LLM (büyük dil modeli) nedir? Bilgisini nereden alır, nerede biter

Kısa cevap

LLM, yani büyük dil modeli, çok büyük miktarda metinle eğitilmiş ve bir metnin devamını tahmin ederek yazı üreten bir yapay zeka modelidir. ChatGPT, Claude ve Gemini gibi asistanların motoru budur. Bilgisi dört katmandan gelir. Belirli bir tarihte donan ön eğitim verisi, insan geri bildirimiyle ince ayar, sohbet sırasında web araması ya da yüklenen belge ve hafıza.

ChatGPT'ye bir soru yazıyorsun, birkaç saniye içinde düzgün cümlelerle, kendinden emin bir cevap geliyor. Arkadaşın "o bir LLM" diyor, bir haber "büyük dil modeli" diyor, başka biri sadece "yapay zeka" diyor. Hepsi aynı şeyi mi kastediyor? Daha önemlisi, o cevaptaki bilgi nereden geliyor ve ona ne kadar güvenebilirsin?

Kısa cevap şu. LLM, yani büyük dil modeli, çok büyük miktarda metin üzerinde eğitilmiş ve bir metnin devamını tahmin ederek yazı üreten bir yapay zeka modelidir. ChatGPT, Claude ve Gemini gibi sohbet asistanlarının içinde çalışan motor budur. Ama modelin "bildiği" şeylerin tek bir kaynağı yok. Bir kısmı eğitim sırasında öğrenilmiş ve belirli bir tarihte donmuştur, bir kısmı insan geri bildirimiyle şekillenmiştir, bir kısmı da o anda web aramasıyla ya da senin yüklediğin belgeden getirilir.

Bu yazıda LLM'in ne olduğunu teknik bilgi gerektirmeden anlatacağım. "Büyük" kelimesinin, parametrenin ve token'ın ne demek olduğunu, bir modelin bilgisinin nereden gelip nerede bittiğini ve bu ayrımın senin günlük kullanımını nasıl değiştirdiğini göreceksin. Yapay zekanın genel olarak ne olduğunu merak ediyorsan önce Yapay zeka nedir? yazısına bakabilirsin. Burada bir adım daha derine iniyoruz.

LLM tam olarak nedir?

LLM, İngilizce "Large Language Model" ifadesinin kısaltmasıdır. Türkçesi büyük dil modeli. Adın üç parçası da bir şey anlatıyor.

Dil modeli, en sade haliyle, bir kelime dizisinden sonra hangi parçanın gelme ihtimalinin yüksek olduğunu hesaplayan sistemdir. Google'ın geliştiricilere yönelik eğitim materyali bunu şöyle tanımlıyor. Bir dil modeli, bir token'ın ya da token dizisinin daha uzun bir dizi içinde ortaya çıkma olasılığını tahmin eder. Telefonundaki klavyenin bir sonraki kelimeyi önermesi de küçük bir dil modelidir.

Büyük kelimesi ise iki şeye işaret eder. Modelin içindeki ayarlanabilir değerlerin, yani parametrelerin sayısına ve eğitildiği metin miktarına. Google'ın Transformer'ı anlatan eğitim sayfası bu modellerin yüz milyarlarca, hatta trilyonlarca parametre içerdiğini yazıyor.

Model de şu anlama geliyor. Ortada bir veritabanı ya da cevap arşivi yok. Ortada, metinlerdeki kalıpları sayılara dönüştürmüş, o sayılarla yeni metin üretebilen matematiksel bir yapı var.

Google'ın kendi ifadesiyle LLM'ler, özünde binlerce token'ı tahmin edip tamamlayabilen otomatik tamamlama mekanizmalarıdır. Bu tanım ilk duyduğunda küçümseyici gelebilir. Ama bu "tamamlama" o kadar büyük ölçekte ve o kadar geniş bir bağlamla yapılıyor ki ortaya çeviri, özet, e-posta, kod ve uzun açıklamalar çıkabiliyor.

Parametre ve token ne demek?

Bu iki kelimeyi LLM'lerle ilgili hemen her haberde görürsün. İkisini de sade bir benzetmeyle anlamak mümkün.

