LLM Nedir? Büyük Dil Modelleri Basitçe Anlatıldı

LLM (Large Language Model, yani Büyük Dil Modeli), devasa miktarda metinle eğitilerek bir cümledeki bir sonraki kelimeyi tahmin etmeyi öğrenen bir yapay zeka sistemidir. ChatGPT, Claude, Gemini gibi sohbet botlarının motoru tam da budur: siz bir soru yazarsınız, model önceki kelimelere bakarak "şimdi hangi kelime gelmeli" sorusunu arka arkaya milyonlarca kez sorar ve sonunda akıcı, anlamlı görünen bir cevap ortaya çıkar. Yani LLM, dünyayı gerçekten "anlayan" bir zeka değildir; istatistiksel olarak en olası kelime dizisini üretmekte inanılmaz derecede iyi olan bir tahmin motorudur.

Bunu şöyle düşünün: Telefonunuzun klavyesindeki kelime önerisi özelliğini biliyorsunuzdur — "nasıl" yazınca "gidiyorsun" önerir. LLM de aynı mantığın, milyarlarca parametreyle güçlendirilmiş, devasa bir versiyonudur. Farkı ölçek ve o ölçekten doğan sürpriz yeteneklerdir: kod yazmak, özet çıkarmak, çeviri yapmak, hatta akıl yürütür gibi görünmek.

Token Nedir? Dil Modelinin Alfabesi

Bir LLM, metni doğrudan harf harf veya kelime kelime okumaz; "token" denen daha küçük parçalara böler. Token bazen tam bir kelimedir ("ev"), bazen bir kelime parçasıdır ("kitap" + "lık" + "lar"), bazen de tek bir noktalama işaretidir. Türkçe gibi ekleri bol olan bir dilde bu bölünme özellikle önemlidir, çünkü "yapabileceğimiz" gibi tek bir kelime birkaç token'a ayrılabilir.

Bunu Lego parçalarına benzetebilirsiniz: Model, elindeki sınırlı sayıda Lego parçasıyla (token dağarcığıyla, genelde 50 bin ile 250 bin arası) her türlü cümleyi inşa etmeye çalışır. Sohbet ederken gördüğünüz fiyatlandırma da ("1 milyon token başına X dolar") aslında bu parçaların sayısına dayanır — yazdığınız ve modelin ürettiği her token bir maliyettir.

Eğitim Süreci: Bir LLM Nasıl "Öğrenir"?

Eğitim iki büyük aşamadan oluşur.

1) Ön eğitim (pretraining): Model, internetten, kitaplardan, Wikipedia'dan, kod depolarından toplanan trilyonlarca kelimelik metni okur. Görevi tek: verilen bir metin parçasının bir sonraki kelimesini tahmin etmek. Yanlış tahmin ederse, iç ayarlarını (parametrelerini) biraz düzeltir; doğru tahmin ederse o ayarları güçlendirir. Bunu trilyonlarca kez tekrarlayarak dilin dokusunu, gramerini, dünya bilgisini istatistiksel olarak özümser.

Bunu şöyle düşünün: Sürekli "boşluk doldurma" testi çözen bir öğrenci hayal edin. Milyarlarca test sorusundan sonra bu öğrenci artık İngilizce grameri, tarihi olayları, hatta bazı matematik kalıplarını da "ezbere" değil, örüntü olarak sezmeye başlar. LLM'in yaptığı da budur — sadece öğrenci milyarlarca, öğretmen ise bir bilgisayar kümesidir.

2) İnce ayar ve insan geri bildirimi (RLHF): Ham model çok bilgili ama kaba ve bazen zararlı olabilir. Bu aşamada insan değerlendiriciler modelin verdiği cevapları puanlar, model daha yardımcı, daha güvenli ve daha "sohbet edilebilir" hale gelir. Prompt nedir, yapay zekaya doğru soru sorma sanatı yazımızda bu ince ayarlanmış modellerden nasıl daha iyi sonuç alacağınızı detaylıca anlatıyoruz.

