Skip to main content

Büyük dil modeli (LLM) nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

Büyük dil modeli (LLM) nedir

Büyük dil modeli (LLM), insan dilini anlayıp üretebilmesi için devasa miktarlarda metinle eğitilmiş bir sinir ağı türüdür. Milyarlarca sayfa kitabı, makaleyi, kodu ve konuşmayı özümsemiş, son derece çok okumuş bir asistan hayal edin. Bir insanın bildiği gibi "bilmez"; bunun yerine istatistiksel desenleri — hangi kelimelerin ve fikirlerin hangilerini izleme eğiliminde olduğunu — tutarlı paragraflar yazacak, soruları yanıtlayacak, diller arasında çeviri yapacak, belgeleri özetleyecek ve hatta çok adımlı problemlerde akıl yürütecek kadar iyi öğrenmiştir.

Bir LLM'in tanımlayıcı özelliği (ve sınırı), tahminle çalışmasıdır. Bir cümlenin başlangıcı verildiğinde model, en olası sonraki kelimeyi, ardından bir sonrakini hesaplar ve bu böyle devam eder — her seferinde bir token. Token, kabaca bir kelime veya alt kelimedir. Binlerce bu küçük tahmini zincirleyerek bir LLM; denemeler, kod, şiirler veya teknik analizler üretebilir — bunların hiçbiri için açıkça programlanmadan. Tanınmış LLM'ler arasında GPT, Claude, Gemini ve Mistral bulunur. Pazarlamasında "AI" geçen çoğu kripto AI projesi ya dahili olarak bir LLM kullanıyor, ya kullandığını iddia ediyor ya da üçüncü taraf bir LLM'i kendi arayüzünün arkasına sarıyordur. Bir LLM'in gerçekte ne olduğunu — ve ne olmadığını — anlamak, bu iddiaları değerlendirmek için zorunludur.

Kısaca: LLM, modern metin tabanlı AI'nın çoğunun ardındaki motordur. Kripto AI'da kritik soru, bir projenin "LLM kullanıp kullanmadığı" değil, onu nasıl kullandığı ve üzerine hangi tescilli değeri eklediğidir.

Nasıl çalışır

Bir LLM inşa etmek ve kullanmak, birkaç ayrı aşama içerir. Her aşama farklı kaynaklar, uzmanlık ve veri gerektirir — ve her biri, bir kripto AI projesini değerlendirirken farklı bir AI derinliği düzeyini temsil eder.

Aşama 1: Ön eğitim

Ön eğitim, modelin dilin temellerini öğrendiği yerdir. Bu aşamada LLM; kitaplardan, web sitelerinden, kod depolarından, bilimsel makalelerden ve diğer metin kaynaklarından alınan milyarlarca token — kelime ve alt kelime — okur. Model, bir dizideki sonraki tokenı tahmin etmede giderek daha isabetli olmak için iç parametrelerini (ağırlıklarını) ayarlar.

Bu aşama pahalıdır. Öncü bir LLM'i sıfırdan eğitmek, haftalar veya aylar boyunca çalışan binlerce özel GPU gerektirebilir ve ortaya çıkan model onlarca veya yüzlerce milyar parametreye sahip olabilir. Yalnızca bir avuç kuruluş — kaynakları bol AI laboratuvarları — LLM'leri düzenli olarak sıfırdan ön eğitir.

Aşama 2: İnce ayar

Önceden eğitilmiş bir model güçlüdür ama geneldir. İnce ayar, modeli belirli bir görev veya alanla ilgili derlenmiş, daha küçük bir veri kümesinde daha fazla eğiterek davranışını daraltır. Örneğin, tıbbi bir LLM klinik notlarla ince ayardan geçebilir; DeFi odaklı bir model, akıllı sözleşme dokümantasyonu ve zincir üstü verilerle ince ayarlanabilir.

