2026'da Açık Yapay Zekâ Modelleri: DeepSeek, Qwen ve Kimi'yi Anlamak

“Açık yapay zekâ modeli” ne anlama gelir?

“Açık” bir güvence değil, bir tanımlamalar ailesidir. Açık ağırlıklı bir sürüm, bir modelin eğitim sonunda ortaya çıkan nihai parametrelerini paylaşır; başkaları da lisans izin verdiğinde bu parametrelerle ince ayar yapabilir, modeli uyarlayabilir veya dağıtabilir. ^[4] Açık kaynak yapay zekâ sistemi ise daha güçlü bir iddiadır. Open Source Initiative'in tanımı, OSI onaylı koşullar altında üç unsuru şart koşar: yetkin bir kişinin büyük ölçüde eşdeğer bir sistem kurabileceği kadar ayrıntılı veri bilgileri, sistemi eğitmek ve çalıştırmak için kullanılan eksiksiz kaynak kodu ve model parametreleri. ^[1]

Bu ayrım gerçek tercihleri etkiler. Ağırlıklar erişilebilirken eğitim verisi ve eğitim kodu erişilebilir olmayabilir. Open Source Initiative'in açık ağırlıklara ilişkin açıklayıcı yazısı, bunların açık kaynak yapay zekâdan farklı olduğunu, çünkü eğitim kodunu veya eğitim veri kümesini ya da hukuken paylaşılamadığı durumlarda bu veri kümesine ilişkin kapsamlı ayrıntıları içermediklerini söylüyor; bunlar olmadan eğitim sürecini tekrarlamak veya denetlemek güçtür. ^[4] Dolayısıyla bir model yerel olarak dağıtılabilir olup tümüyle yeniden üretilebilir olmayabilir veya ağırlıkları belirli kullanımları kısıtlayan koşullar altında sunulabilir.

Bir sürümü seçmeden önce dört soru sorun: Tam olarak o ağırlıklar elde edilebiliyor mu? Hangi lisans geçerli? Seçilen biçimi hangi çalışma ortamı ve donanım yükleyebilir? Önem taşıyan görev için hangi kanıtlar var? “Açık kaynak” bir performans notu, bir gizlilik güvencesi veya modelin bir dizüstü bilgisayara sığacağının vaadi değildir.

Aşağıdaki bölümler, kanıt ağırlıklarla ilgili olduğunda “açık ağırlıklı” ifadesini kullanıyor ve “açık kaynak yapay zekâ” ifadesini daha güçlü, sistem düzeyindeki anlam için saklıyor. Böylece yararlı bir teknik ayrımın pazarlama kısaltmasına dönüşmesi önleniyor.

DeepSeek V4 hakkında neler doğrulanmış durumda?

DeepSeek'in Transparency Center sayfası, DeepSeek-V4'ü 24 Nisan 2026 yayım tarihiyle listeliyor ve bir model kartı ile teknik rapora bağlantı veriyor. ^[2] Resmî değişiklik günlüğü, API'nin 24 Nisan 2026'dan itibaren V4-Pro ve V4-Flash'ı desteklediğini söylüyor. 10 Eylül 2026 tarihli kayıt, V4 Flash'ın kullanımdan kaldırıldığını ve API adının geçici olarak V4.1 Flash'a yönlendirildiğini belirtiyor; 11 Kasım 2026 itibarıyla en son kayıt olan 17 Ekim 2026 tarihli kayıt ise bu modeli V4.1-Flash-1017'ye yükseltiyor. ^[6] Bu ifadeler, model ailesi sürümlerini ve API'nin evrimini ortaya koyuyor; her V4 varyantının aynı ağırlıklara, lisansa, fiyata veya yerel dağıtım gereksinimlerine sahip olduğu anlamına gelmiyor.

DeepSeek'in 24 Nisan 2026 tarihli duyurusu, V4 Preview'u “açık kaynak hâline getirilmiş” diye nitelendirdi, Hugging Face üzerindeki açık ağırlıklarına bağlantı verdi ve V4-Pro'yu 1.6T toplam parametre ile 49B etkin parametreye, V4-Flash'ı ise 284B toplam parametre ile 13B etkin parametreye sahip olarak tanımladı. ^[7] “Açık kaynak hâline getirilmiş” şirketin kendi ifadesidir; belirli bir V4 sürümünün OSI tanımını karşılayıp karşılamadığı, deposunun ve lisansının gerçekte ne sunduğuna bağlıdır. Bu ölçekler önemlidir: Bir modelin token başına etkin parametre sayısı toplam parametre sayısından az olabilir ve model yine de kayda değer bir altyapıya ve model dosyalarına ihtiyaç duyabilir. Bir API modelinin kişisel bir bilgisayarda rahatça çalıştırılabileceği sonucunu çıkarmayın.

