---
title: "LLM Nedir? Büyük Dil Modelleri Nasıl Çalışır"
description: "LLM (büyük dil modeli), çok büyük miktarda metinle eğitilip sıradaki kelimeyi tahmin eden yapay zekâ modelidir. Nasıl çalıştığını ve sınırlarını anlattık."
url: https://proxynet.io/tr/blog/what-is-a-large-language-model
date: 2026-11-18
author: "Acar Diveroli"
category: "Yapay Zekâ"
lang: tr
---

# LLM Nedir? Büyük Dil Modelleri Nasıl Çalışır

Bir pazarlama yöneticisi elli müşteri yorumunu bir sohbet penceresine yapıştırıp en sık dile getirilen üç şikâyeti soruyor. Bir yazılımcı sipariş numaralarını yakalayan bir düzenli ifade (regex) istiyor. Bir öğrenci gökyüzünün neden mavi olduğunu merak ediyor. Üçü de birkaç saniye içinde akıcı bir cevap alıyor ve üç cevap da aynı türden bir yazılımdan geliyor: cevabını küçük metin parçalarını art arda ekleyerek yazan bir büyük dil modelinden (LLM, large language model).

Bu yazıda LLM'in ne olduğunu ve "büyük" sözcüğünün neyi anlattığını, modele yazdığınız prompt'u nasıl cevaba dönüştürdüğünü, nasıl ve hangi verilerle eğitildiğini, sohbet botundan, yapay zekâ ajanından ve arama motorundan farkını, nerede yanıldığını ve açık ağırlıklı modellerin kapalı modellerden nasıl ayrıldığını anlatıyoruz.

> **Not: Kısa cevap**
>
> Büyük dil modeli (LLM), çok büyük miktarda metinle eğitilerek sıradaki metin parçasını tahmin etmeyi öğrenmiş bir yapay zekâ modelidir. "Büyük" sözcüğü hem modelin parametre denen milyarlarca iç sayısını hem de öğrendiği devasa metin miktarını anlatır. Model bir prompt'u cevaplarken metni token'lara böler, bunları kelimelerin birbiriyle ilişkisini tartan transformer katmanlarından geçirir, olası her sonraki token'a bir puan verir, birini seçer ve cevap tamamlanana kadar bu adımı tekrarlar. Önce ağırlıklı olarak herkese açık web sayfaları, kitaplar ve kodla ön eğitimden geçer; ardından talimatlara uyması için örneklerle ve insan geri bildirimiyle ayarlanır. Akıcı yazar, ama bilgileri kendiliğinden doğrulamaz, eğitim verisinin bittiği tarihten sonrasını bilmez ve yanlış bir şeyi kendinden emin bir dille söyleyebilir.

## Büyük dil modeli nedir?

Büyük dil modeli, çok büyük bir metin koleksiyonuyla eğitilerek sırada hangi metin parçasının geleceğini tahmin eden bir sinir ağıdır; yazmak, özetlemek, çevirmek, soru cevaplamak ve kod üretmek için bu tek beceriyi kullanır. Genel anlamda dil modeli, kelime dizilerine olasılık atayan her modeldir; telefon klavyesindeki sonraki kelime önerileri de çok küçük ölçekte benzer bir fikre dayanır.

"Büyük" sözcüğünün iki anlamı vardır. Birincisi parametre sayısıdır. Parametre, modelin içindeki tek bir sayıdır: eğitim sırasında modelin tahminleri iyileşene kadar tekrar tekrar ayarlanan bir ağırlık. Modelin öğrendiği her şey bu sayılarda saklanır. İkincisi eğitim metninin miktarıdır. OpenAI araştırmacılarının 2020'de tanıttığı GPT-3'ün 175 milyar parametresi vardı; yazarlarına göre bu sayı, seyrek olmayan (non-sparse) önceki dil modellerinin hepsinden on kat fazlaydı. Model 300 milyar token'la eğitildi.