Parametre, modelin eğitim sırasında ayarlanan iç değerleridir. Bunu devasa bir ses mikserindeki düğmeler gibi düşünebilirsin. Eğitim boyunca model bir metnin devamını tahmin etmeye çalışır, yanıldıkça bu düğmeler çok küçük miktarlarda çevrilir. Milyarlarca düğme milyarlarca kez ayarlandığında, dilin kalıpları bu ayarların içine yerleşmiş olur. OpenAI da kendi açıklamasında modelin eğitim verisinin kopyasını saklamadığını, öğrendiklerini iç parametrelerini güncelleyerek biriktirdiğini söylüyor.

Daha fazla parametre her zaman daha iyi model demek değildir. OpenAI'nin 2022'de yayımladığı bir araştırmada, insan geri bildirimiyle eğitilmiş 1,3 milyar parametreli modelin cevapları, 175 milyar parametreli GPT-3'ün cevaplarına tercih edilmiş. Makale bunu 100 kat daha az parametreye rağmen diye vurguluyor. Yani eğitimin nasıl yapıldığı, büyüklük kadar önemli.

Token ise modelin metni okurken ve yazarken kullandığı parçadır. Bir token bir kelime, bir kelimenin parçası ya da tek bir karakter olabilir. Google'ın materyaline göre İngilizcede bir token yaklaşık 4 karaktere, yani kelimenin dörtte üçüne denk geliyor. Türkçe gibi eklerle uzayan dillerde bir kelime çoğu zaman birden fazla token'a bölünür. Yapay zeka araçlarında gördüğün "bağlam penceresi" ya da kullanım sınırları da genellikle token üzerinden hesaplanır.

LLM nasıl bu kadar iyi hale geldi?

Bugünkü LLM'lerin arkasındaki mimarinin adı Transformer. "Attention Is All You Need" (Dikkat, ihtiyacın olan tek şey) başlıklı makale 12 Haziran 2017'de yayımlandı ve bu mimariyi tanıttı. Makalenin temel fikri, metni kelime kelime sırayla işlemek yerine "dikkat" adı verilen bir mekanizmayla her parçanın diğer parçalarla ilişkisine aynı anda bakmaktı.

Google bu dikkat mekanizmasını tek bir soruyla özetliyor. Girdideki her bir token, bu token'ın yorumlanmasını ne kadar etkiliyor? "Yüz" kelimesinin bir cümlede sayı mı, surat mı, yüzmek fiili mi olduğunu anlamak için etrafındaki kelimelere bakman gerekir. Transformer tam olarak bunu, çok büyük ölçekte yapıyor.

Bu yazının konusu mimarinin ayrıntısı değil. Senin için önemli olan şu. Model bir cümleyi üretirken önceki bağlamın tamamını hesaba katıyor ve her adımda "buradan sonra en olası devam hangisi" sorusunu cevaplıyor. Bir sonraki kelimeyi tahmin etme mantığını ve bunun neden bazen uydurma cevaplara yol açtığını Yapay zeka nedir? yazısında ayrıntılı anlattım, burada tekrar etmeyeceğim.

LLM, sohbet botu ve yapay zeka arasındaki fark ne?

Bu üç kavram günlük dilde birbirinin yerine kullanılıyor, ama aynı şey değiller. İç içe geçmiş üç halka gibi düşünebilirsin.

Yapay zeka en geniş halka. Görüntü tanıyan sistemler, navigasyon uygulamasının rota hesabı, spam filtresi, satranç programı da bu halkanın içinde.
LLM bu halkanın içinde, dil üzerine uzmanlaşmış bir model türü. Tek başına bir uygulama değil, bir motor.
Sohbet botu ya da sohbet asistanı ise o motorun etrafına kurulmuş üründür. ChatGPT, Claude ya da Gemini uygulamasını açtığında yalnızca bir LLM ile konuşmuyorsun. Arayüz, güvenlik kuralları, web arama aracı, dosya yükleme, hafıza gibi özellikler de işin içinde.

Bu ayrım teorik gibi görünse de pratikte önemli. "Yapay zeka bunu bilmiyor" dediğin bir şeyi, aynı modelin web araması açık bir sürümü rahatlıkla bulabilir. Ya da tersine, modelin kendisi iyi olsa bile uygulamanın bir özelliği kapalıysa cevap eksik kalabilir.

En bilinen LLM'ler hangileri?