Bir geliştirici olarak API model adını indirilmiş bir checkpoint'ten ayırt edin. DeepSeek'in belgeleri API adlarını ve uyumluluk yönlendirmesini açıklıyor; büyük bir sürümü doğrulamak ve kartını bulmak için uygun yer ise Transparency Center'dır. ^[2][6] Yerel bir dağıtım için, bir API adından tahmin yürütmek yerine ilgili model kartını, ağırlık kaynağını, lisansı ve desteklenen çalışma ortamını esas alın.

Genel okur için DeepSeek'i bir aile olarak anlamak yararlıdır: Birbiriyle ilişkili adlar altında büyük, barındırılan ve yerel kullanıma yönelik seçenekler bulunabilir. Pratikteki tercih, bir marka etiketine bağlılık değil, tam olarak hangi sürümün ve hangi sunum yönteminin seçileceğidir.

Qwen3.8 ile Kimi K3.1 Pro arasındaki fark nedir?

Qwen3.8-27B, resmî kartında 27B dil modeli parametresi ve Apache 2.0 lisansı belirtilen bir görü-dil modelidir; Hugging Face'in depoya ilişkin dosya özeti 28B parametrelik bir model boyutu gösteriyor. Kart, deponun eğitim sonrası aşamadan geçmiş modelin ağırlıklarını ve yapılandırma dosyalarını Transformers biçiminde içerdiğini söylüyor; Hugging Face sayfası ise llama.cpp, Ollama, LM Studio veya uyumlu herhangi bir uygulama için kuantize edilmiş sürümlere bağlantı veriyor. ^[3] Bu kuantize sürümler ayrı depolarda bulunuyor; bu nedenle her birini kimin yayımladığını kontrol edin. Bu durum, modeli ancak seçilen kuantizasyon, bağlam ve donanım birbirine uyduğunda makul bir yerel model adayı yapar.

Kimi K3.1 Pro ise ölçek ve lisans bakımından farklı bir konumdadır. Yayıncısının kartı onu açık ağırlıklı, çok kipli bir uzmanlar karışımı (mixture-of-experts) modeli olarak adlandırıyor, 2.8T toplam parametre ve 104B etkinleştirilmiş parametre belirtiyor ve Kimi'ye özgü bir lisansı anıyor. ^[5] Model teknik olarak erişilebilir olabilir, ama bu onu sıradan donanım için doğru yerel seçim yapmaz veya Apache lisanslı bir model gibi lisanslandığı anlamına gelmez.

Bu iki sürüm, parametre sayılarının tek başına “hangisi daha iyi” sorusunu neden yanıtlamadığını gösteriyor. Qwen'in 27B'lik ölçeğini uygun bir kuantizasyonla yerel olarak sınamak daha kolay olabilir. Kimi'nin çok daha büyük ölçeği, çok daha fazla belleğe ve dağıtım kapasitesine sahip altyapıları hedefliyor olabilir. Doğru karşılaştırma; görev, çıktı kalitesi, gecikme, maliyet, lisans ve donanım üzerinden yapılır; bir ailenin her kıyaslama testini kazandığı iddiası üzerinden değil.

Her iki kart da yayıncı bilgisidir. Kıyaslama testi iddiaları ve yetenek tanımları, değerlendirme için başlangıç noktaları olarak ele alınmalıdır; temsil edici istemlerin, dillerin ve hata durumlarının sınanmasının yerine konmamalıdır. Sonuçları ağır olabilecek kullanımlarda bir insan incelemesi adımını ve bağımsız bir kaynak doğrulama sürecini koruyun.

Hangi açık model ne için iyidir?

Yerel dağıtımı öğrenmek için, istenen dilin ve görevin üstesinden gelebilen, desteklenen en küçük modeli seçin ve ardından sınayın. Yönetilebilir boyutta, Qwen uyumlu bir kuantizasyon, çok daha büyük bir sürüme kıyasla daha pratik bir ilk deney olabilir. Hugging Face; LM Studio, Ollama, llama.cpp ve MLX LM dahil olmak üzere GGUF, MLX ve diğer biçimler için yerel uygulama yollarını belgeliyor. ^[8]

Barındırılan bir iş akışında bir API; ağırlıkları indirme, çalışma ortamı seçme ve donanımın bakımını yapma yükünü azaltabilir. Bu bir hizmet tercihidir, yerel gizlilik tercihi değildir. DeepSeek'in API belgeleri model adı değişikliklerini ve API sürümlerini gösteriyor; kullanıcılar hassas materyal göndermeden önce güncel hizmet koşullarını, fiyatlandırmayı ve verilerin nasıl işlendiğini kontrol etmelidir. ^[6]