LLM'in içinde bilgi aradığı bir veritabanı yoktur. "Bildiği" her şey parametrelerine dağılmış örüntüler olarak durur; bir kavramı iyi açıklayıp bir tarihi, fiyatı ya da alıntıyı yine de yanlış verebilmesinin nedeni budur.

## LLM nasıl çalışır?

LLM metni token token üretir: kelimelerinizi sayılara çevirir, bu sayıları kelimeler arasındaki ilişkiyi çözen çok sayıda katmandan geçirir, olası her sonraki token'a bir puan verir, birini seçip metne ekler ve aynı adımı yeniden çalıştırır. Sırasıyla:

1. **Metni token'lara bölme.** Token bir kelime ya da kelime parçasıdır; yaygın bir kelime çoğu zaman tek token'dır, nadir bir kelime ise birkaç parçaya bölünür. Bölmenin nasıl yapıldığını ve maliyeti, sınırları neden belirlediğini [Token Nedir?](/tr/blog/what-are-tokens-in-ai) yazısında anlattık.
1. **Her token'ı sayılara çevirme.** Her token uzun bir sayı listesine, yani bir vektöre karşılık gelir. Bu vektör onu, benzer biçimde kullanılan kelimelerin birbirine yakın durduğu bir uzaya yerleştirir.
1. **Vektörleri transformer katmanlarından geçirme.** Bugünkü LLM'lerin çoğu, 2017 tarihli [Attention Is All You Need](https://arxiv.org/abs/1706.03762) makalesinde tanıtılan transformer mimarisine dayanır. Mimarinin merkezinde dikkat (attention) mekanizması vardır: her token metindeki diğer token'lara bakar ve anlamı için hangilerinin önemli olduğunu tartar. "Çay demlendi" cümlesinde dikkat, "demlendi" kelimesi sayesinde modele "çay"ın bir dere değil içecek olduğunu söyler.
1. **Olası her sonraki token'ı puanlama.** Son katman, modelin sözcük dağarcığındaki (vocabulary), yani bildiği sabit token listesindeki her token için bir olasılık verir.
1. **Birini seçme.** Model en olası token'ı alır ya da olası token'lar arasından örnekleme yapar. Sıcaklık (temperature) denen bir ayar ne kadar rastgeleliğe izin verileceğini belirler; aynı sorunun iki farklı ifadeyle cevaplanabilmesinin nedeni budur.
1. **Ekleme ve tekrar.** Seçilen token metne eklenir ve döngü baştan çalışır. Bu, model bir durdurma token'ı üretene ya da uzunluk sınırına ulaşana kadar sürer.

Bu döngü modelin güçlü ve zayıf yanlarını birlikte açıklar. Akıcı ve düzenli metin yazar, çünkü tam olarak akıcı metni sürdürmek üzere eğitilmiştir. Bir cümlenin doğru olup olmadığını kontrol etmek için durmaz, çünkü döngüde bu soruyu soran bir adım yoktur.

## LLM nasıl eğitilir?

LLM aşama aşama eğitilir: dev bir metin derlemi üzerinde yapılan ön eğitim ona dili ve genel bilgiyi öğretir; ardından gelen talimat ayarı ve tercih ayarı da isteklere uymayı ve insanların beklediği türden cevaplar vermeyi öğretir.

**Ön eğitim** (pretraining) öz denetimlidir (self-supervised), yani cevapları metnin kendisi sağlar. Model bir pasajı okur, sonraki token'ı tahmin eder, tahminini gerçek token'la karşılaştırır ve doğru token'ın olasılığı biraz artacak biçimde parametrelerini ayarlar. Yüz milyarlarca token boyunca tekrarlanan bu aşama, hesaplama yükünün büyük kısmını oluşturur. Sonunda bir temel model (base model) ortaya çıkar: metni iyi sürdürür, ama ona bir soru sorduğunuzda cevap yerine yeni sorular yazabilir.

**Talimat ayarı** (instruction tuning), temel modeli prompt'larla iyi cevapların eşleştirildiği ve çoğu zaman insanların yazdığı örneklerle eğitmeye devam eder. Denetimli ince ayar (supervised fine-tuning, SFT) da denen bu adım, metni sürdüren bir modeli cevap veren bir asistana dönüştürür.

