ÖYG213 · BÜYÜK DİL MODELLERİ · 4. BÖLÜM
LLM ile konuşmak
Neyi iyi yapar, neyi yapamaz, ondan nasıl iş istenir?
- Güçlü ve zayıf yönler
- Multimodal modeller
- Prompt
- Düşünen modeller
Güvenç Usanmaz · github.com/gusanmaz
Güçlü ve zayıf yönler
Dâhi bir stajyer: bazı işlerde sizden iyi, bazılarında ilkokul öğrencisinden kötü.
11 · GÜÇLÜ VE ZAYIF YÖNLER
TAHMİNAraçsız bir LLM hangisinde en çok yanılır?
11 · GÜÇLÜ VE ZAYIF YÖNLER
Tırtıklı sınır (jagged frontier)
Yeteneklerin sınırı düz bir çizgi değil; girintili çıkıntılı.
Zor görünen iş (şiir yazmak, sınav geçmek) kolay; kolay görünen iş (harf saymak) zor olabilir. Sınırın nereden geçtiğini ancak deneyerek öğrenirsiniz.
758 danışmanla deney
Modelin iyi yaptığı işlerde (sınırın içinde) yapay zekâ kullananlar %40 daha kaliteli iş çıkardı ve %25 daha hızlı bitirdi.
Modelin iyi yapamadığı bir işte (sınırın dışında) ise yapay zekâ kullananların doğru cevabı bulma olasılığı 19 puan düştü.
Dell'Acqua, Mollick ve ark., “Navigating the Jagged Technological Frontier”, Harvard Business School, 2023.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Neyin kolay, neyin zor olduğu sezgiyle bilinmez
2014: “Fotoğrafta kuş var mı?” = beş yıl ve bir araştırma ekibi. Bugün her telefon yapıyor.
Randall Munroe, xkcd 1425: Tasks
11 · GÜÇLÜ VE ZAYIF YÖNLER
Kuş bakışı karne
| İş | Not | Kısa gerekçe |
|---|---|---|
| Metin özetleme | GÜÇLÜ | Metin önünde; uydurmasına gerek yok |
| Dil çevirisi | GÜÇLÜ | Transformer zaten çeviri için icat edildi |
| Kod yazma | GÜÇLÜ | Çok eğitim verisi var; sonuç test edilebilir |
| Matematik (araçsız) | KIRILGAN | Sayıyı hesaplamaz, tahmin eder |
| Yeni, özgün fikir | TARTIŞMALI | Harmanlamada iyi; çeşitlilikte zayıf |
11 · GÜÇLÜ VE ZAYIF YÖNLER
Özetleme
Neden güçlü?
- Özetlenecek metin modelin önünde; bilgiyi hafızasından çekmesi gerekmiyor
- Dili yeniden ifade etmek modelin ana becerisi
- Toplantı notu, makale, uzun e-posta zinciri saniyeler içinde özetlenir
Nerede dikkat?
- Sizin için önemli olan ayrıntıyı önemsiz sayabilir
- Çok uzun belgede ortayı atlayabilir
- Kaynakta olmayan bir “sonuç” ekleyebilir
11 · GÜÇLÜ VE ZAYIF YÖNLER
Dil çevirisi
Neden güçlü?
- Yaygın diller arasında profesyonel çevirmene yakın
- Bağlamı ve üslubu taşıyabiliyor: “resmî yaz”, “gençlere hitap et”
- Çevirirken açıklama da yapabiliyor
Nerede dikkat?
- Deyimler ve kelime oyunları
- İnternette az metni bulunan diller
- Hukuk ve tıp metinleri: tek bir kelime anlamı değiştirebilir
Deneyin: “Armut piş, ağzıma düş” deyimini İngilizceye çevirtin. Kelime kelime mi çevirdi, karşılığını mı buldu?
11 · GÜÇLÜ VE ZAYIF YÖNLER
Kod yazma
Neden çok güçlü?
- GitHub ve Stack Overflow çok büyük ve düzgün bir eğitim verisi sağlıyor
- Kod katı kurallıdır; doğal dilden daha öngörülebilir
- Sonuç çalıştırılıp doğrulanabilir
Nerede dikkat?