LLM'ler genellikle aileler halinde çıkar ve her ailenin zaman içinde yeni sürümleri gelir. En çok duyacağın aileler şunlar.

GPT, OpenAI'nin model ailesi. ChatGPT bu modellerin üzerinde çalışır.
Claude, Anthropic'in model ailesi.
Gemini, Google'ın model ailesi.
Llama, Meta'nın model ailesi.

Sürüm adları ve hangisinin en güçlü olduğu birkaç ayda bir değişiyor. Bu yüzden burada bir sıralama vermiyorum. Hangi aracın senin işine daha uygun olduğunu merak ediyorsan En iyi yapay zeka hangisi? yazısı bu soruya odaklanıyor.

LLM bilgiyi nereden alır?

Yazının asıl meselesi bu. Bir LLM'in sana verdiği cevaptaki bilgi, dört farklı katmandan gelebilir. Hangi katmandan geldiğini bilmek, o cevaba ne kadar güveneceğini belirler.

1. Ön eğitim verisi

Modelin temel bilgisi, ön eğitim denen ilk ve en büyük aşamadan gelir. OpenAI, modellerini üç tür bilgiyle geliştirdiğini açıklıyor. İnternette kamuya açık bilgiler, üçüncü taraflarla ortaklık yoluyla erişilen bilgiler ve kullanıcıların, insan eğitmenlerin ve araştırmacıların sağladığı ya da ürettiği bilgiler.

Anthropic de Claude modelleri için benzer bir tablo çiziyor. Mayıs 2025 tarihli sistem kartında eğitim verisinin, internette kamuya açık bilgilerden oluşan tescilli bir karışım, üçüncü taraflardan gelen kamuya açık olmayan veriler, veri etiketleme hizmetlerinden ve ücretli yüklenicilerden gelen veriler, verisinin eğitimde kullanılmasına izin veren kullanıcıların verileri ve şirket içinde üretilen verilerden oluştuğu yazıyor. Aynı belgede şirketin web tarayıcısının sitelerin "robots.txt" talimatlarına uyduğu ve şifre korumalı sayfalara girmediği de belirtiliyor.

Burada bilmen gereken önemli bir nokta var. Model bu metinleri bir kütüphane gibi saklamıyor. OpenAI'nin ifadesiyle ChatGPT eğitim verisinden "kopyala yapıştır" yapmıyor. Model, kelimelerin bağlam içinde nasıl bir arada kullanıldığını öğreniyor ve cevap üretirken bu öğrendiklerinden yola çıkıyor. Bu yüzden bir LLM, bir bilgiyi "hatırlıyor" gibi görünse bile aslında onu yeniden kuruyor. Yeniden kurarken de yanılabiliyor.

2. Bilgi kesim tarihi

Ön eğitim bir noktada durur. O tarihten sonra olan olaylar modelin temel bilgisinde yoktur. Buna bilgi kesim tarihi denir.

Anthropic bunu açıkça yazıyor. Şirketin yardım sayfasına göre her modelin bir bilgi kesim tarihi var ve modeller bu tarihten sonra olan olaylardan haberdar olmayabilir. Eylül 2026 itibarıyla aynı sayfa, en yeni Claude modellerinin (Claude Opus 5.5 ve Claude Sonnet 5.5) Haziran 2026'ya kadarki verilerle eğitildiğini söylüyor. Yani bugün kullandığın en güncel model bile, kendi başına birkaç ay geriden gelir.

Bunun pratik anlamı şu. Döviz kuru, bir yasanın son hali, bir ürünün fiyatı, bir maçın sonucu, bir kurumun güncel başvuru şartı gibi değişen bilgileri, arama yapmayan bir modele sorduğunda aldığın cevap eski olabilir. Daha kötüsü, model bunu eski olduğunu söylemeden, kendinden emin bir dille verebilir.

3. İnce ayar ve insan geri bildirimi

Ön eğitimden çıkan model, metin tamamlamada çok iyidir ama henüz yardımsever bir asistan değildir. Onu soruları cevaplayan, talimat izleyen, zararlı isteklere karşı dikkatli davranan bir asistana dönüştüren aşama sonradan gelir. Buna ince ayar ya da son eğitim denir.

