Liquid AI LFM3: 1 GB Bellekte Çalışan 2B Modeller, Uç Cihaz Senaryoları ve Lisans Sınırı

Liquid AI tarafından 27 Ekim 2026’da duyurulan LFM3 ailesi; metin, görüntü/video, 18 dilde ses, omni ve karar (decision) görevlerini kapsayan altı adet 2 milyar parametreli (2B sınıfı) çok modlu modeli 4-bit quantization (nicemleme) ile yaklaşık 1 GB belleğe sığdırıyor ve metinde 256K bağlam penceresi sunuyor. Çoklu GPU veri merkezi rafları yerine şirketlerin elinde zaten binlerce bulunan cihazları hedefliyor: çalışan dizüstü bilgisayarları, endüstriyel saha tabletleri, şube CPU sunucuları ve tek GPU’lu fine-tuning (ince ayar) düğümleri.

44. Hafta Kurumsal Yapay Zeka Bültenimizde vurguladığımız üzere, kompakt 2B yerel modeller yüksek frekanslı operasyonel akışlarda hantal bulut LLM çağrılarının yerini hızla alıyor. Ancak LFM3 ailesi aynı zamanda her mühendislik yöneticisinin ve satın alma ekibinin kavram kanıtı (PoC) çalışması başlatmadan önce kontrol etmesi gereken kritik bir ticari lisans koşuluyla geliyor: yıllık geliri 10 milyon ABD doları veya üzerinde olan kuruluşlar için ticari lisans şartı (lisanstaki “Legal Entity” tanımı ortak kontrol altındaki şirketleri de kapsar).

Bilgilendirme: Aşağıdaki teknik özellikler ve lisans maddeleri Liquid AI’ın 27 Ekim 2026 tarihli resmi duyurusundan ve LFM Open License v1.0 metninden özetlenmiştir. Lisans incelemesi mühendislik ve satın alma planlaması amaçlıdır; hukuki danışmanlık niteliği taşımaz.

• LFM3 teknik paketi: 22 trilyon token ile ön eğitilen LFM3-1.7B-Base tabanlı altı 2B modeli, ~1 GB 4-bit bellek kullanımı, 256K metin bağlamı ve doğrudan llama.cpp, MLX, vLLM desteği.
• Şirketlerde 2B modellerin 70B+ modelleri geride bıraktığı 4 alan: Çevrimdışı saha tabletleri, 100 ms altı ağ geçidi yönlendirmesi, CPU üzerinde şema kısıtlı JSON çıkarımı ve tek GPU görev adaptasyonu.
• 10 milyon dolarlık holding tuzağı: Ortak kontrol altındaki grup şirketleri maddesinin iştirakleri nasıl etkilediği, 2B modellerin Türkçede nerede zorlandığı ve Apache 2.0 alternatif stratejisi.

Liquid AI’ın resmi LFM3 duyurusuna göre serideki altı modelin tamamı 128K kelime dağarcığına sahip ve 22 trilyon token üzerinde ön eğitilmiş LFM3-1.7B-Base çekirdeğini paylaşıyor. Uç cihaz dağıtımı sonradan eklenmiş bir özellik olarak bırakılmamış; model ailesi akıllı telefonlar, Apple Silicon dizüstü bilgisayarlar (MLX), Raspberry Pi 5 kartları, standart x86/ARM CPU sunucuları (llama.cpp) ve yüksek verimli GPU toplu işleme (batching, vLLM) dahil 14 farklı donanım ve çalışma ortamı kombinasyonunda doğrulanarak yayınlanmış.

Kurumsal ekipler 2 milyar parametreli bir modeli ilk kez genel bir sohbet ekranında (“makroekonomik trendler hakkında kapsamlı bir analiz yaz”) denediğinde küçük modelleri kolayca küçümser. Oysa bu test yanlış işi ölçer. 1 GB’lık bir modeli ansiklopedik genel kültür uzmanı olarak değil; ağ gecikmesinin, saha bağlantı kesintilerinin veya GPU kıtlığının 70B+ modelleri devre dışı bıraktığı noktalarda hızlı çalışan küçük bir yapay zeka servisi olarak konumlandırmalısınız.