Parametre Nedir? Modelin "Ayar Düğmeleri"

Parametre, modelin eğitim sırasında öğrendiği sayısal değerlerden her biridir. "GPT-5.6, X milyar parametreli" dediğimizde, modelin içinde X milyar tane ince ayarlanabilir düğme olduğunu kastediyoruz.

Bunu devasa bir ses mikseri gibi düşünün: Her düğme, gelen sinyali (kelimeleri) biraz farklı şekilde bükerek çıktıya (bir sonraki kelimeye) yönlendirir. Tek bir düğme tek başına bir şey ifade etmez ama milyarlarca düğmenin birlikte çalışması, "Paris Fransa'nın başkentidir" gibi bir bilgiyi ya da bir şiirin ritmini üretebilir. Genel kural olarak parametre sayısı arttıkça model daha fazla örüntü depolayabilir, ama bu otomatik olarak "daha akıllı" anlamına gelmez — eğitim verisinin kalitesi ve ince ayar süreci en az o kadar belirleyicidir.

Cevap Üretme: Kelime Kelime Tahmin Oyunu

Siz bir mesaj gönderdiğinizde model, sizin yazdığınız ve daha önce ürettiği tüm token'ları göz önüne alarak bir sonraki token için olasılık dağılımı hesaplar ("belki" %40, "kesinlikle" %25, "asla" %5 gibi) ve bu dağılımdan bir seçim yapar. Sonra bu yeni token'ı da hesaba katıp bir sonrakini tahmin eder. Bu süreç, cevabınız bitene kadar tekrar eder. Yani bir LLM, cevabını önceden planlamaz; kelime kelime, adım adım "inşa eder". Bu yüzden bazen çok uzun ve karmaşık cevaplarda tutarlılık kaybolabilir.

Halüsinasyon Nedir, Neden Olur?

Halüsinasyon, modelin gerçek olmayan bir bilgiyi, sanki kesin doğruymuş gibi, kendinden emin bir dille üretmesidir — olmayan bir kitap adı, yanlış bir tarih, var olmayan bir yasa maddesi gibi.

Bunun temel sebebi modelin çalışma mantığında gizli: LLM bir "gerçek doğrulama" motoru değil, bir "olası devam" motorudur. Elinde bir bilgi yoksa dahi, o boşluğu istatistiksel olarak en "kulağa uygun gelen" kelimelerle doldurur. Tıpkı bir öğrencinin sınavda bilmediği bir soruyu boş bırakmak yerine mantıklı görünen bir cevap yazmaya çalışması gibi — ama bu öğrenci hiçbir zaman "bilmiyorum" demeyi tam olarak öğrenememiştir. Anthropic'in Claude modelinin iç işleyişini incelediği J-uzayı araştırması da modelin "düşünce" sürecinin ne kadar katmanlı ve bazen öngörülemez olduğunu gösteriyor. Ayrıca güvenlik açısından bu zayıflığın nasıl istismar edildiğine HalluSquatting haberimizde de rastlayabilirsiniz.

Halüsinasyonu azaltmanın başlıca yolları: modele güncel ve doğrulanmış kaynaklardan bilgi vermek (RAG denen teknik), kaynak göstermesini istemek ve kritik konularda cevabı ikinci bir kaynaktan teyit etmektir.