**Tercih ayarı** (preference tuning) yazılı cevaplar yerine sıralamalardan yararlanır. İnsanlar aynı prompt'a verilen birkaç cevabı karşılaştırıp daha iyi olanları işaretler, ayrı bir ödül modeli bu sıralamalardan öğrenir, pekiştirmeli öğrenme de LLM'i yüksek puan alan cevaplara doğru iter. Bu yönteme insan geri bildirimiyle pekiştirmeli öğrenme (RLHF) denir. 2022 tarihli [InstructGPT makalesinde](https://arxiv.org/abs/2203.02155) insan değerlendiriciler, bu yöntemle ayarlanmış 1,3 milyar parametreli bir modelin cevaplarını 175 milyar parametreli GPT-3'ün cevaplarına tercih etti; demek ki bir modeli kullanışlı kılan yalnızca büyüklüğü değildir.

Şirketler ikinci aşamanın daha küçük bir sürümünü kendi örnekleriyle tekrarlayarak bir modele belirli bir biçimi, üslubu ya da dar bir görevi öğretebilir. Bu sürecin nasıl işlediğini ve iyi yazılmış bir prompt'tan ne zaman daha iyi sonuç verdiğini [Fine-Tuning Nedir?](/tr/blog/what-is-fine-tuning) yazısında anlattık.

## Eğitim verisi nereden gelir?

Ön eğitimde kullanılan metnin büyük kısmı herkese açık web sayfalarından gelir; bunlara kitaplar, kod, ansiklopediler ve seçilmiş ya da lisanslı başka kaynaklar eklenir, kalitesiz metinler ayıklanır ve kopyalar temizlenir. GPT-3 makalesi, bir eğitim karışımını herkesin okuyabileceği biçimde en açık anlatan kaynaklardan biridir: eğitim sırasında görülen örneklerin %60'ı Common Crawl'un filtrelenmiş bir kopyasından, geri kalanı bir web metni setinden, iki kitap koleksiyonundan ve İngilizce Vikipedi'den geldi.

Common Crawl, kendisini herkesin kullanabileceği [ücretsiz ve açık bir web tarama verisi deposu](https://commoncrawl.org/) olarak tanımlayan bir web sayfası arşividir. GPT-3'ün yazarları bu veriyi ham hâliyle kullanmadı: yüksek kaliteli referans metinlere en çok benzeyen sayfaları tuttular ve neredeyse aynı olan kopyaları çıkardılar, çünkü filtrelenmemiş tarama verisi kaliteyi düşürüyordu.

Web verisi ön eğitimden sonra da işe yarar. Ekipler modelleri alana özgü örneklerle ayarlar ve bir asistanın farklı pazarlardaki fiyatlar, ürünler ya da kurallar hakkında doğru cevap verip vermediğini ölçen test setleri kurar. Birçok ürün RAG (getirmeyle zenginleştirilmiş üretim) yöntemini de kullanır: uygulama soru geldiği anda ilgili sayfaları getirir ve soruyla birlikte modele verir.

Bu sayfalar çoğu zaman ülkeye göre değişir; tek bir ofisten yapılan kontrol yalnızca bir sürümü görür. [Residential Proxy](https://proxynet.io/tr/residential-proxy) her isteği seçtiğiniz ülke ve şehirdeki bir ev bağlantısı üzerinden gönderir; böylece herkese açık sayfayı oradaki bir ziyaretçinin gördüğü hâliyle toplarsınız.

Birçok ülkeden ve büyük ölçekte herkese açık sayfa toplaması gereken ekipler için [veri kazıma çözümleri](/tr/data-scraping) sayfamız toplama işlerine uygun proxy havuzlarını anlatır; yönetilen sayfa çıkarma (managed page extraction) hizmetini de satış ekibimizle görüşebilirsiniz. Hangi yolu seçerseniz seçin yalnızca herkese açık sayfaları toplayın, robots.txt'ye ve sitenin kullanım şartlarına uyun, istek hızını düşük tutun, varsa resmî API'yi kullanın ve ihtiyacınız olmayan kişisel verileri dışarıda bırakın.