Bu aşamanın en bilinen yöntemi insan geri bildirimiyle pekiştirmeli öğrenme. OpenAI'nin 2022 tarihli araştırması yöntemi şöyle anlatıyor. Önce etiketleyiciler istenen model davranışının örneklerini yazıyor ve model bu örneklerle eğitiliyor. Sonra etiketleyiciler modelin ürettiği farklı cevapları sıralıyor ve bu sıralamalar modeli daha da iyileştirmek için kullanılıyor. Anthropic de modellerini yardımsever, dürüst ve zararsız olmaya odaklanarak eğittiğini, bunun için insan geri bildiriminin yanında Birleşmiş Milletler İnsan Hakları Evrensel Beyannamesi gibi ilkelere dayanan ve "Anayasal Yapay Zeka" adını verdiği bir yöntem kullandığını yazıyor.

Modellerin cevaplarını değerlendiren insanlardan biri olarak bu aşamanın önemini yakından biliyorum. Ama bir şeyin altını çizmem gerekiyor. İnsan geri bildirimi modele yeni olgular öğretmekten çok, nasıl davranacağını öğretir. Tonunu, ne zaman "bilmiyorum" diyeceğini, bir cevabı nasıl yapılandıracağını şekillendirir. Modelin bildiği olguların büyük kısmı hâlâ ön eğitimden gelir. Model eğitim sürecinin nasıl işlediğini merak ediyorsan AI model trainer nedir? yazısı bu işin içini anlatıyor.

4. Sohbet sırasında getirilen bilgi

Dördüncü katman, eğitimle hiç ilgili değil. Model cevap verirken, o anda dışarıdan getirilen bilgiyi kullanabiliyor. Bunun birkaç yolu var.

Web araması. OpenAI'nin yardım sayfasına göre ChatGPT, sorun güncel bilgiden fayda görecekse web'de otomatik olarak arama yapabiliyor ve arama kullanan cevaplar kaynak bağlantıları içerebiliyor. Google da Gemini için benzer bir özelliği, modelin bilgi kesim tarihinin ötesinde doğrulanabilir kaynaklara dayanarak cevap vermesini sağlayan bir araç olarak tanımlıyor.
Belge yükleme. Bir PDF'i, bir sözleşmeyi ya da bir raporu yüklediğinde model o belgeyi okuyarak cevap verir. Bu bilgi modelin eğitiminin parçası olmaz, yalnızca o sohbette kullanılır.
RAG. "Retrieval-Augmented Generation", yani getirmeyle zenginleştirilmiş üretim. AWS'nin tanımıyla bu, modelin cevap üretmeden önce eğitim verisinin dışındaki güvenilir bir bilgi tabanına başvurmasını sağlama işidir. Şirketlerin kendi belgeleriyle çalışan asistanlarının çoğu bu mantıkla kurulur. AWS, bu yöntemin kaynak gösterebilen cevaplar sağladığını ve modeli baştan eğitmekten daha ucuz olduğunu da vurguluyor.
Hafıza. Bazı sohbet asistanları, senin hakkında kaydettiği bilgileri ya da geçmiş sohbetlerini sonraki konuşmalarda kullanabiliyor. OpenAI'nin açıklamasına göre bu özellik ayarlardan kapatılabiliyor. Hafıza, modelin yeniden eğitilmesi anlamına gelmez. Senin hakkındaki notlar, cevap üretilirken sohbete eklenen bağlamdır.

Bilgi katmanını bilmek sana ne kazandırır?

Bu dört katmanı ayırt edebildiğinde, bir yapay zeka cevabına körü körüne güvenmekle hepsini reddetmek arasında daha akıllı bir yol bulursun. Buna sözlükte kontrollü güven diyorum. Güveni cevabın türüne göre ayarlamak.

Kabaca şöyle bir ayrım yapabilirsin.

Yerleşik, değişmeyen bilgi. Bir kavramın açıklaması, bir metnin özeti, bir yazım önerisi, genel kabul görmüş tarihsel bilgiler. Burada ön eğitim çoğu zaman iş görür. Yine de özel isimler, tarihler ve sayılar hataya en açık yerlerdir.
Değişen bilgi. Fiyatlar, mevzuat, güncel haberler, ürün özellikleri, kişilerin şu anki görevleri. Bunları web araması yapmayan bir cevaba dayanarak kullanma. Arama yapıldığında da kaynağı aç.
Sana özel bilgi. Kendi belgelerin, şirketinin kuralları, bir sözleşmenin maddesi. Burada en güvenilir yol belgeyi yükleyip modelin o belgeden alıntı yapmasını istemek.
Yüksek riskli bilgi. Sağlık, hukuk, para. Model ne kadar ikna edici konuşursa konuşsun, son sözü yetkili bir uzmana ve resmi kaynağa bırak.

