LLM nedir? Büyük dil modeli nasıl çalışır: 2026 rehberi

LLM, yani büyük dil modeli, çok büyük miktarda metinle eğitilen bir yapay sinir ağıdır. Temel görevi, bir metinde sırada hangi parçanın geleceğini tahmin etmektir. ChatGPT, Claude ya da Gemini gibi sohbet araçlarının arkasında bu tür modeller çalışır. Soru yanıtlama, kod yazma, özetleme ve çeviri gibi becerilerin hepsi bu tek tahmin hedefinden doğar.

Bu rehberde token, eğitim, parametre, bağlam penceresi, halüsinasyon ve açık-kapalı model ayrımını sırayla ele alıyoruz. Model adları, fiyatlar ve bağlam sınırları çok hızlı değişir. Bu yüzden örnek rakamları tarihleriyle veriyoruz. Güncel değerler için üreticilerin kendi belgelerine bakmanız gerekir.

LLM nedir, neden “büyük” deniyor?

“Büyük” sıfatı iki şeyi anlatır. Birincisi modelin eğitildiği veri miktarıdır. İkincisi modelin içindeki ayarlanabilir sayıların, yani parametrelerin sayısıdır. Örneğin Meta, Nisan 2024'te Llama 3'ün 15 trilyondan fazla token ile eğitildiğini açıkladı.

Neredeyse tüm modern LLM'ler Transformer mimarisine dayanır. Bu yapı, Google araştırmacılarının Haziran 2017 tarihli “Attention Is All You Need” makalesinde tanıtıldı. Mimarinin kalbinde öz-dikkat (self-attention) mekanizması yer alır. Bu mekanizma sayesinde model, bir kelimeyi işlerken metindeki diğer kelimelerden hangilerinin o an önemli olduğunu tartar.

Türkçede “büyük dil modeli” karşılığı kullanılır. Yine de medyada çoğunlukla “LLM” kısaltması tercih ediliyor. Bildiğimiz kadarıyla bu kavram için resmî bir Türkçe devlet tanımı yok.

Token nedir? Türkçe neden daha fazla token harcar?

Modeller kelimeleri değil, token adı verilen parçaları okur. Token'lar, byte-pair encoding (BPE) gibi algoritmalarla oluşturulan kelime altı birimlerdir. Sık kullanılan bir kelime tek token olabilir. Nadir bir kelime ise birkaç parçaya bölünür.

OpenAI'ın kaba ölçüsüne göre İngilizcede 1 token yaklaşık 4 karaktere, yani bir kelimenin dörtte üçüne denk gelir. Bu hesapla 100 token aşağı yukarı 75 kelime eder.

Türkçe sondan eklemeli bir dil olduğu için durum farklıdır. “Afyonkarahisarlılaştıramadıklarımızdan” gibi uzun kelimeler birçok parçaya ayrılır. Çoğu tokenizer, aynı anlamı taşıyan Türkçe metni İngilizceden daha fazla token'a böler. Petrov ve arkadaşlarının 2023 tarihli çalışması, tokenizer'ların diller arasında böyle bir eşitsizlik yarattığını gösteriyor.

Aradaki oran, kullanılan tokenizer'a göre değişir ve yeni tokenizer'lar farkı daraltmıştır. Kendi metninizi OpenAI'ın çevrimiçi tokenizer aracıyla ölçebilirsiniz.

Bu fark pratikte önemlidir. API kullanımı genellikle 1 milyon girdi ve çıktı token'ı başına fiyatlandırılır ve çıktı token'ları daha pahalıdır. Daha fazla token, daha yüksek maliyet anlamına gelir ve bağlam penceresini daha çabuk doldurur. Fiyatlar sık değiştiği için güncel tutarları OpenAI, Anthropic ve Google'ın fiyat sayfalarından kontrol etmek gerekir.

Büyük dil modeli nasıl eğitilir?