## LLM, sohbet botu, yapay zekâ ajanı ve arama motoru arasındaki fark nedir?

LLM modelin kendisidir; sohbet botu bir modelin etrafına kurulmuş bir uygulamadır; yapay zekâ ajanı bir modelin araç kullanmasını ve bir hedefe doğru adım adım ilerlemesini sağlayan bir sistemdir; arama motoru ise zaten var olan sayfaları bulur ve sıralar.

| Terim | Nedir? | Ne yapar? | Örnek |
|---|---|---|---|
| LLM | Eğitilmiş bir model | Sonraki token'ı tahmin eder | gpt-oss-20b |
| Sohbet botu | Bir modele dayanan uygulama | Sohbet yürütür | ChatGPT, bir destek botu |
| Yapay zekâ ajanı | Model, araçlar ve bir döngü | Plan yapar, adım adım iş görür | Seyahat rezervasyonu yapan bir ajan |
| Arama motoru | Web sayfalarının dizini | Sayfaları bulur ve sıralar | Google Arama |

Günlük kullanımda sınırlar bulanıklaşır: sohbet botları cevap vermeden önce bir arama motoruna başvurur, arama motorları yapay zekâyla yazılmış özetler gösterir, ajanlar da aynı modellerle çalışır. Yine de bu ayrım bir şeyler ters gittiğinde işe yarar: yanlış bir bilginin kaynağı genellikle modeldir, eksik bir kaynağın nedeni getirme adımı, yanlış bir işlemin nedeni de ajanın araçlarıdır.

## LLM'lerin sınırları nelerdir?

LLM doğrulanmış değil, olası metin üretir; sınırlarının çoğu buradan çıkar:

- **Halüsinasyon.** Model yanlış bilgileri, uydurma kaynakları ya da bir belgeden çarpıtılmış alıntıları tam bir özgüvenle söyleyebilir; bunun neden olduğunu ve nasıl azaltılacağını [Yapay Zekâ Halüsinasyonu Nedir?](/tr/blog/what-is-ai-hallucination) yazısında anlattık.
- **Bilgi kesim tarihi (knowledge cutoff).** Eğitim verisi belirli bir tarihte biter; bir arama aracı olmadan model sonraki olaylardan, fiyatlardan ya da yasalardan habersizdir.
- **Bağlam penceresi.** Model aynı anda yalnızca sınırlı sayıda token'ı dikkate alabilir; prompt'unuz, yapıştırdığınız belgeler ve kendi cevabı bu sayıya dahildir. Sınırı aşan metnin kesilmesi ya da özetlenmesi gerekir.
- **Token başına maliyet.** API sağlayıcıları kullanımı token üzerinden, çoğu zaman girdi ve çıktı için ayrı fiyatlarla ücretlendirir; uzun belgeler ve uzun cevaplar daha pahalıya gelir.
- **Önyargı.** Eğitim verisindeki örüntüler, kalıp yargılar ve bazı dillerin ağır basması da dahil, cevaplara taşınır.
- **Gizlilik.** Bir yapay zekâ aracına yapıştırdığınız metin sağlayıcısına gider; prompt'taki müşteri ya da çalışan bilgileri AB'de GDPR'a, Türkiye'de 6698 sayılı Kişisel Verilerin Korunması Kanunu'na (KVKK) göre kişisel veri sayılır. Bu yüzden önce sağlayıcının koşullarını okuyun.

## Açık ağırlıklı ve kapalı modeller arasındaki fark nedir?

Açık ağırlıklı (open-weight) bir modelin parametreleri yayımlanır; herkes onu indirip kendi donanımında çalıştırabilir ve lisansın izin verdiği ölçüde ince ayardan geçirebilir. Kapalı bir modele ise yalnızca sağlayıcının uygulaması ya da API'si üzerinden erişilir. OpenAI'ın Apache 2.0 lisansıyla yayımladığı gpt-oss modelleri ilk türe örnektir; Mistral ise hem açık ağırlıklı hem ticari modeller sunar.