Üretim projelerinde 2B sınıfı yerel modeller özellikle dört kurumsal senaryoda yüksek getiri sağlar:

• 1. İnternet bağlantısının kesintili olduğu saha ve üretim operasyonları: Enerji trafo merkezleri, tersaneler, maden sahaları, şantiyeler veya fabrika hatlarında çalışan bakım teknisyenleri çoğu zaman kararlı bir dış ağ bağlantısına sahip değildir. Cihaz üzerinde (MLX veya llama.cpp ile) çalışan 2B görsel-dil modeli; teknisyenin çektiği ekipman etiketi veya gösterge fotoğrafını cihaz üzerinde okuyup güvenlik kontrol formunu anında yapılandırır ve bağlantı geldiğinde yalnızca birkaç kilobaytlık JSON kaydını merkeze senkronize eder.
• 2. 100 milisaniye altı niyet yönlendirme (routing) ve ön filtreleme: Gelen her müşteri mesajını yalnızca “kullanıcı şifre sıfırlama mı, sipariş takibi mi, SQL raporu mu yoksa karmaşık mevzuat yorumu mu istiyor?” kararını vermek için pahalı sınır modellere göndermek hem gecikmeyi hem faturayı şişirir. vLLM üzerinde çalışan fine-tuning (ince ayar) yapılmış bir 2B sınıflandırıcı öngörülebilir talepleri onlarca milisaniyede doğru kuyruğa ayırır; bu yaklaşım RuneGate gibi çok katmanlı ağ geçitlerinde de en verimli yaklaşımdır.
• 3. Mevcut CPU sunucularında şema kısıtlı toplu JSON veri çıkarımı: Pek çok BT departmanında GPU tedariki aylar sürerken sanal sunucu kümelerinde geceleri boş bekleyen yüzlerce Xeon veya EPYC CPU çekirdeği bulunur. 4-bit 2B modeli gramer kısıtlı (grammar-constrained) JSON üretimiyle birleştirerek yüz binlerce serbest metinli ERP notunu, kargo irsaliyesini veya OCR çıktısını dışarıya veri çıkarmadan mevcut CPU altyapısında standart tablolara dönüştürebilirsiniz.
• 4. Speculative decoding taslak modeli ve damıtılmış görev uzmanları: Etkileşimli speculative decoding ve model distillation rehberlerimizde incelediğimiz gibi, büyük bir öğretmen modelin ürettiği 2.000–10.000 doğrulanmış örnek üzerinde tek GPU’da ince ayar yapılan 1,7B–2B öğrenci modeller, dar tanımlı kurumsal görevlerde şaşırtıcı derecede yüksek isabet yakalar.

2B sınıfı bir modeli hiçbir zaman açık uçlu sıfır örnekli (zero-shot) sohbet istemiyle yargılamayın. Çıktıyı katı bir JSON şemasına kilitleyin, kaynak paragrafı istemin içine verin ve 1.000 gerçek kurum örneğiyle tek GPU’da LoRA ince ayarı yapın; küçük modellerin asıl gücü orada ortaya çıkar.

Küçük modelin nerede kırılacağını baştan bilmek haftalarca sürecek yanlış kavram kanıtı (PoC) çalışmasını önler:

1. Ezberden bilgi çağırma (closed-book QA): Yaklaşık 1,7B–2B parametre kapasitesi Türk vergi tebliğlerini, ürün kodlarını veya sözleşme istisnalarını ağırlıklarında güvenilir biçimde tutamaz. 2B modelden ezberden yanıt istemeyin; metni bağlamda verin veya kaynak doğrulamalı kurumsal soru-cevap için RuneDesk gibi tam bir RAG mimarisi kullanın.
2. 256K teknik pencere ile gerçek çok adımlı dikkat kapasitesi farkı: Modelin 256.000 token girdide hata vermeden çalışması, 180 sayfalık Türkçe bir sözleşmenin 4. sayfası ile 165. sayfası arasındaki çelişkiyi yakalayabileceği anlamına gelmez. Kompakt mimarilerde uzun ve sondan eklemeli Türkçe dizilerde dikkat seyrelmesi 30B–70B modellere göre çok daha erken başlar; uç cihazdaki prompt’ları 2K–8K tokenlık odaklı parçalar halinde tutun.
3. Doğrulanmamış Türkçe ses ve morfoloji: Lansman özetinde Türkçe metin skoru paylaşılmadığı ve LFM3-Audio-2B model kartı Türkçeyi desteklenen konuşma dilleri arasında sayarken çok dilli ASR kıyaslaması Türkçeyi içermeyen dokuz dili kapsadığı için, sunucu tarafında kurumsal Türkçe konuşma tanıma arayan ekipler LFM3’ü mutlaka Türkçe ASR desteği resmi olarak üretime hazır işaretlenen NVIDIA Nemotron 3.5 Transcribe ile yan yana test etmelidir.

LFM3 ile ilgili en kritik teknik dışı kontrol noktası LFM Open License v1.0 metnindedir. Lisans yapısı Apache 2.0 temelini izlese ve uygun lisans sahiplerinin ince ayar yaptıkları türev ağırlıkları gizli tutmasına izin verse de, ücretsiz ticari kullanım hakkını yıllık geliri 10 milyon ABD dolarının altında olan kuruluşlarla sınırlar.