Eğitim genellikle birkaç aşamada yapılır. İlk aşama ön eğitimdir (pre-training). Model; web metinleri, kitaplar ve koddan oluşan trilyonlarca token üzerinde bir sonraki token'ı tahmin ederek öğrenir. Bu aşamanın sonunda model dili tanır ama henüz bir asistan gibi davranmaz.

İkinci aşama ince ayar ya da talimat eğitimidir. Bu aşamada modele iyi yanıt örnekleri gösterilir. Üçüncü aşama hizalamadır. Bu adımın en bilinen yöntemi, OpenAI'ın 2022 tarihli InstructGPT çalışmasıyla öne çıkan RLHF'tir (insan geri bildirimiyle pekiştirmeli öğrenme). Anthropic'in “Constitutional AI” yaklaşımı da bunun bir türevidir.

2024 sonundan bu yana akıl yürütme modelleri de yaygınlaştı. OpenAI o1 ve Ocak 2025'te yayımlanan DeepSeek-R1 bu grubun örnekleridir. Bu modeller, yanıt vermeden önce “düşünmeleri” için pekiştirmeli öğrenmeyle eğitilir ve yanıt anında daha fazla hesaplama harcar.

Eğitim maliyeti için kesin bir rakam yok. Öncü modellerin eğitiminin onlarca ila yüzlerce milyon dolara mal olduğu bildiriliyor, ancak bunlar resmî rakam değil, tahmin. DeepSeek V3 için sık anılan yaklaşık 5,6 milyon dolar ise yalnızca son eğitim koşusunun GPU saatlerini kapsıyor ve tartışmalı.

Parametre nedir, çok parametre daha iyi model mi demek?

Parametreler, modelin eğitim sırasında öğrendiği sayısal ağırlıklardır. Fikir vermesi için birkaç örnek: GPT-2'nin 2019'da 1,5 milyar, GPT-3'ün 2020'de 175 milyar parametresi vardı. Meta'nın Temmuz 2024'te yayımladığı Llama 3.1 ise 8, 70 ve 405 milyarlık boyutlarda sunuldu.

Bazı modeller uzman karışımı (Mixture-of-Experts, MoE) yapısı kullanır. Bu yapıda her token için ağın yalnızca bir kısmı çalışır. Örneğin DeepSeek-V3'ün toplam 671 milyar parametresi var, ancak her token'da bunların yaklaşık 37 milyarı devreye giriyor.

OpenAI, Anthropic ve Google amiral gemisi modellerinin parametre sayısını açıklamıyor. “GPT-4 1,76 trilyon parametreli” gibi dolaşımdaki rakamlar doğrulanmamış sızıntılardır.

Daha çok parametre, kendiliğinden daha iyi bir model anlamına da gelmez. Veri kalitesi ve eğitim yöntemi en az boyut kadar belirleyicidir. 2022'deki “Chinchilla” çalışması, hesaplama açısından en verimli eğitimin parametre başına yaklaşık 20 token kullandığını bulmuştu. Günümüz modelleri ise bilinçli olarak bu oranın çok üzerinde eğitiliyor.

Bağlam penceresi (context window) nedir?

Bağlam penceresi, modelin aynı anda dikkate alabildiği en fazla token sayısıdır. Buna isteminiz, önceki konuşma ve modelin üreteceği yanıt dahildir. Bu pencereyi uzun süreli bellek değil, çalışma belleği gibi düşünebilirsiniz.

Pencereler hızla büyüdü. GPT-3'te 2.048 token, ilk GPT-4'te ise 8 bin ve 32 bin tokenlık seçenekler vardı. Sonraki sürümlerde Claude için 200 bin (bazı sürümlerde 1 milyona kadar), Gemini 1.5 ve 2.x için 1–2 milyon, GPT-4.1 için 1 milyon token duyuruldu. Meta da Nisan 2025'te Llama 4 Scout için 10 milyon token iddia etti. Bu rakamlar her yeni sürümde değişiyor, bu yüzden güncel belgelere bakmak gerekir.