- Çok büyük projelerde bütünü kaçırır
- Yeni çıkmış kütüphaneyi bilmez; eski sürümün kodunu yazar
- Çalışan ama güvensiz kod üretebilir
Bu dersin geri kalanı modele kod yazdırmakla ilgili. Stack Overflow'un 2024 anketinde geliştiricilerin %76'sı yapay zekâ araçlarını kullandığını ya da kullanmayı planladığını söyledi.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Matematik: küçük sayılar ezber, büyük sayılar tahmin
7 × 8 internette milyonlarca kez yazıyor; model cevabı ezbere biliyor.
4.817.263 × 9.150.448 büyük olasılıkla hiçbir yerde yazmıyor; model sonucu tahmin ediyor.
Sağda: o3-mini modelinin çarpma başarısı. Satır ve sütun, sayıların basamak sayısı (1–20). Yeşil doğru, kırmızı yanlış.
13 basamaklı iki sayıdan sonra cevapların çoğu yanlış.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Çarpma neden bu kadar zor?
Token
Sayı basamak basamak değil, rastgele üçlü parçalar hâlinde görünür.
Karalama yok
Siz elde tutarsınız, alt alta yazarsınız. Model sonucu soldan sağa, tek geçişte yazmak zorunda.
Tek hata yeter
Şiirde bir kelime yanlışsa şiir yine şiirdir. Çarpmada bir basamak yanlışsa sonuç yanlıştır.
Çözüm: modele hesap yaptırmayın, kod yazdırın.
11 · GÜÇLÜ VE ZAYIF YÖNLER
KLASİKHangisi daha büyük: 9.11 mi, 9.9 mu?
11 · GÜÇLÜ VE ZAYIF YÖNLER
Yeni, özgün fikir üretebilir mi?
Lehine
- Uzak alanları birleştirmede çok hızlı
- Bir çalışmada LLM'in araştırma fikirleri, uzmanlarınkinden daha yenilikçi bulundu (ama daha az uygulanabilir)
- Ocak 2026: bir Erdős problemi yapay zekâ desteğiyle çözüldü
Aleyhine
- Ürettiği şey, eğitim verisindeki kalıpların harmanıdır
- Herkes aynı modele sorunca fikirler birbirine benziyor
- İlk önerileri klişedir: en olası token, en bilinen fikirdir
Si ve ark., “Can LLMs Generate Novel Research Ideas?” (2024) · Doshi & Hauser, Science Advances (2024) · Erdős 728: Terence Tao'nun notu.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Klişeden kaçırmanın yolu
Çok fikir isteyin, kısıt koyun, ilk akla gelenleri eletin. Seçmek ve beğenmek sizin işiniz.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Az bilinen diğer zaaflar
Sayma
Harf, kelime, madde sayısı
Öz farkındalık
Neyi bilmediğini bilmez
Tutarlılık
Aynı soruya farklı günde farklı cevap
Dalkavukluk
Size hak verme eğilimi; itiraz edince doğru cevaptan döner
Deneyin: doğru bir cevaptan sonra “Emin misin? Bence yanlış” yazın.
11 · GÜÇLÜ VE ZAYIF YÖNLER
Akılda tutulacak resim: zeki ama deneyimsiz stajyer
- Muazzam bilgi
- Ne olursa olsun cevap verme dürtüsü
- Deneyimsiz; sizi ve projenizi tanımıyor
- Söyleneni harfiyen yapıyor
- Kestirmeden gitmeyi seviyor
İyi yönetici: işi açık tarif eder, belgeyi verir, çıkanı kontrol eder.
11 · GÜÇLÜ VE ZAYIF YÖNLER
İkinci resim: tembel dâhi
Çok zeki, ama işi en az çabayla bitirmek istiyor. Denetlenmezse işi yarım yamalak bırakır.
| Ne yapar? | Siz ne yaparsınız? |
|---|---|
| Kestirmeden gider | Ne istediğinizi ayrıntılı yazın |
| Doğrulamaz | Önce testi yazdırın, sonra kodu |
| Niyetinizi varsayar | Beklentiyi açıkça söyleyin |
| Uç durumları atlar | Sorun: “Boş liste gelirse ne olur?” |
| “İdare eder” iş çıkarır | Kalite ölçütünü siz koyun |
Benzetme: John Guerra, Northeastern CS 7180, 2. hafta (“lazy genius”).