İnce ayar, ön eğitimden çok daha az hesaplama gerektirir; ancak yine de veri seçimi, değerlendirme metrikleri ve yıkıcı unutmayı (modelin uzmanlaşırken genel yeteneklerini kaybetmesini) önleme konularında uzmanlık ister.

Aşama 3: Hizalama ve RLHF

Modern LLM'ler genellikle ince ayardan sonra bir hizalama aşamasından geçer. İnsan geri bildiriminden pekiştirmeli öğrenme (RLHF) en yaygın yaklaşımdır: insan değerlendiriciler model çıktılarını sıralar ve model, insanların daha yüksek puanladığı yanıtları tercih edecek şekilde eğitilir. Hizalama, bir modelin talimatları izlemesini, zararlı istekleri reddetmesini ve makul görünen saçmalıklar yerine gerçekten yararlı yanıtlar üretmesini sağlayan şeydir.

Aşama 4: Çıkarım

Çıkarım, üretim aşamasıdır — eğitilmiş bir LLM'in bir komut alıp çıktı ürettiği an. Bir kullanıcı bir chatbot'a her mesaj gönderdiğinde, temeldeki LLM çıkarım çalıştırır: komutu okur, parametre katmanlarından geçirir ve token token bir yanıt üretir.

Çıkarım hesaplamaya (GPU süresine) mal olur; ancak sorgu başına eğitimden çok daha azına. "LLM kullanan" projelerin çoğu yalnızca çıkarım gerçekleştirir — çoğu zaman kendi donanımını çalıştırmak yerine bir dış sağlayıcının API'sini çağırarak.

İşlem hattına bir bakış

Aşama Ne olur Tipik olarak kim yapar Hesaplama maliyeti
Ön eğitim Milyarlarca tokendan dil öğrenmek Büyük AI laboratuvarları Çok yüksek
İnce ayar Modeli bir alana veya göreve uyarlamak AI laboratuvarları, iyi finanse edilmiş girişimler Orta
Hizalama (RLHF) Modeli güvenli ve talimat izler kılmak AI laboratuvarları Orta
Çıkarım Kullanıcı komutlarına yanıt üretmek API anahtarı veya GPU'su olan herkes Sorgu başına düşük

Bir LLM'in temel özellikleri

Belirli bir LLM'in ne kadar yetenekli olduğunu birkaç özellik tanımlar:

  • Parametre sayısı — modeldeki eğitilebilir ağırlıkların sayısı. Daha büyük modeller genellikle daha fazla nüans yakalar; ancak eğitilmesi ve çalıştırılması daha pahalıdır. Parametre sayıları birkaç milyardan (küçük açık kaynak modeller) bir trilyonun üzerine (öncü modeller) uzanır.
  • Bağlam penceresi — modelin tek bir etkileşimde işleyebileceği maksimum token sayısı. Kısa bir bağlam penceresi, modelin uzun bir konuşmanın başını "unuttuğu" anlamına gelir. Modern LLM'ler, birkaç bin tokendan yüz binin üzerine uzanan bağlam pencereleri sunar.
  • Mimari — modern LLM'lerin çoğu, 2017'de tanıtılan Transformer mimarisi üzerine kuruludur. Transformer'lar, girdideki tüm tokenlar arasındaki ilişkileri tartmak için öz dikkat (self-attention) denen bir mekanizma kullanır; metindeki uzun menzilli bağımlılıkları ele almalarını sağlayan da budur.
  • Eğitim verisi — ön eğitim sırasında kullanılan verinin kalitesi, çeşitliliği ve güncelliği, modelin bildiklerini şekillendirir. Yalnızca İngilizce metinle eğitilmiş bir model diğer dillerde kötü performans gösterir; bilgi kesme tarihi belirli bir yıl olan bir model, sonraki olayları bilmez.