LLM'lerin Sınırları

• Bilgi kesim tarihi: Model, eğitim verisinin toplandığı tarihten sonraki olayları bilmez; internet erişimi olan araçlar (arama entegre sohbet botları) bu açığı kısmen kapatır.
• Matematik ve kesin mantık: Token tahmini yapan bir sistem için karmaşık, çok adımlı hesaplamalar doğal bir zayıflıktır; modern modeller "adım adım düşünme" (chain-of-thought) teknikleriyle bunu büyük ölçüde iyileştirdi, örneğin GPT-5.6 Sol Ultra'nın 50 yıllık bir matematik bilmecesini çözmesi bunun bir kanıtı, ama garanti yok.
• Önyargı (bias): Eğitim verisi internetten toplandığı için, internetteki toplumsal önyargılar da modele sızabilir.
• Dil ve kültür farkları: Aynı model farklı dillerde farklı "kişilik" sergileyebilir; Anthropic'in Claude'un dile göre değişen tonu üzerine araştırması bunu net biçimde ortaya koyuyor.
• Maliyet ve hesaplama gücü: Büyük modelleri çalıştırmak devasa veri merkezleri ve enerji gerektirir; bu konu artık şehir planlamasına kadar uzanan bir tartışma haline geldi (New York'un veri merkezlerine getirdiği fren buna güzel bir örnek).

Popüler LLM'ler: Kısa Karşılaştırma

| Model | Şirket | Güçlü Yanı | Türkçe Desteği | Yazım Tarihinde Yaklaşık Fiyat | |---|---|---|---|---| | GPT-5.6 (ChatGPT) | OpenAI | Genel amaçlı, güçlü akıl yürütme | Çok iyi | Ücretsiz katman + Plus ~ 20$/ay | | Claude | Anthropic | Uzun metin analizi, kod yazımı | İyi | Ücretsiz katman + Pro ~ 20$/ay | | Gemini | Google | Google servisleriyle entegrasyon, çok modluluk | İyi | Ücretsiz katman + Google One AI paketleri | | Llama | Meta | Açık kaynak, kendi sunucunda çalıştırılabilir | Orta | Ücretsiz (donanım maliyeti hariç) | | Grok | xAI | X (Twitter) entegrasyonu, güncel bilgi | Orta | X Premium içinde |

Bu modellerin sohbet arayüzlerini gündelik kullanım senaryolarına göre karşılaştırdığımız yapay zeka sohbet uygulamaları rehberimize göz atabilirsiniz. LLM'ler artık sadece metinle sınırlı değil; görsel üretimiyle birleşen çok modlu sistemler için de yapay zeka resim oluşturma araçları rehberimiz faydalı olacaktır.

Türkiye'de LLM Kullanımı: Erişim ve Fiyat

Türkiye'den bu araçların büyük çoğunluğuna doğrudan erişim var; ödemeler genellikle dolar bazlı yapılıyor, dolayısıyla TL karşılığı kur değişimine göre dalgalanıyor (Plus veya Pro paketleri için yazım tarihinde aylık yaklaşık 700-900 TL bandını konuşabiliriz). Türkçe destek son iki yılda büyük ölçüde olgunlaştı: GPT ailesi ve Claude, Türkçe dilbilgisi ve deyimler konusunda gayet başarılı; yerel bağlam (Türkiye'ye özgü yasal, kültürel detaylar) konusunda ise hâlâ genel bir dikkat ve doğrulama gerekiyor. Ücretsiz katmanlar günlük kullanım için genellikle yeterli, yoğun/kod odaklı işler için ücretli paketler mantıklı bir yatırım. Hangi aracın hangi işe daha uygun olduğunu görmek için en iyi yapay zeka araçları 2026 rehberimizi inceleyebilirsiniz.

Sonuç: LLM'i Nasıl Anlamalı?

LLM nedir sorusunun özeti şu: token'lara bölünmüş metinle beslenen, milyarlarca parametreyle bir sonraki kelimeyi tahmin etmeyi öğrenen, bu sayede yazma, özetleme, kodlama gibi görevlerde şaşırtıcı derecede iyi olan ama gerçek anlamda "bilme" ya da "anlama" kapasitesine sahip olmayan istatistiksel bir dil makinesidir. Bu gücü ve sınırları bilerek kullanmak — cevaplarını kör güvenle kabul etmemek, kritik bilgileri teyit etmek — LLM'lerden en çok değeri almanın yoludur. Teknik detaylara meraklıysanız, bu alanın temelini atan Transformer mimarisi makalesi (Attention Is All You Need) hâlâ en sağlam başlangıç noktası.