Büyük bir pencere, modelin tamamını güvenilir biçimde kullandığı anlamına gelmez. Liu ve arkadaşlarının 2023 tarihli “Lost in the Middle” çalışması, uzun girdilerin ortasında kalan bilgilerde doğruluğun düşebildiğini gösterdi.

Yapay zekâ neden halüsinasyon görür?

Halüsinasyon, akıcı ama yanlış ya da uydurma çıktıdır. Var olmayan kaynaklar, hatalı bilgiler veya hiç görülmemiş davalar bunun tipik örnekleridir. Sorun, modelin bilgiyi bir veritabanında aramak yerine makul görünen metni tahmin etmesinden kaynaklanır. OpenAI'ın Eylül 2025 tarihli bir makalesine göre eğitim ve değerlendirme süreçleri, belirsizliği kabul etmek yerine tahmin yürütmeyi ödüllendiriyor.

Bilinen bir örnek, ABD'deki Mata v. Avianca davasıdır (2023). Bu davada avukatlar, ChatGPT'nin uydurduğu dava atıflarını mahkemeye sundukları için yaptırımla karşılaştı. Sonrasında benzer pek çok olay yaşandı.

RAG (bilgi getirme destekli üretim), web aramasıyla destekleme, kaynak gösterme ve akıl yürütme modelleri sorunu azaltır ama tamamen ortadan kaldırmaz. Hatta OpenAI'ın Nisan 2025 tarihli o3/o4-mini sistem kartında, bazı akıl yürütme modellerinin PersonQA testinde daha yüksek halüsinasyon oranı gösterdiği belirtildi. Oranlar ölçüm yöntemine göre değiştiği için tek rakamlı iddialara temkinli yaklaşmak gerekir.

Açık ve kapalı modeller arasındaki fark nedir?

Kapalı modellerde ağırlıklar yayımlanmaz. Modele yalnızca bir uygulama ya da API üzerinden erişirsiniz. OpenAI'ın GPT serisi, Anthropic'in Claude'u, Google'ın Gemini'si ve xAI'ın Grok'u bu gruptadır; xAI bazı eski Grok ağırlıklarını ayrıca yayımladı.

Açık ağırlıklı modellerin ağırlıkları indirilebilir. Bu modeller kendi donanımınızda çalıştırılabilir ve üzerlerinde ince ayar yapılabilir. Meta Llama, Mistral, DeepSeek, Alibaba Qwen, Google Gemma ve OpenAI'ın Ağustos 2025'te Apache 2.0 lisansıyla yayımladığı gpt-oss bu gruba örnektir.

“Açık ağırlıklı” ile “açık kaynak” aynı şey değildir. Open Source Initiative'in (OSI) Ekim 2024 tarihli Açık Kaynak Yapay Zekâ Tanımı 1.0, eğitim verisi dahil çok daha geniş bir şeffaflık ister. OSI'ye göre Llama'nın lisansı açık kaynak sayılmaz.

Açık ağırlıklı modeller gizlilik, yerel kontrol ve özelleştirme imkânı sunar. Kapalı modeller ise genellikle performansın en ucunda yer aldı, ancak 2025'te aradaki fark daraldı. LMArena gibi platformlardaki sıralamalar her ay değişiyor.

Türkiye'de de Türkçeye odaklanan girişimler var. Trendyol LLM, Boğaziçi Üniversitesi'nin Kanarya modelleri ve T3 Vakfı'nın T3 AI'ı bunlar arasında sayılabilir; ancak güncel durumlarını doğrulayamadık. İstemlerinize kişisel veri yazıyorsanız KVKK kuralları geçerlidir. AB'ye hizmet veren şirketler için AB Yapay Zekâ Yasası'nın genel amaçlı modellere ilişkin yükümlülükleri 2 Ağustos 2025'ten beri uygulanıyor.