Açık ağırlıklı olmak, açık kaynak olmakla aynı şey değildir. Ağırlıklar serbestçe kullanılabilirken eğitim verisi ve eğitim kodu gizli kalabilir; lisanslar da serbestten kısıtlayıcıya kadar değişir. Pratikteki seçim kontrol ile kolaylık arasındadır: kendi sunucularınızdaki bir model veriyi şirket içinde tutar ve serbestçe değiştirilebilir; kapalı bir model ise donanım gerektirmez ve sağlayıcısı tarafından güncellenir.

LLM'in yanında sık geçen iki terim daha var. Mixture of experts (MoE, uzmanlar karışımı) modeli bazı katmanlarını çok sayıda küçük alt ağa böler ve her token'ı bunların yalnızca birkaçına gönderir; böylece çok büyük bir model token başına daha az iş yapar. Multimodal model ise aynı model içinde metnin yanı sıra görsel ve ses gibi başka veri türlerini de alır ya da üretir.

## LLM'ler ne için kullanılır?

LLM'ler, işin metinle başladığı ya da bittiği her yerde kullanılır. Ofislerde e-posta, rapor ve ürün açıklaması taslakları yazar; uzun belgeleri, toplantı notlarını ve destek taleplerini özetler. Müşteri hizmetleri ekipleri rutin soruları cevaplamak ve kalanları bir çalışana yönlendirmek, çevirmenler ilk taslakları çıkarmak, pazarlamacılar da açık uçlu anket cevaplarını temalara ayırmak için LLM'lerden yararlanır.

Yazılımcılar onlara kod yazdırır, kod açıklatır ve sade bir dille yazılmış istekleri veritabanı sorgularına çevirtir. Analistler yapılandırılmamış metinden isim, tarih ve tutar gibi bilgileri çıkarır. Arama ürünleri getirilen sayfaların üzerine cevap yazmak için, ajanlar ise sıradaki adıma karar veren parça olarak LLM'leri kullanır.

## Sık yapılan hatalar

- **Cevabı doğru bilgi saymak.** Akıcılık kanıt değildir; isimleri, rakamları, tarihleri ve alıntıları birincil bir kaynaktan kontrol edin.
- **Arama aracı olmadan güncel olayları sormak.** Getirme adımı olmayan bir model eğitim verisinden cevap verir ve bilgisinin eskidiğini söylemeyebilir.
- **Koşulları okumadan gizli ya da kişisel veri yapıştırmak.** Sağlayıcının veri politikasını okuyun ve işin gerektirmediği bilgileri çıkarın.
- **Modeli yalnızca parametre sayısına göre seçmek.** Modelin nasıl ayarlandığı, eğitim verisi ve görevin kendisi en az büyüklük kadar önemlidir.
- **Her seferinde aynı cevabı beklemek.** Örnekleme cevapları değiştirir; biçimi net talimatlar ve örneklerle sabitleyin.
- **Düz metin içinde kesin hesap ya da sayım istemek.** Modele bir hesap makinesi ya da kod aracı verin veya hesabı kendiniz kontrol edin.

## Karar rehberi

| İhtiyaç | Kullanın |
|---|---|
| Metin taslağı, yeniden yazım ya da özet | Bir sohbet asistanı; sonucu siz düzenleyin |
| Güncel olaylar ya da fiyatlar hakkında cevap | Kaynak gösteren, web aramalı bir model |
| Kendi belgelerinizden cevap | Bu belgeler üzerinde getirme (RAG) |
| Sabit biçimli tek bir dar görev | Önce daha iyi prompt'lar, yetmezse ince ayar |
| Sunucularınızdan çıkmaması gereken veri | Kendi barındırdığınız açık ağırlıklı bir model |
| Donanım olmadan geniş kapsamlı işler | Uygulama ya da API üzerinden kapalı bir model |
| Hukuki, tıbbi ya da finansal bilgiler | Birincil kaynaklar; LLM yalnızca taslak için |

## Sıkça sorulan sorular

### ChatGPT bir LLM mi?

Tam olarak değil: ChatGPT bir sohbet botu, yani bir uygulamadır; arkasında çalışan motorlar OpenAI'ın GPT büyük dil modelleridir. Uygulama, modelin tek başına sahip olmadığı sohbet arayüzü, konuşma geçmişi, güvenlik katmanları ve araçlar gibi parçaları ekler.