Gerçek sektör örnekleri

Birkaç tanınmış LLM, alandaki yaklaşım yelpazesini gösterir:

  • GPT (OpenAI) — bir API üzerinden erişilebilen kapalı kaynaklı, çok modaliteli bir LLM. Birçok kripto AI projesi, ürünlerine konuşma veya analiz özellikleri eklemek için GPT API'sini çağırır.
  • Claude (Anthropic) — güvenlik ve hizalamaya güçlü vurgu yapan kapalı kaynaklı bir LLM. GPT gibi, tipik olarak API aracılığıyla erişilir.
  • DeepSeek-R1 (DeepSeek) — MIT lisansı altında yayımlanan açık ağırlıklı bir LLM. Güçlü akıl yürütme yetenekleri ve açık erişilebilirliği, onu ince ayar için ve modelleri yerel olarak çalıştırmak veya daha derin AI entegrasyonu iddia etmek isteyen kripto AI projeleri için popüler bir temel model yapar.
  • Mistral (Mistral AI) — daha küçük parametre sayılarında güçlü performansıyla bilinen açık ağırlıklı bir model ailesi; sınırlı GPU bütçesine sahip projeler için pratiktir.

Bu isimler kripto AI proje açıklamalarında sıkça görülür. Bir proje "GPT kullanıyoruz" dediğinde, neredeyse her zaman OpenAI API'sini çağırdığı anlamına gelir. "DeepSeek'i ince ayarladık" dediğinde, daha derin bir teknik ilişki ima eder — ancak iddia yine de doğrulanabilir kanıt gerektirir.

Açık kaynaklı ve kapalı kaynaklı LLM'ler

Boyut Açık kaynak / açık ağırlık Kapalı kaynak
Model ağırlıkları İndirilebilir, herkese açık Bir API'nin arkasında gizli
İnceleme Herkes çalışabilir, denetleyebilir veya ince ayarlayabilir İç yapının dış denetimi mümkün değil
Özelleştirme Özel verilerle ince ayarlanabilir, yerel çalıştırılabilir API parametreleriyle sınırlı (temperature, sistem komutları)
Maliyet yapısı Kendi GPU donanımı veya barındırma gerektirir Token başına ödemeli API fiyatlandırması
Örnekler DeepSeek, Qwen, Mistral GPT, Claude, Gemini

Kripto AI projeleri için bu ayrım önemlidir: açık ağırlıklı bir modeli ince ayarlayıp eğitim ayrıntılarını yayımlayan bir proje, kapalı bir API'yi değişiklik yapmadan çağıran bir projeden daha fazla AI derinliği sergiler.

LLM'ler kripto AI'da neden önemli

Birçok kripto AI projesi; teknik incelemelerinde, sunum dosyalarında veya ürün açıklamalarında LLM'lere atıfta bulunur. İddialar büyük ölçüde değişir:

  • "Kendi LLM'imizi inşa ettik" — önemli hesaplama ve uzmanlık gerektiren ön eğitim veya kayda değer ince ayar ima eder. Bu, en derin katılım düzeyidir.
  • "DeFi için bir LLM'i ince ayarladık" — mevcut bir temel modelin alana özgü uyarlamasını ima eder. Ham bir API çağrısından daha inandırıcıdır; ancak ayrıntılar önemlidir.
  • "Bir LLM kullanıyoruz" — çoğu zaman projeye özgü komutlarla harici bir API'yi (OpenAI veya Anthropic API'si gibi) çağırmak anlamına gelir. Bu, en sığ AI entegrasyon düzeyidir.

Bu üç senaryo temelden farklı AI derinliği düzeylerini temsil eder ve DecAIHub bunları kanıt temelli metodolojisiyle buna göre değerlendirir.

