LLM Nedir? Yapay Zekada Büyük Dil Modeli Nasıl Çalışır, LLM API Nedir?

Kısaca: Yapay zekada LLM, büyük dil modeli (large language model) demektir. Büyük dil modeli çok büyük metin verisiyle eğitilir, metni token adı verilen küçük parçalar halinde tahmin ederek yazar ve ChatGPT, Claude, Gemini gibi ürünlerin arkasında çalışır. LLM API ise bu modeli kendi yazılımınızdan çağırmanızı sağlayan, token başına ücretlendirilen arayüzdür.

ChatGPT, Claude ya da Gemini ile yazıştığınızda cevabı arkadaki bir LLM üretir. Bu modelin nasıl çalıştığını anlamak için token, transformer ve bağlam penceresi gibi birkaç kavram yeter. Aynı kavramlar, modeli API ile kendi yazılımınıza bağladığınızda faturanın neden token üzerinden kesildiğini de açıklar.

Yapay zekada LLM, İngilizce "large language model" ifadesinin kısaltmasıdır ve Türkçede büyük dil modeli diye geçer. Google Machine Learning Crash Course tanımına göre bir dil modeli, bir tokenin ya da token dizisinin daha uzun bir metin içinde gelme olasılığını tahmin eder. Büyük dil modelleri de token dizilerini, bazen paragraflarca metni tahmin eder. Google'a göre büyük modeller iki nedenle daha iyi tahmin yapar: çok daha fazla parametre içerirler ve cevap verirken çok daha geniş bir bağlama bakarlar.

Pratikte LLM, metin yazma, özetleme, çeviri, soru cevaplama, sınıflandırma ve kod yazma gibi işlerin arkasındaki motordur. Siz bir soru yazarsınız, model o sorunun devamı olarak en olası cevabı token token üretir.

Yapay zeka en geniş şemsiyedir. Makine öğrenmesi, verilerden öğrenen yöntemlerin adıdır. LLM ise makine öğrenmesiyle eğitilmiş, dil üzerine uzmanlaşmış bir model türüdür. Yani her LLM bir yapay zeka modelidir, ama her yapay zeka bir LLM değildir. Görüntü sınıflandıran ya da kredi riski hesaplayan modeller de yapay zekadır.

Bir LLM'nin çalışmasını beş kavram açıklar: token, transformer, parametre, eğitim ve bağlam penceresi.

Token, dil modelinin işlediği en küçük birimdir. Google'a göre bir token bir kelime, bir kelimenin parçası ya da tek bir karakter olabilir ve modern dil modellerinin çoğu metni kelime parçalarına böler. Tokenlere bölme işi dile göre değişir, bu yüzden bir tokenin kaç karaktere denk geldiği dilden dile farklıdır. Google, İngilizce için bir tokenin yaklaşık 4 karakter, 400 tokenin de yaklaşık 300 kelime ettiğini söylüyor. Gemini API token belgesi de 100 tokenin yaklaşık 60 ila 80 İngilizce kelimeye denk geldiğini yazıyor. Türkçe için tek bir oran yok, çünkü sonuç modelden modele değişiyor. En doğrusu sağlayıcının token sayma aracıyla kendi metninizi ölçmek. Aynı metnin Türkçesinin farklı tokenizer'larda İngilizcesine göre kaç kat token tuttuğunu token nedir yazımızda ölçtük.

Token önemli, çünkü hem modelin bir seferde ne kadar metin görebileceği hem de API faturası token üzerinden hesaplanıyor.

Bugünkü LLM'lerin büyük çoğunluğu transformer mimarisine dayanıyor. Bu mimari, Vaswani ve arkadaşlarının 12 Haziran 2017'de yayımladığı Attention Is All You Need makalesiyle tanıtıldı. Makale, tekrarlayan ve evrişimli ağları bırakıp yalnızca dikkat (attention) mekanizmasına dayanan bir yapı öneriyordu.

