güvenlik), çıkarım verimliliği, doğal multimodal yakınsama, sürekli öğrenme ve altyapı egemenliği üzerinde çalışmaktadır. Eğitim verileri konusu yapısal olarak önemini korumaktadır: kamuya açık web corpus'ları doygunluğa yaklaşırken, sentetik veriler ve yayıncı ortaklıkları gündeme gelmektedir.
4 articles liés à ce sujet
Alibaba Cloud, WAIC 2025'te dil modellerinin çeşitli uygulamalarını tanıttı: araçlar için akıllı kokpit, Signify ile şehir aydınlatma çözümü ve bağlan...
Çinli girişim DeepSeek, R1 modelini güncelleyerek mantık, matematik ve programlama alanlarındaki performansını artırdı. Bu güncelleme, hataları azalta...
Dil Modelleri (LLM'ler) siber güvenlikte giderek daha fazla kullanılmakta, güvenlik açıkları ve saldırıların daha hızlı tespit edilmesini sağlamaktadı...
Çinli holding Tencent, akıl yürütme modeli TurboS'u tanıtmasından sadece bir ay sonra, onun temelini oluşturan Hunyuan-T1'i açıkladı. Tencent'e göre,...