Kritik ayrıntı şudur: Lisans geliri “Legal Entity” düzeyinde sayar; bu tanım işlemi yapan kuruluşu ve onu kontrol eden, onun kontrol ettiği veya onunla ortak kontrol altında bulunan tüm kuruluşları kapsar. İstisna dardır: eşik yalnızca nitelikli kâr amacı gütmeyen kuruluşların ticari olmayan veya araştırma amaçlı kullanımında uygulanmaz. Türkiye’de büyük holdinglerin, bankaların, telekom ve perakende gruplarının bünyesindeki küçük Ar-Ge veya teknoloji şirketlerinin tekil cirosu 10 milyon doların altında olsa bile; grup, lisanstaki “Legal Entity” tanımına göre yıllık 10 milyon ABD doları veya üzeri gelire sahipse iştirak de eşiğin üzerinde sayılabilir; hukuk ekibinizle doğrulayın.

Bir yapay zeka ekibi için en yıpratıcı senaryo, altı hafta boyunca ince ayar yaptığı uç modelin canlıya geçişten iki gün önce hukuk onayı alamamasıdır. Ağırlıkları indirmeden önce ortak kontrol altındaki grup geliri maddesini kontrol edin.

• Model kataloğunuzda (model registry) lisans beyaz listesi kurun: Kullanım kısıtı içermeyen izin verici lisanslar (Apache 2.0, MIT, OpenMDW-1.1; bildirim koşulları geçerlidir) ile ciro tavanlı lisansları (LFM Open License v1.0) kurum içi paket deposunda ayırın (bkz. Açık Ağırlıklı Model Lisansları Rehberi). Apache 2.0 gerektiren projelerde açık taban modelleri RuneLab Modeller sayfasındaki görev odaklı Apache 2.0 Türkçe modellerle birleştirin.
• 4-bit nicemleme kaybını Türkçe eklerde ölçün: Quantization rehberimizde gösterdiğimiz üzere 4-bit sıkıştırma (Q4_K_M / AWQ) İngilizce sınıflandırmada ihmal edilebilir kayıp yaratırken Türkçe çekim ve yapım eklerinde nadir token olasılıklarını kaydırabilir. 4-bit paketi her zaman 200 kurum içi örnek üzerinde BF16 referansıyla karşılaştırın.
• Tek GPU ince ayar ve uç çıkarım yetkinliğini içeride kurun: Platform ve gömülü yazılım ekiplerinizi uygulamalı Local LLM ve On-Premise AI Eğitimi ile yetiştirebilir veya uç cihazlardan RuneBox veri merkezi sunucularına uzanan hibrit mimariler için RuneLab NexTech ekibiyle çalışabilirsiniz.

2 milyar parametreli bir modeli küçültülmüş genel amaçlı bir sohbet botu gibi test eden ekipler ilk öğleden sonra hayal kırıklığı yaşar. Aynı modeli şema kısıtlı, fine-tuning (ince ayar) yapılmış bir yazılım bileşeni olarak konumlandıran mühendislik ekipleri ise dört somut kurumsal akışta yavaş ve pahalı bulut çağrılarının hızla yerini alır.

Çelik fabrikaları, yer altı trafo merkezleri, gemiler veya OT siber güvenlik politikası gereği dış internete kapalı üretim hatlarında bulut tabanlı görsel API’leri kullanmak fiziksel veya mevzuatsal olarak imkansızdır.

Yaklaşık 1 GB RAM kullanan 4-bit nicemlenmiş 2B görsel veya omni bir modelin doğrudan saha teknisyeni tabletine kurulması; ekipman etiketlerinin fotoğraflanmasını, analog gösterge değerlerinin kontrolünü ve kısa arıza gözlemlerinin tamamen çevrimdışı işlenmesini sağlar.

Cihaz üzerindeki model serbest metin yazmak yerine doğrulamalı bir bakım JSON kaydını doldurur ve bulanık fotoğrafı teknisyen henüz sahadayken uyarır; vardiya sonunda Wi-Fi ağına dönüldüğünde yalnızca birkaç kilobaytlık temiz veri merkezi ERP sistemine aktarılır.

Gelen destek e-postalarının, bayi taleplerinin ve sohbet mesajlarının %100’ünü doğrudan 70B parametreli bir yerel LLM’e veya $4/$20 bandındaki bir sınır API’ye göndermek; şifre sıfırlama, kargo durumu sorma, mükerrer kayıt ve spam mesajlar için pahalı GPU kapasitesini boşa harcar.