Transformer'ın merkezinde self-attention var. Google'ın transformer ve LLM anlatımına göre self-attention, girdideki her token için "Diğer tokenler bu tokenin anlamını ne kadar etkiliyor?" sorusunu sorar. Böylece model "o" zamirinin cümlede hangi kelimeyi kastettiğini bağlamdan çıkarabilir. Yalnızca kod çözücüden oluşan (decoder-only) modeller metin üretmede genellikle başarılıdır ve yeni tokenleri daha önce üretilmiş metnin üzerine ekleyerek ilerler.

Parametreler, modelin eğitim sırasında öğrendiği sayısal ağırlıklardır. Google'ın kurs sayfası transformer tabanlı modellerin yüz milyarlarca, hatta trilyonlarca parametre içerebildiğini ve daha çok parametreli modellerin daha azına sahip olanları sürekli geride bıraktığını yazıyor. Daha çok parametre aynı zamanda daha çok hesaplama ve daha yüksek maliyet demek. Bu yüzden şirketler büyük modelin yanında daha küçük modelleri de kullanıyor.

Eğitim genelde iki aşamada anlatılır.

1. Ön eğitim (pretraining): Model çok büyük ve bir ölçüde süzülmüş bir metin yığınıyla eğitilir. Google'ın örneğinde metinden bazı tokenler bilerek gizlenir ve model bunları tahmin etmeye çalışır. Çok sayıda örnekten sonra model dilin kalıplarını ve kelimeler arasındaki ilişkileri öğrenir.
2. Talimat ayarı ve insan geri bildirimi: Ön eğitimden çıkan model metni sürdürmekte iyidir ama talimatlara uymakta zayıf olabilir. Ouyang ve arkadaşlarının 4 Mart 2022'de yayımladığı ve InstructGPT modelini anlatan Training language models to follow instructions with human feedback makalesi, modeli büyütmenin onu kullanıcının niyetine tek başına daha uygun yapmadığını gösterdi. Yazarlar modeli önce örnek cevaplarla, sonra insan geri bildirimiyle pekiştirmeli öğrenmeyle (RLHF) ince ayardan geçirerek bu uyumu artırdı. Bugün sohbet ürünlerinde kullanılan modeller bu tür ek eğitimlerden geçiyor.

Kendi verinizle bir modeli özelleştirmek ayrı bir konu. Ne zaman ince ayar (fine-tuning), ne zaman RAG gerektiğini RAG ve fine-tuning farkı yazısında ayrıntılı anlattık. RuneLab'ın Büyük Dil Modeli Temelleri eğitimi de bu sırayı izliyor: pretraining, instruction tuning ve RLHF aşamalarıyla başlıyor, prompting, RAG ve fine-tuning arasındaki seçimi bir karar ağacıyla bitiriyor.

Bağlam penceresi, modelin bir cevap üretirken bakabildiği metnin tamamıdır. Anthropic'in bağlam penceresi belgesindeki tanıma göre buna modelin ürettiği cevap da dahildir ve bağlam penceresi, modelin eğitildiği veriden farklı olarak bir tür "çalışma belleği" gibidir. Pencere tokenle ölçülür. 2 Kasım 2026 itibarıyla Anthropic'in dört güncel Claude modeli ve Google'ın Gemini 4 Argon modeli 1 milyon tokenlik bağlam penceresiyle listeleniyor.

Pencere büyük olsa da her şeyi oraya koymak iyi bir fikir değildir. Her token faturaya yansır ve gereksiz metin cevabın kalitesini de düşürebilir. Uzun belge arşivleri için genellikle RAG daha uygun bir yoldur. Bu yöntemin belgeleri nasıl aradığını RAG yanıtları nasıl bulur? yazısında gösterdik.

Google'ın kurs sayfası LLM'lerin farklı okur kitlelerine açık ve anlaşılır metin üretebildiğini söylüyor. Kurumlarda en sık görülen kullanımlar e-posta ve rapor taslağı, uzun belgeleri özetleme, çeviri, müşteri mesajlarını sınıflandırma, kod yazma ve iç bilgi bankasında soru cevaplama.

