Büyük Model mi, Küçük Model mi? Türkiye İçin Doğru Ölçek

Yapay zekâ haberlerini takip edenlerin kafasına kazınan bir denklem var: daha çok parametre = daha akıllı model. Bu denklem bir dereceye kadar doğru, ama bir yerden sonra yanıltıcı, hatta pahalı bir tuzağa dönüşüyor. Ve bu tuzağa en çok kaynağı kısıtlı ekosistemler düşüyor.

Bu yazıda o denklemi yeniden yazıyoruz. Büyük modeller ne zaman gerçekten gerekli? Küçük modeller nerede kazanıyor? Ve en önemlisi: Türkiye gibi hesaplama gücünde sınırsız yarışamayacak bir ülke için "doğru ölçek" nedir? Bu, sadece teknik değil, stratejik bir soru.

Önce tanım: SLM ve LLM

İkisi de dil modelidir fakat farkları boyutlarıdır. LLM (Büyük Dil Modeli), yüz milyarlarca parametreye ulaşan, her konuda genel yetenekli devasa modeldir. SLM (Küçük Dil Modeli) ise tipik olarak birkaç milyar parametreli, belirli işlere göre optimize edilmiş, kompakt bir modeldir. Küçük boyutu sayesinde hızlı çalışır, az işlem gücü ister ve kısıtlı donanımda bile çalışabilir.

Aklınızda kalsın: "Küçük" burada "zayıf" demek değil, "odaklı" demek. Bir SLM her şeyi biraz bilmek yerine, belirli bir işi çok iyi yapmak için tasarlanır.

Büyük model ne zaman kazanır?

Adil olalım: büyük modellerin gerçekten parladığı yerler var. Onları küçümsemek de en az abartmak kadar yanlış olur.

Genel akıl yürütme, açık uçlu ve öngörülemeyen sorular, geniş dünya bilgisi gerektiren işler, karmaşık ve çok adımlı yaratıcı görevler: bunlar hâlâ dev genel amaçlı modellerin (GPT, Gemini gibi aileler) alanı. Eğer ne soracağınızı önceden bilmiyorsanız ve tek bir modelin "her şeye" makul cevap vermesini istiyorsanız, büyük model doğru tercihtir. 2026'da bile bu modeller genel akıl yürütmede ağır sıklet olmayı sürdürüyor.

Küçük model ne zaman kazanır? (Sandığınızdan sık)

İşte çoğu insanın hafife aldığı taraf. Belirli bir iş söz konusu olduğunda, küçük ve o işe göre ince ayarlanmış bir model çoğu zaman büyük modeli birçok noktada geçer:

Rakamlar bu tabloyu destekliyor. Uç cihazlar için tasarlanmış küçük modeller, büyük modellerin yeteneğinin %80-90'ını tamamen cihaz üzerinde sunabiliyor. Dar görevlerde ince ayarlı küçük modeller, sadece komutla yönlendirilen (zero-shot) büyük modelleri geçebiliyor. Hatta çarpıcı bir örnek: 2026'da yayımlanan bir çalışmada, 2,6 milyar parametreli bir küçük model, 671 milyar parametreli devasa bir modeli alana özgü görevlerde geride bıraktı.

Ekonomi de küçüğü işaret ediyor: Üretim ortamlarında çalıştırma (inference) maliyeti artık eğitim maliyetini geçiyor. İşi buluttaki dev API'lerden cihaz/uç tarafındaki küçük modellere kaydırmak %90'ın üzerinde maliyet düşüşü sağlayabiliyor. Bir tahmine göre kurumlar, 2027'ye kadar göreve özel küçük modelleri genel büyük modellere kıyasla 3 kat daha fazla kullanacak.

Yan yana: hangi iş için hangisi?

Türkiye için doğru ölçek

Şimdi bu tabloyu Türkiye'nin gerçekleriyle üst üste koyalım. Ortaya çıkan sonuç net: Türkiye'nin stratejik noktası ölçeğin küçük/uzman tarafında.