### LLM ile üretken yapay zekâ arasındaki fark nedir?

Üretken yapay zekâ (generative AI), metin, görsel, ses, video ya da kod gibi yeni içerik oluşturan yapay zekânın genel adıdır; LLM bu kategorinin dille çalışan kısmıdır. Görsel üreten araçlar üretken yapay zekâdır ama LLM değildir. Yeni LLM'lerin birçoğu görsel ya da ses de okuduğu için sınır eskisi kadar keskin değildir.

### LLM'in açılımı nedir?

Yapay zekâda LLM, large language model, yani büyük dil modeli demektir. Aynı harfler LL.M. biçiminde yazıldığında Master of Laws, yani hukuk alanında yüksek lisans derecesi anlamına gelir; bu derecenin yapay zekâyla bir ilgisi yoktur.

### LLM nasıl eğitilir?

Üç ana aşamada eğitilir. Ön eğitim modele çok büyük bir metin derlemi üzerinde sonraki token'ı tahmin etmeyi öğretir, talimat ayarı onu iyi cevap örnekleriyle eğitir, tercih ayarı ise çoğu zaman RLHF yoluyla insanların cevaplar arasında yaptığı sıralamaları kullanarak cevaplarını daha faydalı hâle getirir.

### LLM internette gezinebilir mi?

Tek başına gezinemez: model yalnızca eğitim verisini ve prompt'ta verilenleri bilir. Bir uygulama ya da API ona web arama aracı verebilir. Örneğin Anthropic'in dokümantasyonu, geliştiricilerin isteğe eklediği ve modelin bilgi kesim tarihinin ötesindeki güncel bilgilerle cevap vermesini sağlayan bir aracı anlatır; cevapta, yararlanılan sayfalar kaynak olarak gösterilir. Bu durumda model, bir yazılımın onun için getirdiği sonuçları okur; sayfalar arasında bir insan gibi tıklayarak gezinmeyi yapay zekâ ajanları ve yapay zekâ tarayıcıları ekler.

### LLM söylediğini anlar mı?

Bu sorunun kesin bir cevabı yok. LLM metnin istatistiksel örüntülerini öğrenir. Araştırmacılar Emily Bender ve Alexander Koller, [2020 tarihli bir ACL makalesinde](https://aclanthology.org/2020.acl-main.463/) yalnızca dilin biçimiyle eğitilen bir sistemin anlamı öğrenmesinin bir yolu olmadığını savundu. Başkaları ise metni bu kadar iyi tahmin edebilmenin, anlamın modelin içinde bir ölçüde temsil edilmesini gerektirdiğini öne sürüyor. Hangisi doğru olursa olsun pratik sonuç aynıdır: modelin, söylediğinin doğru olup olmadığını denetleyen yerleşik bir mekanizması yoktur.

## Özet

Büyük dil modeli, çok büyük miktarda metinle eğitilerek sonraki token'ı tahmin eden bir sinir ağıdır ve her cevabı bu tahmini tekrarlayarak kurar. Ağırlıklı olarak herkese açık web sayfaları, kitaplar ve kodla ön eğitimden geçer; ardından talimatlara uyması için örneklerle ve insan sıralamalarıyla ayarlanır. Bu yüzden taslak yazmakta, özetlemekte, çeviride ve kodlamada güçlüdür, ama bilgi kaynağı olarak güvenilmezdir: halüsinasyon üretebilir, eğitim verisinin bittiği tarihte öğrenmeyi bırakır ve yalnızca bağlam penceresine sığanı görür. Onu hızlı ilk taslaklar için kullanın, bilginin önemli olduğu yerde güncel kaynaklara dayandırın ve doğru olması gereken her işte son kontrolü bir insana bırakın.