API kullanmak ve kendi modelini inşa etmek

Yaklaşım Ne anlama gelir AI derinliği
API çağrısı Proje, üçüncü taraf bir LLM'e (ör. OpenAI API) komut gönderir ve yanıtı döndürür Düşük — AI, sağlayıcıya aittir
Komut mühendisliği Proje, üçüncü taraf bir LLM üzerine özelleşmiş komutlar, zincirler veya erişim işlem hatları tasarlar Düşük-orta — tescilli mantık var ama model harici
İnce ayar Proje, açık kaynaklı bir temel modeli (DeepSeek, Mistral, Qwen) kendi veri kümesinde uyarlar Orta-yüksek — proje, değiştirilmiş bir modele sahiptir
Ön eğitim Proje, kendi verisi ve hesaplamasıyla bir modeli sıfırdan eğitir Yüksek — modelin tam sahipliği

Kullanıcı komutlarını ticari bir LLM'e iletip yanıtı döndüren bir API wrapper, DeepSeek'i zincir üstü işlem verileriyle ince ayarlamış bir projeyle aynı şey değildir. DecAIHub, proje kartının AI component alanında bunları birbirinden ayırır.

DecAIHub proje kartlarında nerede görünür

DecAIHub'da bir proje kartını incelerken, birkaç alan doğrudan LLM kullanımıyla ilgilidir:

  • AI component, "LLM", "ince ayarlı model", "komut mühendisliği" veya belirli bir model adından söz edebilir. Bu alan, DecAIHub incelemecileri tarafından doğrulandığı şekliyle projenin gerçekte ne tür bir AI'ya sahip olduğunu tanımlar.
  • AI use case, LLM'in ne için kullanıldığını tanımlar: üretim, sınıflandırma, özetleme, ajan akıl yürütmesi vb. Bir proje bir LLM'i dar bir görev için (ör. niyet ayrıştırma) veya bütün bir ürünün çekirdek motoru olarak kullanabilir.
  • ai_score (DecAI Fit'in bir parçası), LLM kullanımının Tier-1, Tier-2 veya Tier-3 kanıtla ne kadar iyi belgelendiğini yansıtır. LLM kullanımı iddia eden ancak doğrulanabilir artefakt sunmayan bir proje, bu boyutta düşük puan alır.
  • AI reality bayrakları (AI_0'dan AI_4'e), birçok projede LLM entegrasyonuna dayanan doğrulanabilir AI'nın genel derinliğini gösterir.

Amaç, asla bir projeyi üçüncü taraf bir LLM kullandığı için cezalandırmak değildir — birçok geçerli ürün tam olarak bunu yapar. Amaç, bir API'yi şeffaf biçimde çağıran projelerle API kullanımını tescilli AI araştırması olarak yanlış sunan projeleri ayırt etmektir.

LLM tek başına neyi kanıtlamaz

  • Bir LLM API anahtarına sahip olmak, projenin "AI'ya sahip olduğu" anlamına gelmez. Projenin başkasının AI'sını çağırabildiği anlamına gelir.
  • Pazarlamada "GPT" veya "Claude"dan söz etmek, tescilli AI çalışmasını kanıtlamaz. Binlerce uygulama aynı API'yi kullanır.
  • İnce ayarlı bir model bile doğrulanabilir artefaktlara ihtiyaç duyar: eğitim verilerinin açıklaması, değerlendirme metrikleri, bir model sürüm tanımlayıcısı ve dağıtım kanıtı.
  • Büyük bir parametre sayısı, daha iyi bir modeli garanti etmez. Eğitim kalitesi, veri derleme ve hizalama, en az ham boyut kadar önemlidir.

Karıştırmayın

  • Çıkarım — eğitilmiş bir LLM'i çıktı üretmek için çalıştırmak. Çıkarım, LLM kullanmanın bir adımıdır, LLM'in eş anlamlısı değil.
  • Eğitim — bir LLM'i inşa etme veya uyarlama süreci. Eğitim modeli üretir; çıkarım onu kullanır.
  • AI ajanı — akıl yürütme çekirdeği olarak bir LLM kullanabilen ancak algılama, bellek, araç kullanımı ve eylem ekleyen otonom bir sistem. Tek başına bir LLM, ajan değildir.
  • Doğal Dil İşleme (NLP) — bilgisayar biliminin daha geniş bir alanı. LLM'ler, NLP'ye (çok başarılı) bir yaklaşımdır; ancak NLP; anahtar kelime çıkarma, kural tabanlı ayrıştırma ve istatistiksel sınıflandırıcılar gibi daha eski teknikleri de içerir.
  • Temel model (foundation model) — LLM'leri içeren ancak görüntü, ses, video veya çok modaliteli verilerle eğitilmiş büyük modelleri de kapsayan daha genel bir terim. Her LLM bir temel modeldir; ancak her temel model bir LLM değildir.