Mevcut Kubernetes CPU düğümlerinde (veya vLLM üzerinde paylaşımlı tek bir GPU’nun küçük bir diliminde) çalışan ince ayarlı bir 2B sınıflandırıcı; departman, aciliyet, duygu durumu ve niyet etiketini 60 milisaniyenin altında çıkarır.

Standart ve deterministik talepler doğrudan iç servis sorgularına bağlanırken, yalnızca karmaşık mevzuat veya teknik arıza dosyaları RuneGate üzerinden büyük muhakeme veya kaynak gösteren RAG modellerine yükseltilir.

Şema kısıtı olmadan çalıştırılan 2B modeller uzun lojistik irsaliyelerinde ve gümrük beyannamelerinde zaman zaman JSON alan adlarını uydurabilir, parantez kapatmayı atlayabilir veya Türkçe karakterleri tutarsız dönüştürebilir.

Modeli gramer kısıtlı üretimle (vLLM Guided JSON veya llama.cpp GBNF şemaları) çalıştırmak, üretilen her tokenın tanımladığınız Pydantic veya JSON Schema sözleşmesine %100 uymasını zorunlu kılar.

Tek bir iş istasyonu GPU’su üzerinde doğrulanmış 500 ila 1.000 geçmiş Türkçe form ile LoRA ince ayarı yapıldığında, şema kısıtlı bir 2B çıkarım servisi sıfır örnekli (zero-shot) 30B bulut modellerinin doğruluğuna çok daha düşük gecikme ve maliyetle ulaşır.

Kurumsal inovasyon ekiplerinde sık görülen bir aksaklık, geliştiricilerin Hugging Face popüler listesinde gördükleri ciro kısıtlı bir modelle prototip kurup altı hafta sonraki canlıya geçiş hukuk kontrolünde ortak kontrol altındaki grup geliri engeline takılmasıdır.

Şirketiniz veya bağlı bulunduğunuz holding LFM Open License v1.0’daki yıllık 10 milyon ABD doları eşiğinin üzerindeyse, ya PoC başlamadan Liquid AI’dan ticari lisans koşullarını alın ya da ilk günden kullanım kısıtı içermeyen izin verici Apache 2.0 lisanslı (bildirim koşulları geçerlidir) 1,5B–4B taban modelleri standartlaştırın.

Asıl rekabet avantajınız tek bir model ağırlığında değil; hazırladığınız Türkçe eğitim veri setinde, değerlendirme betiklerinde ve JSON şema sözleşmesindedir. Bu yüzden eğitim hattını modüler tuttuğunuzda taban modeli bir öğleden sonra içinde değiştirebilirsiniz.

27 Ekim 2026’da duyurulan LFM3 ailesi, 22 trilyon token ile eğitilmiş LFM3-1.7B-Base üzerine kurulu altı adet 2B sınıfı modelden (metin, görsel/video, 18 dilli ses LFM3-Audio-2B, omni ve decision) oluşur. 4-bit nicemleme ile yaklaşık 1 GB RAM üzerinde çalışabilir ve 256K metin bağlamını destekler.

Hayır. LFM Open License v1.0 ticari kullanım hakkını yıllık 10 milyon ABD doları gelir eşiğiyle sınırlar ve lisanstaki “Legal Entity” tanımı ortak kontrol altındaki şirketleri de kapsar. Grup yıllık 10 milyon ABD doları veya üzeri gelire sahipse iştirak de eşiğin üzerinde sayılabilir (hukuk ekibinizle doğrulayın); bu durumda Liquid AI ile ayrı ticari lisans sözleşmesi yapılması veya kullanım kısıtı içermeyen izin verici Apache 2.0 lisanslı alternatiflere yönelinmesi gerekir.

Çevrimdışı saha bakım tabletlerinde form ve görsel ön kontrolü, büyük LLM çağrılarının önünde düşük gecikmeli niyet sınıflandırma (routing), mevcut CPU sunucularında şema kısıtlı JSON veri çıkarımı ve tek GPU üzerinde kuruma özel ince ayar gerektiren dar kapsamlı görevlerde en yüksek yatırım getirisini sağlar.

Liquid AI lansman özetinde 128K kelime dağarcığı belirtilmiş, LFM3-Audio-2B model kartı da Türkçeyi 18 konuşma dili arasında listelemiştir; ancak Türkçe metin veya Türkçe ses için bağımsız bir kıyaslama skoru yayınlanmamıştır. Ekipler üretime geçmeden önce kendi Türkçe veri örnekleriyle token bölünme oranını ve görev doğruluğunu test etmelidir.