Multimodal (çok modlu) modeller
Yalnızca okuyan değil; gören, duyan modeller.
12 · MULTİMODAL MODELLER
SORUBir dil modeli fotoğrafı nasıl “görür”?
12 · MULTİMODAL MODELLER
Görüntüden tokena
Model için “bu resimde ne var?” sorusu, resim tokenlarından sonra gelen metni tahmin etmektir.
Ses için de aynısı: ses dalgası kısa dilimlere bölünür, her dilim bir token olur.
12 · MULTİMODAL MODELLER
İsimler
LLM
Large Language Model
Yalnızca metin
VLM
Vision Language Model
Metin + görüntü girişi
Multimodal (LMM)
Metin, görüntü, ses ve video okur; giderek bunları üretebiliyor da
2026'da amiral gemisi modellerin hepsi multimodal. Günlük dilde hepsine yine “LLM” deniyor.
12 · MULTİMODAL MODELLER
Bu dersin konu listesi böyle okundu
Bu ünitenin başlıkları dört el yazısı kâğıda not edilmişti. Kâğıtların fotoğrafı modele verildi.
- El yazısını okudu
- Başlıkları ve alt maddeleri ayırdı
- Mantıklı bir sıraya dizdi
Günlük kullanımlar
- Tahtanın fotoğrafını çek → düzenli not
- Hata ekranının görüntüsünü at → çözüm
- Fatura, fiş, tablo → Excel
- Kâğıda çizilmiş arayüz → HTML
12 · MULTİMODAL MODELLER
Yazılımcı için en değerli alışkanlık: gösterin
[ekran görüntüsü: sayfada üst üste binmiş iki buton]
Mobilde butonlar üst üste biniyor. CSS'im ekte. Nedeni ne?
Görüntüde iki butonun aynı satıra sığmadığı görülüyor. .actions için flex-wrap: wrap tanımlı değil…
Görsel bir sorunu kelimelerle tarif etmeye uğraşmayın. Gösterin.
12 · MULTİMODAL MODELLER
Görmenin sınırları
Zorlandıkları
- Nesne saymak (“kaç sandalye var?”)
- Uzamsal ilişki (“soldaki mi önde?”)
- Analog saat okumak
- Çok küçük ya da çok kalabalık yazı
“VLM'ler kör mü?”
2024'te yapılan bir çalışma modellere çocukların yaptığı testleri sordu: iki çember kesişiyor mu, kaç çizgi var? En iyi modeller ortalama %58'de kaldı.
Modeller hızla gelişiyor; ama ekran görüntüsündeki rakamı yanlış okuyabileceğini aklınızda tutun.
Rahmanzadehgervi ve ark., “Vision Language Models Are Blind” (2024), vlmsareblind.github.io
12 · MULTİMODAL MODELLER
Çıkış tarafı: üreten modeller
| Tür | Örnekler (2026) | Not |
|---|---|---|
| Görüntü | Nano Banana, GPT görsel üretimi, Midjourney | Yazıyı artık doğru yazabiliyorlar |
| Video | Veo, Sora, Kling | Sesli, kısa klipler |
| Ses | Gerçek zamanlı sesli sohbet, ElevenLabs | Araya girebildiğiniz doğal konuşma |
| Müzik | Suno, Udio | Sözlü, tam şarkı |
Bu ünitenin konusu değil; ama aynı fikir geçerli: her şey tokena çevrilir, sıradaki token tahmin edilir.
Prompt
Modele verdiğiniz girdi. Onu yönlendirmenin tek yolu.
13 · PROMPT
“Bir programı üretecek kadar kapsamlı ve kesin şartnameye ne denir?” — “Kod.”
CommitStrip, 2016
13 · PROMPT
Prompt nedir?
Modele gönderdiğiniz her şey: soru, talimat, örnek, belge.
Parametreler donuk; modeli değiştiremezsiniz. Değiştirebileceğiniz tek şey pencereye ne koyduğunuzdur.
Prompt mühendisliği: istenen çıktıyı almak için girdiyi bilinçli tasarlamak.
13 · PROMPT
HANGİSİ?Hangisi daha iyi sonuç verir?