Burada önemli bir uyarı var. Web araması ve kaynak gösterme, hatayı sıfırlamaz. OpenAI kendi yardım sayfasında arama sonuçlarının ve kaynakların eksik, eski ya da yanlış olabileceğini açıkça yazıyor. Doğruluğun önemli olduğu durumlarda kaynağı açmayı, yayım tarihine bakmayı ve yetkili kaynaklara başvurmayı öneriyor. Ben buna şüphe disiplini diyorum. Her cevaba düşmanca yaklaşmak değil, önemli olan cevapları alışkanlık halinde doğrulamak.

LLM'den daha güvenilir cevap nasıl alınır?

Bilginin nereden geldiğini bildiğine göre, soruyu da ona göre sorabilirsin. Günlük kullanımda işe yarayan birkaç alışkanlık şunlar.

Güncel bir şey soruyorsan aramayı açıkça iste. "Web'de ara ve güncel bilgiyi ver" gibi bir ifade ekle. Kullandığın araçta arama özelliği varsa onu seç.
Kaynak iste ve kaynağı aç. "Her iddianın yanına kaynağını ekle" de. Sonra en az bir bağlantıya tıklayıp cevabın orada gerçekten yazdığını kontrol et.
Tarih sor. "Bu bilgi hangi tarih itibarıyla geçerli?" diye sor. Model tarih veremiyorsa bu bir işarettir.
Resmi kaynağı işaret et. "Sadece resmi kurumun sitesine dayanarak cevap ver" diyebilirsin.
Kendi belgeni ver. Bir konuda elinde güvenilir bir belge varsa, modele genel bilgisinden cevap vermesini değil, o belgeden cevap vermesini ve ilgili bölümü alıntılamasını iste.
"Emin değilsen söyle" de. Bu cümle hatayı ortadan kaldırmaz, ama modelin belirsizliği görünür kılma ihtimalini artırır.

Bu alışkanlıklar aslında iyi soru sorma becerisinin bir parçası. Bu konuyu daha geniş ele aldığım Prompt nedir? yazısı da işine yarayabilir.

LLM düşünüyor mu, anlıyor mu?

Bu soru sık soruluyor ve dürüst cevabı basit bir evet ya da hayır değil. Bir LLM'in içinde insan gibi bir bilinç ya da niyet olduğuna dair kabul görmüş bir kanıt yok. Öte yandan modelin yaptığı şey basit bir kelime ezberi de değil. Dilin yapısını, kavramlar arasındaki ilişkileri ve akıl yürütme kalıplarını parametrelerinde temsil edebiliyor. Bu yüzden bazen çok isabetli, bazen de şaşırtıcı derecede yanlış cevaplar verebiliyor.

Senin için pratik sonuç şu. Model ne kadar akıcı konuşursa konuşsun, akıcılık doğruluğun kanıtı değil. Bir cevabı değerlendirme işi hâlâ sende. Bu yargıyı nasıl canlı tutacağını Yapay zeka çağında yargını korumak yazısında anlattım.

Şimdi ne yapmalısın?

Bu yazıyı okuduktan sonra kullandığın yapay zeka aracına farklı bakman için birkaç somut adım.

Kullandığın asistanın web araması, dosya yükleme ve hafıza özelliklerinin açık olup olmadığını ayarlardan kontrol et.
Bir sonraki güncel sorunda aramayı açıkça iste ve gelen kaynaklardan en az birini aç.
Asistanına "bilgi kesim tarihin ne?" diye sor ve cevabı üreticinin resmi sayfasıyla karşılaştır.
Önemli bir işte kullanacağın bir cevabı, bu yazıdaki dört bilgi katmanından hangisinden geldiğini düşünerek yeniden oku.
Yapay zeka okuryazarlığını adım adım geliştirmek istersen Yapay Zeka Okuryazarlığı rehberine göz at.

