Kısa cevap: Açık kaynak — daha doğru terimle açık ağırlıklı — LLM'ler, model ağırlıkları indirilebilen ve kendi altyapınızda çalıştırılabilen büyük dil modelleridir. 2026 ekosisteminin ana aileleri Llama (Meta), Mistral, Qwen (Alibaba) ve DeepSeek; kurumsal odaklı IBM Granite ile Google Gemma da tabloda. Seçim üç soruyla netleşir: lisans ticari kullanımınıza gerçekten uygun mu, Türkçe performansı kendi verinizde ölçtünüz mü, donanım ve operasyon yükünü taşıyabilir misiniz? 'En iyi model' diye tek bir cevap yok — sizin iş yükünüz için en küçük yeterli model var.
Konunun 2026'daki ağırlığı şuradan geliyor: açık modeller kapalı modellerle aradaki kalite makasını büyük ölçüde kapattı. Özellikle DeepSeek ve Qwen'in son sürümleri, açık ağırlıklı modellerin en zorlu görevlerde bile ciddi rakip olduğunu gösterdi. Soru artık 'açık model yeterli olur mu' değil; 'hangi iş için açık, hangi iş için kapalı, hangisi hibrit' sorusu.
Neden Açık Model? Dört Gerekçe
**Veri gizliliği:** model sizin altyapınızda çalışır, veri dışarı çıkmaz — KVKK hassasiyeti yüksek senaryolarda bu tek başına belirleyicidir. **Maliyet yapısı:** token başına fatura yerine sabit altyapı maliyeti; yüksek ve öngörülebilir hacimde terazi açık modele döner. **Kontrol:** model sürümü sizde durur — sağlayıcının API değişikliği, fiyat güncellemesi veya model emekliliği sizi gece yarısı yakalamaz. **Özelleştirme serbestliği:** ağırlıklara erişim, fine-tuning ve damıtma dahil her müdahaleyi mümkün kılar; kapalı modellerde bu kapı ya kapalıdır ya dardır.
Dürüst olalım: açık model 'bedava' değildir. GPU yatırımı veya kirası, çıkarım sunucusu yönetimi, güvenlik yamaları, izleme ve ölçekleme — hepsi sizin operasyon yükünüzdür. Düşük sorgu hacminde kapalı bir API çoğu zaman hem daha ucuz hem daha kalitelidir. Açık model kararı bir maliyet kararı olduğu kadar bir ekip kararıdır: bu altyapıyı yaşatacak mühendislik kapasiteniz yoksa, kâğıt üstündeki tasarruf sahada zarara döner.
'Açık Kaynak' mı, 'Açık Ağırlık' mı?
İnce ama hukuken önemli ayrım: bu modellerin çoğu gerçek anlamda açık kaynak değildir — eğitim verisi ve eğitim süreci kapalıdır, yalnız ağırlıklar yayınlanır. Üstelik 'açık' şemsiyesi altında çok farklı lisanslar yaşar: Apache 2.0 ve MIT gibi gerçekten serbest lisanslardan, kullanım koşulları içeren özel topluluk lisanslarına kadar. Pratik sonuç: 'modeli indirebiliyorum' ile 'ticari ürünümde özgürce kullanabilirim' aynı şey değildir. Model seçiminde lisans metni, benchmark tablosundan önce okunmalıdır.
Ekosistem Haritası 2026
**Llama (Meta):** en geniş ekosistem ve araç desteği; hemen her çıkarım sunucusu, her fine-tuning aracı önce Llama'yı destekler. Lisansı Apache değil, Meta'nın kendi topluluk lisansıdır — ticari kullanım çoğu işletme için mümkündür ama koşulları hukuk süzgecinden geçirin. **Mistral:** Avrupa merkezli; boyutuna göre verimliliğiyle bilinir. Dikkat: bazı modelleri Apache 2.0, bazıları araştırma lisanslıdır — model bazında kontrol şart.
**Qwen (Alibaba):** geniş boyut yelpazesi ve güçlü çok dilli performans; sürümlerin çoğu serbest lisanslıdır, yine de sürüm bazında doğrulayın. **DeepSeek:** özellikle akıl yürütme modelleriyle açık ekosistemin kalite çıtasını yükselten oyuncu; ağırlıkları çok serbest koşullarla yayınlıyor. Çin menşeli modeller için not: ağırlıkları kendi altyapınızda çalıştırdığınızda veriniz hiçbir yere gitmez — buradaki soru teknik değil, kurumunuzun tedarik ve uyum politikası sorusudur; bazı sektörlerde bu politika belirleyici olabilir.