Aynı kaynak üç zayıf noktayı sayıyor: halüsinasyon, çok yüksek hesaplama ihtiyacı ve eğitim verisinden gelen önyargı.

Halüsinasyon, modelin akıcı ve inandırıcı ama yanlış bir bilgi üretmesidir. Kalai, Nachum, Vempala ve Zhang'ın 4 Eylül 2025'te yayımladığı Why Language Models Hallucinate makalesi bunu zor bir sınavda tahmin yürüten öğrenciye benzetiyor. Yazarlara göre eğitim ve değerlendirme yöntemleri, belirsizliği kabul etmek yerine tahmin etmeyi ödüllendirdiği için halüsinasyon en gelişmiş sistemlerde bile sürüyor.

Bu yüzden LLM çıktısı rakam, tarih, kişi adı, mevzuat ya da kaynak içeriyorsa bir insanın kontrol etmesi gerekir. Cevabı şirketin kendi belgelerine dayandırmak ve kaynak göstermesini istemek de riski azaltır. Makalenin işaret ettiği sorunun pratik karşılığı, modele emin olmadığında tahmin yürütmek yerine bilginin eksik olduğunu söyleten talimatlardır. RuneLab'ın Halüsinasyon ve Kaynak Kontrolü eğitimi bu çekimserlik kurallarını ve uydurma alıntıları birincil kaynakta yakalamayı uygulamalı işliyor.

Bu kavramlar sık karıştırılıyor. LLM motorun kendisidir, diğerleri o motoru kullanan ürünler ya da yöntemlerdir.

Tam olarak değil. ChatGPT, OpenAI'ın sohbet ürünüdür ve arkasında OpenAI'ın GPT modelleri çalışır. OpenAI model sayfası bazı modelleri doğrudan "ChatGPT'de kullanılan model" diye etiketliyor. Kısacası LLM motor, ChatGPT o motoru kullanan araçtır.

Küçük dil modelleri daha az parametreyle çalışır, bu yüzden daha ucuz ve hızlıdır, ama karmaşık işlerde büyük modellerin gerisinde kalabilir. Tek bir işe uyarlanmış küçük bir model ise o işte taban modelini açıkça geçebilir. RuneLab'ın 9 milyar parametreli Hati Glint SQL modeli Türkçe soruları SQL'e çevirmek için eğitildi ve Hati Glint SQL model kartına göre TurSpider testinde doğrudan modda çalıştırma doğruluğunu taban modelin yüzde 64,12'sinden yüzde 73,21'e çıkarıyor. Küçük açık modellerin kurumsal kullanımına Liquid AI LFM3 yazımızda baktık.

LLM tek başına yalnızca metin üretir. Araç çağırıp iş yapan sistemlerin nasıl çalıştığını yapay zeka ajanı nedir yazısında, bu ajanların tek başına mı ekip halinde mi kurulacağını tek ajan mı, çok ajan mı yazısında, bu araçları uygulamalara bağlayan standardı MCP nedir yazısında anlattık.

Model adları birkaç ayda bir değişiyor. Aşağıdaki tablo, üç büyük sağlayıcının kendi model sayfalarında 2 Kasım 2026 itibarıyla gösterdiği güncel modelleri ve sağlayıcının kendi önerisini özetliyor.

Kaynaklar: OpenAI model sayfası, Anthropic model sayfası ve Gemini model sayfası.

Bu üçü kapalı modellerdir, yani yalnızca sağlayıcının API'si ya da ürünleri üzerinden kullanılır. Ağırlıkları indirilebilen açık ağırlıklı modeller de var. RuneLab da Türkçe işler için Apache 2.0 lisanslı açık modeller yayımlıyor: metinden SQL'e Hati Glint SQL, Türkçe belge araması için Vör-LateEmbed-TR ve hukuk metinleri için Kenning Turkish Legal. Son ikisi metin üretmez, RAG kurulumunda doğru belgeyi bulan embedding modelleridir. Açık modellerin lisans koşullarını açık ağırlıklı model lisansları yazısında, büyük bir açık modeli kurum içinde çalıştırma örneğini Mistral Large 4 rehberinde inceledik.