Kapanış

LLM, dilin kalıplarını milyarlarca parametreye sığdırmış, metnin devamını tahmin ederek konuşan bir motor. Bilgisinin bir kısmı eğitimde öğrenilip bir tarihte donmuş, bir kısmı insan geri bildirimiyle biçimlenmiş, bir kısmı da o an dışarıdan getiriliyor. Cevabın hangi katmandan geldiğini sormayı alışkanlık haline getirdiğinde, yapay zekayı ne körü körüne kullanırsın ne de boş yere korkarsın. Onu, neyi bilip neyi bilmediğini anladığın bir çalışma arkadaşı gibi kullanırsın.

Kaynaklar

Sıkça Sorulan Sorular

LLM ne demek?

LLM, İngilizce Large Language Model ifadesinin kısaltmasıdır ve Türkçede büyük dil modeli anlamına gelir. Çok büyük miktarda metin üzerinde eğitilmiş, bir metnin devamını tahmin ederek cevap, özet, çeviri ya da yazı üreten bir yapay zeka modelidir. Büyük kelimesi hem modelin içindeki parametre sayısına hem de eğitildiği metin miktarına işaret eder. ChatGPT, Claude ve Gemini gibi sohbet asistanları bu tür modellerin üzerinde çalışır.

ChatGPT bir LLM mi?

Tam olarak değil. ChatGPT, OpenAI'nin GPT ailesinden büyük dil modellerinin üzerine kurulmuş bir sohbet ürünüdür. LLM işin motorudur, ChatGPT ise o motorun etrafına eklenmiş arayüz, güvenlik kuralları, web araması, dosya yükleme ve hafıza gibi özelliklerle birlikte gelen uygulamadır. Aynı ayrım Claude ve Gemini için de geçerlidir. Bu yüzden aynı model, açık olan özelliklere göre farklı kalitede cevaplar verebilir.

LLM bilgiyi nereden alır?

Bir LLM'in bilgisi dört katmandan gelir. Temel bilgi, internetteki kamuya açık metinler ve lisanslı veriler gibi kaynaklardan oluşan ön eğitimden gelir. İnce ayar ve insan geri bildirimi modelin nasıl davranacağını şekillendirir. Sohbet sırasında web araması, yüklediğin belgeler ya da RAG ile dışarıdan güncel bilgi getirilebilir. Bazı asistanlar hafıza özelliğiyle senin hakkındaki notları da bağlam olarak kullanır. Model eğitim metinlerini kopyalayıp saklamaz.

Bilgi kesim tarihi nedir?

Bilgi kesim tarihi, modelin ön eğitim verisinin sona erdiği tarihtir. Model bu tarihten sonra olan olaylardan kendi başına haberdar olmayabilir. Örneğin Eylül 2026 itibarıyla Anthropic, en yeni Claude modellerinin Haziran 2026'ya kadarki verilerle eğitildiğini açıklıyor. Bu yüzden fiyat, mevzuat ya da güncel haber gibi değişen bilgileri sorarken web aramasını açıkça istemek ve gelen kaynağı kontrol etmek gerekir.

Parametre ve token ne demek?

Parametre, modelin eğitim sırasında ayarlanan iç değerleridir. Dev bir mikserdeki düğmeler gibi düşünülebilir ve büyük modellerde yüz milyarlarca, hatta trilyonlarca olabilir. Token ise modelin metni okurken ve yazarken kullandığı parçadır. Bir kelime, kelimenin bir parçası ya da tek bir karakter olabilir. İngilizcede bir token ortalama dört karakter kadardır. Türkçede ekler yüzünden bir kelime çoğu zaman birden fazla token'a bölünür.

LLM'in cevabına ne zaman güvenebilirim?

Güveni cevabın türüne göre ayarla. Bir kavramın açıklaması, metin özeti ya da yazım önerisi gibi yerleşik işlerde model genellikle iyi iş çıkarır. Fiyat, mevzuat, güncel haber gibi değişen bilgilerde web aramasını iste ve kaynağı aç. Kendi belgelerinle ilgili sorularda belgeyi yükleyip alıntı iste. Sağlık, hukuk ve para gibi yüksek riskli konularda son sözü yetkili bir uzmana ve resmi kaynağa bırak. Akıcılık doğruluğun kanıtı değildir.

Paylaş

Yazar