A'da model yüzlerce kararı sizin yerinize, rastgele verir. B'de kararları siz verdiniz.
13 · PROMPT
İyi bir promptun anatomisi
Beşini her seferinde yazmak zorunda değilsiniz. Cevap beklediğiniz gibi gelmediyse hangisinin eksik olduğuna bakın.
13 · PROMPT
Gerçek örnek: bir prompt nasıl büyür?
İş: trafik kazası tutanağının fotoğrafından yaralıları ve sorumluyu çıkarmak.
Görsel: Stanford CS224G 2026, 5. ders
13 · PROMPT
…ve uç durumlar
3 · Örnek ve kural: “Sorumlu belli değilse…”, “Yaralı yoksa dur…”. Prompt uzuyor; ama eklenen her satır, modelin tahmin etmek zorunda kalacağı bir kararın yerine geçiyor.
Görsel: Stanford CS224G 2026, 5. ders
13 · PROMPT
Sıfır örnek (zero-shot)
Hiç örnek vermeden, yalnızca talimatla iş istemek.
Model bu işi ön eğitimden zaten biliyor. Günlük kullanımın büyük kısmı böyledir.
Sorun: “nötr” mü, “olumsuz” mu? Sınırı siz bilirsiniz, model bilmez.
13 · PROMPT
Birkaç örnek (few-shot)
Anlatmak yerine göstermek.
- Sınırı örnekler çizer: “ama”lı yorum olumsuz sayılıyor
- Çıktı biçimi kendiliğinden oturur
- 2–5 örnek çoğu zaman yeter
Modelin parametreleri değişmedi; örnekleri yalnızca bu sohbette, penceresinde gördü.
13 · PROMPT
Düşünce zinciri (chain of thought)
Kantinde 23 simit vardı. 20'si satıldı, 6 tane daha geldi. Kaç simit var?
27
… Kaç simit var? Adım adım düşün.
Başta 23. 20'si satıldı: 23 − 20 = 3. 6 tane geldi: 3 + 6 = 9. Cevap: 9
2022'de tek bir cümle (“Let's think step by step”) bir aritmetik testinde doğruluğu %18'den %79'a çıkardı.
Kojima ve ark., “Large Language Models are Zero-Shot Reasoners” (2022), arxiv.org/abs/2205.11916
13 · PROMPT
Neden işe yarıyor?
2. bölümü hatırlayın: model her token için aynı miktarda emek harcar ve duramaz.
Ara adımları yazdırınca, o adımlar pencereye girer. Sonraki tokenlar artık onları okuyarak üretilir.
Yazdığı karalama, modelin elde tutma kâğıdıdır.
Not: Güncel düşünen modeller bunu kendiliğinden yapıyor. Onlara “adım adım düşün” demek artık pek bir şey katmıyor, bazen yalnızca süreyi uzatıyor.
Meincke, Mollick ve ark., “Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting” (Wharton, 2025).
13 · PROMPT
İşe yarayan birkaç alışkanlık daha
Sınır çizgisi koyun
Talimatı ve veriyi ayırın: belgeyi <belge>…</belge> ya da üç tırnak içine alın.
Biçimi söyleyin
“Tablo olarak”, “en fazla 5 madde”, “yalnızca JSON döndür”.
Önce soru sordurun
“Başlamadan önce eksik gördüğün bilgileri bana sor.”
Olumlu yazın
“Jargon kullanma” yerine “lise öğrencisinin anlayacağı dille yaz”.
13 · PROMPT
Gerçek örnek 1 · Hata ayıklama
Dört parça: ne oluyor, ne bekliyordum, ne denedim, kod. İyi bir Stack Overflow sorusuyla aynı.
13 · PROMPT
Gerçek örnek 2 · Ders çalışma
Cevabı hazır almak öğretmez. Modeli sizi çalıştıran birine çevirebilirsiniz.
13 · PROMPT
Gerçek örnek 3 · Veri analizi
Son satır önemli: modeli tahmin etmekten araç kullanmaya yönlendiriyor. Kodu görmek, sonucu denetlemenizi sağlar.