Sık sorulan sorular

LLM ile chatbot arasındaki fark nedir?

LLM bir modeldir — metni işleyebilen ve üretebilen eğitilmiş parametreler kümesi. Chatbot ise bir modelin üzerine inşa edilmiş bir üründür. LLM motordur; chatbot arabadır. Tek bir LLM, her biri kendi komutlarına, arayüzüne ve kişiliğine sahip binlerce farklı chatbot'u çalıştırabilir. Öte yandan bir chatbot mutlaka bir LLM kullanmaz — eski chatbot'lar komut dosyalı kurallara veya basit desen eşleştirmeye dayanıyordu.

Tüm AI projeleri LLM mi kullanıyor?

Hayır. Birçok kripto AI projesi başka makine öğrenmesi türleri kullanır: NFT üretimi için bilgisayarla görme modelleri, alım satım stratejileri için pekiştirmeli öğrenme, blok zinciri analitiği için grafik sinir ağları veya anomali tespiti için geleneksel ML. LLM, metin tabanlı uygulamalarda baskındır; ancak tek AI türü değildir.

Bir LLM'i ince ayarlamak ne anlama gelir?

İnce ayar, önceden eğitilmiş bir LLM'i alır ve eğitimini belirli bir görevle ilgili daha küçük, derlenmiş bir veri kümesinde sürdürür. Amaç, modeli uzmanlaştırmaktır — örneğin ona DeFi terminolojisini anlamayı, akıllı sözleşmeleri ayrıştırmayı veya belirli bir tarzda yanıtlar üretmeyi öğretmek. İnce ayar, sıfırdan ön eğitimden daha uygun maliyetlidir; ancak yine de teknik beceri, uygun veri ve hesaplama kaynakları gerektirir.

Bir kripto projesinin kendi LLM'ini mi inşa ettiği yoksa bir API mi kullandığı nasıl anlaşılır?

Somut kanıt arayın: yayımlanmış model ağırlıkları veya bir model kartı, belgelenmiş eğitim verileri, değerlendirme kıyaslamaları ve ince ayar sürecinin açıklaması. Proje, herhangi bir değişiklik tanımlamadan yalnızca tanınmış bir model adına (GPT, Claude) atıfta bulunuyorsa, büyük olasılıkla bir API kullanıyordur. DecAIHub bu ayrımı AI component alanında ve kanıt katmanında yakalar.

Açık kaynaklı LLM'ler nedir?

Açık kaynaklı (veya açık ağırlıklı) LLM'ler, eğitilmiş parametreleri indirme, inceleme ve değiştirme için herkese açık olan modellerdir. Örnekler arasında DeepSeek, Qwen ve Mistral bulunur. Herkesin modeli ince ayarlamasına, dağıtmasına ve incelemesine olanak tanırlar; bu da şeffaflığı artırır ve bağımsız doğrulamayı mümkün kılar — her ikisi de kripto AI alanında değerli niteliklerdir.

LLM boyutu (parametreler) neden önemli?

Daha fazla parametre, genellikle bir modelin dildeki daha karmaşık desenleri yakalamasına olanak tanır ve bu, zor görevlerdeki performansı iyileştirebilir. Ancak boyut tek başına belirleyici değildir. İyi eğitilmiş daha küçük bir model, kötü eğitilmiş daha büyük bir modelden daha iyi performans gösterebilir. En önemli olan; parametre sayısı, veri kalitesi, eğitim metodolojisi ve hizalama ayarının birleşimidir.

Ayrıca bakınız

Dış kaynaklar

No comments to display

Back to top