LLM API, bir büyük dil modelini sohbet ekranı yerine kendi yazılımınızdan çağırmanızı sağlayan programlama arayüzüdür. Uygulamanız sağlayıcının sunucusuna bir istek gönderir, model cevabı üretir ve size geri yollar. Müşteri destek sistemine otomatik özet eklemek, binlerce belgeyi sınıflandırmak ya da kendi asistanınızı kurmak için API kullanılır.

Üç sağlayıcının hızlı başlangıç belgelerinde akış aynı.

1. Sağlayıcının geliştirici panelinden bir API anahtarı alırsınız.
2. Anahtarı bir ortam değişkenine yazarsınız (OpenAI için OPENAI_API_KEY, Anthropic için ANTHROPIC_API_KEY).
3. Resmi SDK ile model adını ve mesajınızı içeren bir istek gönderirsiniz.
4. Cevap metni ve kaç token harcandığı bilgisi geri döner.

OpenAI hızlı başlangıç belgesindeki Python örneği, sorunun yerine Türkçe bir metin konarak şöyle görünüyor.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input="Bu toplantı notunu üç maddede özetle.",
)

print(response.output_text)

Anthropic tarafında aynı iş Messages API ile, Google tarafında Gemini API ile yapılır. Mantık değişmez, yalnızca kütüphane ve parametre adları farklıdır. Bu yüzden üç API'yi ortak bir arayüzün arkasına almak, hata ve zaman aşımında başka modele geçmek, token ve maliyeti kaydetmek LLM API ile Uygulama Geliştirme eğitiminin ana konuları.

Üç sağlayıcı da fiyatı token başına ve 1 milyon token birimiyle veriyor. Modele gönderdiğiniz girdi tokenleri ile modelin ürettiği çıktı tokenleri ayrı fiyatlanır ve çıktı daha pahalıdır. Fiyat modelden modele çok değişir. Bazı ek kurallar da var.

• Önbellek (prompt caching): Claude API fiyat sayfasına göre aynı uzun komutu tekrar gönderdiğinizde önbellekten okunan kısım, taban girdi fiyatının en fazla onda biriyle ücretlendiriliyor.
• Düşünme tokenleri: Gemini API fiyat sayfası, Gemini 4 Argon için düşünme tokenleri dahil her tokenin faturalandığını belirtiyor.
• Ücretsiz katman: Aynı sayfa bazı Gemini modelleri için ücretsiz katman gösteriyor, ama Gemini 4 Argon ücretsiz katmanda yok.

Güncel rakamlar için sağlayıcıların resmi fiyat sayfalarına bakın. Abonelikle API kredisi arasındaki farkı ChatGPT Business ve API kredisi rehberinde, Claude paketlerini Claude fiyatları yazısında anlattık.

API'ye gönderdiğiniz her metin sağlayıcının sunucusuna gider. Kişisel ya da gizli veri göndermeden önce sağlayıcının veri kullanım koşullarını okuyun. Veriyi dışarı göndermek istemiyorsanız açık ağırlıklı bir modeli kendi sunucunuzda çalıştırabilirsiniz. Bunun adımlarını internetsiz yapay zeka ve local LLM kurulumu rehberinde anlattık.

Sohbet ürünü ile local LLM arasındaki kararı local LLM vs ChatGPT yazımızda ayrıntılı ele aldık.

LLM, "large language model" ifadesinin kısaltmasıdır. Türkçesi büyük dil modelidir. Çok büyük metin verisiyle eğitilen ve metni token token tahmin ederek üreten yapay zeka modeli anlamına gelir.