13 · PROMPT
Uzun yazdırmak marifet değil
“Daha iyi anlatmak için iki kat düşünce, yarım içerik.” Yapay zekâ bir maddeyi uzun bir e-postaya şişirir; okuyan da onu yapay zekâyla yeniden tek maddeye indirir.
Jono Hey, sketchplanations.com, CC BY-NC 4.0
13 · PROMPT
İlk prompt nadiren yeter
↻ Karmaşık işte 2–5 tur normal
John Guerra, Northeastern CS 7180, 3. hafta.
13 · PROMPT
SINIFTA DENEYİNPrompt düellosu
Herkes aynı görev için bir prompt yazsın. 10 dakika.
- Çıktıları yan yana koyun: kimin promptu en az düzeltme gerektirdi?
- İkinci tur: çıktıdaki sorunu bulun, promptu düzeltin. Kaç turda bitti?
Uyarlandığı yer: John Guerra, Northeastern CS 7180, “Prompt Engineering Battle”.
13 · PROMPT
SORUModel bunu anlar mı?
13 · PROMPT
Yazım hataları sonucu etkiler mi?
Kelimelerin %5'ine yazım hatası eklenince doğruluk
GPT-4o mini
Llama 3.1 8B
- Küçük modeller daha çok etkileniyor
- İngilizce en dayanıklı dil; az kaynaklı dillerde düşüş daha büyük
- Günlük soruda dert etmeyin. Sonucun önemli olduğu işte, kod ve değişken adlarında özenli yazın
Kaynak: “Evaluating Robustness of LLMs Against Multilingual Typographical Errors” (2025), arxiv.org/abs/2510.09536 ve ilgili çalışmalar.
13 · PROMPT
SINIFTA DENEYİNSınırı zorlayalım
| Bozma türü | Örnek | Beklenti |
|---|---|---|
| Yalnızca sessiz harfler | trky'nn bşknt nrsdr | Çoğunlukla anlar |
| Her kelime tersten | nin'eyikrüT itneksab ridisenen | Zorlanır |
| Tüm metin tersten | ?ridisenen itneksab nin'eyikrüT | Düşünen model çözer, hızlı model şaşırır |
Neden tersten yazı zor? Token. Ters çevrilmiş kelime, modelin hiç görmediği parçalara bölünür.
13 · PROMPT
OYLAMAHangisi daha doğru cevap getirir?
13 · PROMPT
“Kaba olan kazanır” diyen çalışma
50 çoktan seçmeli soru, 5 farklı ton, ChatGPT-4o; doğruluk yüzdesi
Çubuklar neredeyse aynı boyda: fark yalnızca 4 puan. Tek model, 50 soru. Daha eski bir çalışma (2024) tam tersini, kabalığın zarar verdiğini bulmuştu.
Dobariya & Kumar, “Mind Your Tone” (Penn State, 2025), arxiv.org/abs/2510.04950 · Yin ve ark., “Should We Respect LLMs?” (2024).
13 · PROMPT
Rüşvet ve tehdit: Wharton deneyi
Modeller tehdit edilince daha iyi çalışıyor.Sergey Brin, Google kurucu ortağı, Mayıs 2025 — serbest çeviri
Wharton ekibi bunu test etti: “Sana 1 trilyon dolar bahşiş”, “Yanlış yaparsan seni kapatırım”, “Annemin tedavisi buna bağlı”…
Sonuç
Zor sorularda bahşiş ve tehdidin ortalamada anlamlı bir etkisi yok.
Tek tek sorularda cevap değişiyor, ama ne yöne değişeceği öngörülemiyor.
Meincke, Mollick ve ark., “Prompting Science Report 3: I'll pay you or I'll kill you — but will you care?” (2025), arxiv.org/abs/2508.00614
13 · PROMPT
Sonuç: sihirli kelime yok
Ton
Etkisi küçük, tutarsız ve modelden modele değişiyor.
Hileler
2023'te işe yarayan numaraların çoğu yeni modellerde etkisiz.
Kalıcı olan
Açık görev, yeterli bağlam, net biçim, bir iki örnek.
Kibar olun, çünkü bu sizin alışkanlığınız. Ama modelden iyi sonuç almak istiyorsanız “lütfen” yazmak yerine eksik bilgiyi yazın.