Bir araştırma veya altyapı ekibi için çok büyük açık ağırlıklı sürümler; kontrollü biçimde kendi sunucularında barındırmayı, özel değerlendirmeyi veya uyarlamayı destekleyebilir. Bunlar operasyonel iş de getirir: ağırlıkları edinmek, çıkarım kapasitesini yönetmek, güvenlik güncellemelerini uygulamak, lisanslara uymak ve çıktı kalitesini izlemek. Kimi K3.1 Pro'nun boyutu, ağırlıkların erişilebilir olmasının bu maliyetleri ortadan kaldırmadığını gösteriyor. ^[5]

Çok kipli işlerde, her modelin görüntü, video veya belge kabul ettiğini varsaymak yerine ilgili model kartını doğrulayın. Qwen, Qwen3.8-27B'yi görü-dil modeli olarak tanımlıyor; Kimi'nin kartı ise metin ve görüntü kiplerini anlatıyor. ^[3][5] Bu, özellikle hassas bir alanda, belirli bir görüntü veya belge üzerindeki doğruluk hakkında tek başına hiçbir şey söylemez.

Gizlilik açısından hassas işlerde yerel çalıştırma, istemlerin barındırılan bir sağlayıcıyla paylaşılmasını azaltabilir; ancak bu kendiliğinden gizlilik demek değildir. Model indirmeleri, güncellemeler, yerel günlükler, yedekler, eklentiler ve ağa açık sunucular ayrı riskler olmayı sürdürür. Donanım ve gizlilik açısından ödünleşimlerin tamamı için sitenin yerel yapay zekâ rehberine bakın.

Açık ağırlıklı bir modeli nasıl değerlendirmelisiniz?

Önce model kartını okuyun. Yayıncıyı, model revizyonunu, lisansı, amaçlanan görevi, mimariyi, kipleri, bilinen sınırlamaları ve desteklenen dağıtım biçimlerini doğrulayın. Kart bir doğruluk sertifikası değildir, ancak yayıncının neyin yayımlandığını söylediğine ilişkin en doğrudan kaynaktır. ^[2][3][5]

Ardından gerçekçi tek bir test kümesi seçin. Beklenen olguları bilinen, zor uç durumları ve hedeflenen dili içeren, temsil edici istemlerden oluşan küçük bir küme kullanın. Çıktıları doğruluk, eksiksizlik, tutarlılık ve zararlı aşırı özgüven açısından karşılaştırın. Bir modeli yalnızca cilalı bir ilk yanıta veya tek bir kamuya açık kıyaslama testine bakarak yargılamayın.

Ortamı tam olarak kaydedin: model revizyonu, kuantizasyon, bağlam sınırı, çalışma ortamı, donanım, istem yazımı ve araç erişimi. Bu değişkenler farklı olduğunda iki kullanıcı aynı adı taşıyan modelden farklı sonuçlar alabilir. Bu kayıt, yararlı bir yapılandırmayı yeniden üretmeyi veya kötü bir yanıtı araştırmayı da mümkün kılar.

Kişisel denemelerin ötesinde bir dağıtım yapmadan önce lisansı kontrol edin. OSI tanımı, açık kaynak yapay zekânın ağırlıklardan fazlasını kapsadığını açıklıyor; OSI'nin açık ağırlıklara ilişkin açıklayıcı yazısı da tek başına ağırlıkların, bir sistemi tümüyle kullanmak, incelemek, değiştirmek ve paylaşmak için gerekenlerin gerisinde kaldığını söylüyor. ^[1][4] Ticari kullanım, yeniden dağıtım, ince ayar, barındırılan hizmet olarak kullanım ve atıf farklı koşullara tabi olabilir.

Son olarak, çıktı sınırını uygulayın. Açık bir model taslak hazırlayabilir, çeviri yapabilir, sınıflandırabilir veya bilgiyi keşfetmeye yardımcı olabilir. Bağımsız ve güncel kanıtlar ile uygun mesleki muhakeme olmadan hukuki, finansal, tıbbi, emniyet veya güvenlik kararlarında nihai merci olmamalıdır.

Açık bir modeli kafa karışıklığı yaşamadan yerel olarak nasıl çalıştırırsınız?

Bir model dosyasını indirmeden önce çalışma ortamını seçin. Hugging Face uyumlu yerel uygulamaları ve biçimleri listeliyor: Örneğin LM Studio GGUF ve MLX modellerini, Ollama GGUF'u, MLX LM ise MLX metin üretme modellerini destekliyor. ^[8] Yanlış biçimdeki bir model dosyası yararlı bir indirme değildir.