Hukukta LL.M., "Master of Laws" yani hukuk yüksek lisansı anlamına gelir. Yapay zekadaki LLM ile adı dışında bir ilgisi yoktur.

ChatGPT bir LLM değil, LLM kullanan bir sohbet ürünüdür. Arkasında OpenAI'ın GPT modelleri çalışır. Claude ve Gemini uygulamaları için de durum aynıdır.

Token, modelin işlediği en küçük metin parçasıdır. Bir kelime, kelimenin bir parçası ya da tek bir karakter olabilir. Modelin bağlam penceresi ve API ücreti token sayısıyla ölçülür.

Parametreler, modelin eğitim sırasında öğrendiği sayısal ağırlıklardır. Büyük modeller yüz milyarlarca parametre içerebilir. Parametre arttıkça model genelde daha iyi sonuç verir ama çalıştırması da pahalılaşır.

Halüsinasyon, modelin akıcı ama yanlış bilgi üretmesidir. Araştırmacılar bunun bir nedeninin, eğitim ve değerlendirme yöntemlerinin "bilmiyorum" demek yerine tahmin etmeyi ödüllendirmesi olduğunu söylüyor. Rakam, tarih ve kaynak içeren çıktıları kontrol edin.

LLM API, büyük dil modelini kendi yazılımınızdan çağırmanızı sağlayan arayüzdür. Çoğu kullanım token başına ücretlidir. Google'ın Gemini API'si bazı modellerde ücretsiz katman sunuyor, ama amiral gemisi Gemini 4 Argon ücretsiz katmanda yok.

LLM metni üreten modelin kendisidir. RAG ise modele cevap vermeden önce sizin belgelerinizden ilgili parçaları bulup veren bir yöntemdir. RAG modeli değiştirmez, ona doğru bağlamı sağlar.

SLM, küçük dil modeli demektir. Daha az parametreye sahip olduğu için daha ucuz ve hızlı çalışır, dizüstü bilgisayarda ya da kurum içi sunucuda çalıştırılabilir. Karmaşık işlerde büyük modellerin gerisinde kalabilir.

• Vaswani ve arkadaşları, Attention Is All You Need (arXiv 1706.03762), özet
• Ouyang ve arkadaşları, Training language models to follow instructions with human feedback (arXiv 2203.02155), özet
• Kalai, Nachum, Vempala ve Zhang, Why Language Models Hallucinate (arXiv 2509.04664), özet
• Google for Developers, Google Machine Learning Crash Course, Introduction to Large Language Models: dil modeli tanımı ve token oranları
• Google for Developers, LLMs: What's a large language model?: transformer, self-attention, parametre, ön eğitim ve zayıf noktalar
• Google, Gemini API token belgesi, Gemini model sayfası ve Gemini API fiyat sayfası: token oranı, model listesi, ücretsiz katman ve düşünme tokenleri
• Anthropic, Anthropic model sayfası, bağlam penceresi belgesi ve Claude API fiyat sayfası: model listesi ve öneri, bağlam penceresi tanımı, önbellek fiyatı
• RuneLab, Hati Glint SQL model kartı: TurSpider çalıştırma doğruluğu, doğrudan mod
• OpenAI, OpenAI model sayfası ve OpenAI hızlı başlangıç belgesi: model listesi, öneriler ve Python örneği

• RAG ve fine-tuning farkı
• RAG yanıtları nasıl bulur?
• LLM quantization (nicemleme) nedir?
• MCP (Model Context Protocol) nedir?
• Yapay zeka ajanı nedir? Chatbot ile farkı
• Türkiye Yapay Zeka Eylem Planı 2026-2030
• İnternetsiz yapay zeka nasıl kurulur?
• Eğitimler: Büyük Dil Modeli Temelleri, Büyük Dil Modelleri ve Transformer'lar, LLM API ile Uygulama Geliştirme, Yapay Zeka FinOps: Token Ekonomisi, Bütçeleme ve Birim Maliyet Yönetimi