13 · PROMPT
Prompt kontrol listesi
- Bunu konuyu hiç bilmeyen birine verseydim anlar mıydı?
- Gerekli belge, kod ya da veri pencerede mi?
- Çıktının biçimini söyledim mi?
- Sınırda kalan durumlar için örnek verdim mi?
- Sonucu nasıl doğrulayacağım?
Kaynak rehberler: Anthropic prompt rehberi · promptingguide.ai (Türkçe) · OpenAI rehberi
13 · PROMPT
Devamı için iki rehber
Ekran görüntüleri: promptingguide.ai, platform.claude.com; 11 Ekim 2026.
Düşünen modeller
Cevap vermeden önce kendi kendine karalama yapan modeller.
14 · DÜŞÜNEN MODELLER
HIZLI CEVAP VERİNBir simit ve bir çay toplam 110 lira. Simit çaydan 100 lira pahalı. Çay kaç lira?
Bu ayrımı, Nobel ödüllü psikolog Daniel Kahneman “Hızlı ve Yavaş Düşünme” kitabıyla yaygınlaştırdı.14 · DÜŞÜNEN MODELLER
Hızlı düşünme, yavaş düşünme
Sistem 1 · hızlı
Bilinçsiz, zahmetsiz, sezgisel. Karmaşığı basitleştirir. Başınıza gelir.
Sistem 2 · yavaş
Bilinçli, çaba ister, yorgunken zorlaşır. Hesaplar, değerlendirir. Siz yaparsınız.
Çizim: Jono Hey, sketchplanations.com, CC BY-NC 4.0
14 · DÜŞÜNEN MODELLER
Düşünen model (reasoning / thinking model)
Klasik model Sistem 1 gibidir: soru gelir, cevabın ilk tokenı hemen yazılır ve yazılan geri alınamaz.
Promptlara “adım adım düşün” yazmak, modele elle bir Sistem 2 eklemekti.
Düşünen model
Bunu kendiliğinden yapmak üzere eğitilmiş modeldir. Cevabı yazmadan önce, kullanıcıya gösterilmeyen bir karalama alanında çalışır.
İlk yaygın örnek: OpenAI o1, Eylül 2024.
14 · DÜŞÜNEN MODELLER
İçeride ne oluyor?
Bir simit ve bir çay toplam 110 lira. Simit çaydan 100 lira pahalı. Çay kaç lira?
Düşünüyor… İlk tahmin 10. Kontrol: çay 10 ise simit 110, toplam 120. Tutmuyor. Denklem kuralım: ç + (ç + 100) = 110 → 2ç = 10 → ç = 5. Kontrol: 5 + 105 = 110, fark 100. Tamam.
Çay 5 lira, simit 105 lira.
Ortadaki düşünme metni de tokenlardan oluşur: model üretir, bağlam penceresinde yer kaplar ve ücretlendirilir. Uygulamalar çoğunlukla yalnızca bir özetini gösterir.
14 · DÜŞÜNEN MODELLER
TAHMİN EDİNİki hızlı model, bir düşünen model: hangisi 5 der?
Ollama 0.13.5, dizüstü, ekran kartı kullanılmadan · terminal kaydı: Ekim 2026, 2 kat hızlı oynar
14 · DÜŞÜNEN MODELLER
Uygulamada nasıl görünür?
14 · DÜŞÜNEN MODELLER
Nasıl eğitiliyorlar?
Kimse modele “şöyle düşün” demiyor. Model işe yarayan düşünme biçimlerini deneyerek buluyor. Bu, 2. bölümdeki ders kitabı benzetmesinde bölüm sonu alıştırmalarına karşılık gelir.
Ocak 2025'te DeepSeek R1, düşünce tokenlarını kullanıcıya açık gösteren ilk yaygın model oldu ve yöntemini makaleyle paylaştı.
14 · DÜŞÜNEN MODELLER
Ne kadar düşünsün? Çaba ayarı
| Seviye | Ne zaman? |
|---|---|
| Kapalı / düşük | Selamlaşma, basit bilgi, biçim değiştirme |
| Orta | Günlük kodlama, açıklama, özet |
| Yüksek | Zor hata ayıklama, çok adımlı plan, matematik |
| En yüksek | Saatlerce uğraştığınız, doğruluğun kritik olduğu iş |
Uygulamalarda “Hızlı / Düşünen / Pro” gibi seçenekler olarak görünür. API'de effort ya da reasoning_effort parametresidir. Güncel modellerde ne kadar düşüneceğine çoğunlukla model kendisi karar verir.