Resmî bir yayıncı sayfasından veya köklü bir model barındırma platformundan başlayın, ardından bilgisayara uyan bir biçim seçin. Qwen3.8-27B'nin Hugging Face sayfası kuantize edilmiş sürümlere bağlantı veriyor; temel 27B sürümü ise kendi başına her cihazın her sürümü yükleyebileceği iddiası değildir. ^[3] Bir modelin diskteki boyutunu toplam gereksinim saymak yerine, işletim sistemi ve bağlam için bellek payı bırakın.

İlk sunucuyu aynı bilgisayarda yerel tutun ve zararsız verilerle sınayın. Yerel bir model uç noktasını, yalnızca başka bir cihazdan kullanmak için genel internete açmayın. Sonradan bir ağ hizmeti gerekirse kimlik doğrulama kullanın, çalışma ortamını yamalayın ve ona kimlerin istem gönderebildiğini anlayın.

Yapılandırmalar için sürüm kontrolü kullanın ve model lisansının bir kaydını tutun. Yerel bir modeli çalıştırmak teknik olarak kolay olabilir, ama model planlanan bir hizmet için hukuken uygun olmayabilir; tersi de mümkündür. Düzenli bir deney, kaynağı belirsiz devasa dosyaları tekrar tekrar indirmekten daha güvenli ve daha yararlıdır.

Bir model iyi yanıt veremediğinde her seferinde tek bir değişkeni değiştirin: daha küçük bir bağlam, farklı bir kuantizasyon, farklı bir çalışma ortamı veya görevle daha uyumlu bir model. Daha büyük bir parametre sayısı tek çare değildir.

Okurlar 2026 boyunca açık modellerde neleri izlemeli?

Sürümün kimliğini dikkatle izleyin. DeepSeek'in resmî sayfaları V4, V4-Pro, V4-Flash ve V4.1-Flash API değişikliklerini birbirinden ayırıyor. ^[2][6] “DeepSeek V4” diyen bir manşet, okurun kullanmayı düşündüğünden farklı bir modele veya sunum yoluna işaret ediyor olabilir.

Lisansları ve dağıtım ayrıntılarını, yetenekler kadar yakından izleyin. Qwen3.8-27B'nin kamuya açık sayfası Apache 2.0'ı, Kimi K3.1 Pro ise Kimi'ye özgü bir lisansı belirtiyor. ^[3][5] Bu etiketler gerçek depolarda okunmalıdır, çünkü bir temel modelin, bir topluluk kuantizasyonunun ve bir türev modelin belgeleri farklı olabilir.

Görevle örtüşen kanıtları izleyin. Bir kodlama kıyaslama testi belge anlama konusunu, uzun bağlam iddiası olgusal doğruluğu, bir modelin görüntü desteği de görüntülerdeki güvenilirliği karara bağlamaz. Açık sürümler sınamayı ve uyarlamayı kolaylaştırır, ama değerlendirme ihtiyacını ortadan kaldırmaz.

Sürüm notlarının yanı sıra operasyonel değişiklikleri de izleyin. DeepSeek'in V4 değişiklik günlüğünün gösterdiği gibi, barındırılan API'ler uç noktaları yeniden adlandırabilir, yönlendirebilir veya kullanımdan kaldırabilir. ^[6] Bir API'ye bağımlı olan bir ekip, üretim ortamında kullanmadan önce yerine gelen her modeli sınamalı ve bir yedek süreci hazır tutmalıdır. Modeli kendi sunucularında barındıran bir ekip ise indirme bütünlüğünü, çalışma ortamı yükseltmelerini, depolamayı ve kapasiteyi planlamak zorundadır. Hiçbir yol kalıcı olarak bakım gerektirmez değildir. Yayına almadan önce geri alma planını yapın, izleme için bütçe ayırın ve her operasyonel görevin kime ait olduğunu belgeleyin.

Model kartı revizyonunu, başvurulan lisans metnini, çalışma ortamı sürümünü, değerlendirme istemlerini ve gözlemlenen hata biçimlerini içeren bir kanıt dosyası tutun. Bu, kişisel bir proje için mütevazı bir iştir; kurumsal kullanım için ise vazgeçilmezdir. Açık bir sürüme ilişkin çekici bir iddiayı tekrarlanabilir bir karara dönüştürür. Ayrıca modelin bir sınırlamasını kuantizasyondaki, istem tasarımındaki veya yerel yapılandırmadaki bir hatadan ayırt etmeye yardımcı olur.

Kalıcı tercih, soyut anlamda DeepSeek'e karşı Qwen'e karşı Kimi değildir. Tercih, kullanıcının sürdürebileceği bir dağıtım düzeni altında görevi karşılayan, en küçük, lisansı en açık ve yeteneği doğrulanabilir olan belirli modeldir.