**IBM Granite:** kurumsal görevlere (özetleme, sınıflandırma, kod) odaklı, Apache 2.0 lisanslı, eğitim verisi belgeleme tarafında ekosistemin en şeffaflarından — hukuk ve uyum ekiplerinin en az itiraz ettiği aile. **Gemma (Google):** küçük boyut sınıfında güçlü seçenek. Bu harita bir sıralama değil, aday listesidir: doğru model, sizin verinizle yapılan testte belli olur.
Seçim Kriterleri: Dört Süzgeç
(1) **Lisans:** ticari kullanım, türev model ve yeniden dağıtım hakları — hukuk onayı olmadan mimari karar vermeyin. (2) **Boyut ve donanım:** kabaca, küçük modeller (7-9B parametre) tek güçlü GPU ile, büyük modeller (70B+) sunucu sınıfı donanımla çalışır; nicemleme (quantization — ağırlıkları düşük hassasiyete sıkıştırıp bellek ihtiyacını düşürme) bu sınırları esnetir ama kaliteden bir miktar yer. (3) **Türkçe performans:** genel benchmark'lar ağırlıkla İngilizcedir ve Türkçe'yi temsil etmez; kendi alanınızdan 50-100 örnekle kendi testinizi kurun. (4) **Ekosistem uyumu:** çıkarım sunucusu desteği, araç çağırma (tool use) yeteneği ve fine-tuning araç zinciri — yalnız bırakılmış bir modelin maliyeti zamanla çıkar.
Çalıştırma Gerçekleri
Üç işletim yolu var. **Lokal deneme:** Ollama gibi araçlarla bir modeli dizüstünde dakikalar içinde ayağa kaldırıp fikir edinebilirsiniz — prototip için ideal, üretim için değil. **Üretim self-host:** vLLM gibi çıkarım sunucularıyla kendi GPU altyapınızda; tam veri kontrolü, tam operasyon sorumluluğu. **Yönetilen açık-model API'leri:** açık modelleri başkasının altyapısında token bazlı kullanmak — kurulum kolaylığı ile model seçme özgürlüğünü birleştiren ara yol. Ama dikkat: bu yolda veriniz yine dışarı çıkar; 'açık model kullanıyoruz, KVKK tamam' cümlesi yönetilen API'de geçersizdir. Gizlilik gerekçesiyle açık model seçtiyseniz, o gerekçe sizi self-host'a bağlar.
Sahada işe yarayan ipuçları
**1.** Karar vermeden önce kendi değerlendirme setinizi kurun: alanınızdan 50-100 gerçek Türkçe örnek, beklenen cevaplarıyla — liderlik tablosuna değil bu sete bakın; iki saat süren bu iş aylık pişmanlığı önler. **2.** En küçük yeterli modeli hedefleyin: küçükle başlayıp gerektiğinde büyütmek, büyükle başlayıp küçültmekten hem ucuz hem öğreticidir; çoğu dar kurumsal görevde 7-9B sınıfı şaşırtıcı derecede yeterlidir. **3.** Nicemlenmiş sürümle prototip yapın ama üretim kararını hedef hassasiyette doğrulayın — sıkıştırma kaybı görevden göreve değişir, sizinkinde ne kadar olduğunu ancak ölçerek bilirsiniz. **4.** Lisans metnini hukuka okutun; özellikle kendi topluluk lisansı olan aileler için 'herkes kullanıyor' savunması bir uyum stratejisi değildir. **5.** Çıkış kapısını mimaride bırakın: uygulamayı standart bir API katmanının arkasına kurarsanız model değiştirmek yapılandırma değişikliğine iner — bu ekosistemde altı ay uzun süredir, bugünün en iyi modeli gelecek çeyreğin ikincisidir.
Sık yapılan hatalar
Dört hata öne çıkıyor. Birincisi, 'açık = ücretsiz' denklemi: token faturası gider, GPU ve mühendislik faturası gelir — toplam maliyeti hacimle birlikte hesaplamadan karar vermeyin. İkincisi, tek benchmark ile seçim: İngilizce genel testte parlayan model, Türkçe kurumsal metinde vasat kalabilir. Üçüncüsü, gizlilik gerekçesiyle açık model seçip veriyi yönetilen API'ye göndermek — gerekçeyi sessizce iptal eden bir çelişki. Dördüncüsü, model kararını kalıcı sanmak. Dürüst not: bu yazıdaki model adları tablonun doğası gereği eskiyecek; kalıcı olan dört süzgeçtir — lisans, donanım, kendi verinizle ölçüm, ekosistem.
Modeli seçtikten sonra iki doğal devam sorusu var: modele davranış öğretmek gerekiyorsa [Fine-Tuning Rehberi](/kaynaklar/fine-tuning-rehberi), kurumsal bilgiye bağlamak gerekiyorsa [RAG vs Fine-Tuning](/kaynaklar/rag-vs-fine-tuning) karar çerçevesi sunar.