Birincisi, hesaplama gerçeği. Türkiye ham hesaplama gücünde ABD ve Çin ile yarışabilecek konumda değil; veri merkezi hamlesi bile elektrik şebekesinin sınırlarına takılıyor. Dev modelleri sıfırdan eğitmek ve çalıştırmak, bu kısıt altında sürdürülebilir değil. İkincisi, ekonomi. Küçük modeller çok daha ucuz; kısıtlı bütçeyi verimli kullanmanın yolu onlardan geçiyor. Üçüncüsü, egemenlik ve gizlilik. Cihazda çalışan yerli bir küçük model, veriyi ülke içinde ve kurum içinde tutar; stratejik bağımsızlık tam da bu demek.

Bunun somut kanıtları şimdiden var. Türkiye'nin kendi modeli Kumru, 16 GB'lık mütevazı bir GPU'da yani bir kurumun kendi sunucusunda, veriyi dışarı vermeden çalışabiliyor. Ve LoRA gibi ince ayar teknikleri sayesinde, küçük bir modeli kendi işinize uyarlamak için milyon dolarlık altyapıya ihtiyacınız yok.

Cevap "ikisi birden", ama vurgu nerede?

Dürüst olmak gerekirse, "büyük mü küçük mü?" sorusunun 2026'daki gerçek cevabı "ikisi birden". Karmaşık uygulamalarda hibrit yaklaşım (genel işler için büyük, özel ve yoğun işler için küçük model) artık standart. Küçük modeller sekiz büyük kullanım senaryosunun altısında maliyet-verimlilik açısından öne geçse de, dev modeller genel akılda hâlâ vazgeçilmez.

Ama bir ekosistemin nereye yatırım yapacağı ayrı bir soru. Ve Türkiye için mantıklı vurgu belli: dev modelleri ithal edip kullanmaya devam ederken, asıl üretme, uzmanlaşma ve verimlilik yeteneğini küçük ve yerli modellerde geliştirmek. Kaldıraç orada.

Cebinizde taşıyacağınız kural: "Hangi model?" diye sormadan önce "hangi iş?" diye sorun. İş dar ve tekrarlıysa, gizlilik önemliyse, bütçe kısıtlıysa, küçük ve uzman model neredeyse her zaman doğru cevaptır. Büyük modeli, gerçekten genel zekâ gerektiğinde saklayın.

Bu, lleaderboard için ne anlama geliyor?

Bir liderlik tablosunun görevi "en büyük modeli" taçlandırmak değil, "hangi iş için hangi model?" sorusuna dürüst cevap vermektir. Bu yüzden lleaderboard'da bir modelin sadece skoru değil; boyutu, hızı, çalıştığı donanım ve verimliliği de önemli. Çünkü kaynağı kısıtlı bir ülke için "en yüksek puan" değil, "puan başına maliyet" asıl ölçüdür.

Türkçe küçük ve verimli modelleri görünür kılmak, onları büyük modellerle aynı terazide adilce tartmak topluluğun en pratik ihtiyacı. Ve belki de en güzel kısmı: küçük model dünyası, kişisel imkânlarla bile içine girilebilir bir dünya. Sıradaki yazıda tam da bunu yapacağız.

Yapay zekâ yarışı, her zaman en büyük çekici olanın kazandığı bir yarış değil. Çoğu zaman doğru aleti, doğru işe, en az israfla kullananın yarışı. Türkiye'nin şansı da tam olarak burada.

Kaynaklar

1. Introduction to Small Language Models: Complete Guide 2026 — MachineLearningMastery
2. Small vs Large Language Models: The 2026 Reality Check — Index.dev
3. Small Language Models on Edge Devices (2.6B vs 671B) — Renard Digital
4. Small Language Models are the Future of Agentic AI — arXiv
5. Small Language Models Business Guide: Gemma, Phi, Qwen — Digital Applied
6. Turkey's Data Center Push Meets the Limits of the Grid — BosphorusBits