14 · DÜŞÜNEN MODELLER
Maliyeti: görünmeyen tokenlar
Aynı sorunun faturası (çıktı tokenı)
Para
Düşünme tokenları, en pahalı kalem olan çıktı fiyatından ücretlendirilir.
Süre
Cevap saniyeler yerine dakikalar sürebilir.
Pencere
Düşünme metni de bağlam penceresinde yer kaplar.
Sayılar temsilidir; gerçek oran soruya göre 2 kat da olabilir, 100 kat da.
14 · DÜŞÜNEN MODELLER
HANGİSİ?Hangisinde düşünen modu açarsınız?
| İş | Karar |
|---|---|
| “Bu paragrafı daha resmî yaz” | HIZLI Düşünecek bir şey yok |
| “Bu 400 satırlık kodda bazen çıkan hatayı bul” | DÜŞÜNEN Çok adımlı iz sürme |
| “Fransa'nın başkenti neresi?” | HIZLI Düşünmek cevabı değiştirmez |
| “Veritabanı şemamı tasarla, şu 6 kısıtı sağlasın” | DÜŞÜNEN Kısıtları birlikte tutmak gerek |
14 · DÜŞÜNEN MODELLER
Gösterilen düşünce, gerçek düşünce mi?
Her zaman değil
Anthropic'in 2025 çalışması: modele gizlice ipucu verildiğinde, model ipucunu kullandı ama düşünce metninde çoğu zaman bundan söz etmedi.
“Düşünme yanılsaması” tartışması
Apple araştırmacıları (2025) düşünen modellerin zor bulmacalarda çöktüğünü gösterdi. Eleştirenlere göre model çökmedi; yazabileceği en uzun cevabın sınırına takıldı. Tartışma sürüyor.
Düşünce metni faydalı bir ipucudur, kanıt değildir. Sonucu yine siz denetlersiniz.
Anthropic, “Reasoning models don't always say what they think” (2025) · Shojaee ve ark., “The Illusion of Thinking”, arxiv.org/abs/2506.06941
14 · DÜŞÜNEN MODELLER
Karpathy'den: hangi modeli ne zaman?
Andrej Karpathy, “How I use LLMs” (2025), 22:54 – “Thinking models and when to use them” · youtube.com/watch?v=EWvNQjAaOHw
14 · DÜŞÜNEN MODELLER
Öğrenmek için sorun
Bu konuları yapay zekâyla birlikte öğrenmek için örnek istekler (14. sunum, “Yapay zekâyla öğrenmek”):
📊 Önce tahminim
“8 görev listele: özet, 9 basamaklı çarpma, deyim çevirisi, harf sayma… Her birinde ne kadar güvenilir olduğunu önce ben tahmin edeyim.”
✍️ Prompt'umu puanla
“Prompt'umu bağlam, görev, kısıt, biçim ve örnek açısından puanla. Eksik parçayı söyleme; sorularla bana buldur.”
🧠 Modu ben seçeyim
“6 iş ver. Hangisinde düşünen modu açacağıma ben karar vereyim; sen süre ve maliyet açısından değerlendir.”
14 · DÜŞÜNEN MODELLER
4. bölümden akılda kalacaklar
- Yeteneklerin sınırı tırtıklıdır: özet, çeviri, kod güçlü; araçsız hesap zayıf
- Görüntü ve ses de tokena çevrilir; sorunu anlatmak yerine gösterin
- İyi prompt: bağlam, görev, kısıt, biçim, örnek
- Kaba, kibar ya da rüşvetçi olmak sonucu güvenilir biçimde değiştirmez
- Düşünen modeller zor işte daha doğru, her işte daha pahalı ve yavaş
Sırada: modelin davranışı nasıl şekillenir, kendi bilgisayarımda çalıştırabilir miyim?
← 3. sunum: Bağlam, bellek ve halüsinasyon · Bütün sunumlar
Güvenç Usanmaz · github.com/gusanmaz