Denedim. Ölçtüm. Not aldım.
Yerel modeller, donanım ve araçlar.
Küçük deneyler, gerçek ölçümler,
açık kalan sorular.
Aynı soruyu on kez sordum: sıcaklık 0’da bile cevap neden değişiyor?
Yerel Qwen’e aynı soruyu sıcaklık 0’da on kez sordum: tek başınayken on aynı cevap, kalabalıkta on farklı cevap. Tutarlılık doğruluk demek değil.
Model tablosundaki yüksek puan ezber olabilir mi?
Model tablosundaki yüksek puan ezberden gelebilir mi? GSM1k, LiveBench ve şık tahmini çalışmalarıyla bir benchmark sonucunu okurken baktığım beş şey.
Yapay zekâ doğru konuyu buldu, peki doğru belgeyi mi?
Belge aramada benzerlik, birebir kod ve sürüm filtresi ne zaman işe yarar? Temsili bir örnekle yanlış belgeyi bulmakla yanlış cevabı yazmayı ayırıyorum.
Yapay zekâya CSV vermeden önce: 1,25 hangi sütunda?
Yanlış ayırıcı 1,25’i iki sütuna bölebilir. Temsili bir CSV ile ondalık virgülü, ürün kodlarını ve eksik tutarları yapay zekâya vermeden önce nasıl kontrol ediyorum?
Bir görselde yapay zekâ izi yoksa gerçek mi? İçerik Kimlik Bilgileri neyi kanıtlar?
İmzalı bir görselin anlattığı olay doğru olmayabilir. C2PA ve İçerik Kimlik Bilgileri belgelerinden köken kaydını, imzayı ve doğruluk sınırını ayırıyorum.
Yapay zekâ ses kaydında olmayan sözler yazabilir mi?
Düzgün yazılmış bir ses dökümü, doğru tutanak demek değil. Whisper belgelerinden olmayan sözleri, zaman damgalarını ve dinleyerek kontrolün sınırlarını ayırıyorum.
Yapay zekâ PDF’yi gerçekten okudu mu? Metin, tarama ve tablo farkı
PDF yüklemek, her satırın doğru okunduğu anlamına gelmiyor. Metin katmanı, OCR ve tablo düzeni farkını resmî belgelerle ve pratik kontrollerle ayırıyorum.
Deep Blue: Kasparov'u Yenen Satranç Makinesinin Fikrini Kendi Bilgisayarımda Yazdım
Deep Blue’nun 1997 zaferini anlattım; fikrini Python motoruyla ölçtüm. Alfa-beta, Stockfish 19 ve Qwen satranç deneyi: gerçek istemler ve ham sonuçlar.
Yapay zekâ dedektöründe yüzde ne anlama geliyor?
“Yüzde 80 yapay zekâ” sonucu yazarlık kanıtı mı? Turnitin’in güncel kılavuzundan oranı, Türkçe desteğini ve yanlış işaretleme sınırlarını ayırıyorum.
Belgeyi okutmak mı, modeli eğitmek mi? Bağlam, RAG ve ince ayar farkı
PDF yüklemek modeli eğitmek mi? Bağlama belge koymak, arşivde arama yaptırmak ve ince ayar arasındaki farkı somut kullanım örnekleriyle ayırıyorum.
Model indirirken hangi dosyayı seçmeli? GGUF, safetensors ve Q4 ne demek?
GGUF ile safetensors aynı şeyi mi anlatıyor? Q4 neden tam dört bit değil? Gerçek bir modelin dosya listesinden indirme ve bellek hesabını ayırıyorum.
Yapay zekâ geçerli JSON verdi diye cevap doğru mu?
JSON olarak okunabilen yanıt, doğru bilgi demek değil. Şema uyumu, eksik alanlar, belgeyle eşleştirme ve insan onayını resmî belgelerle birbirinden ayırıyorum.
Yapay zekânın verdiği kaynak gerçekten var mı? Bir atıf nasıl kontrol edilir?
Açılan bağlantı, doğru atıf demek değil. Crossref, DOI ve PubMed ile yayın kimliğini, iddianın kapsamını ve düzeltmeleri gerçek bir makalede kontrol ediyorum.
Açık ağırlıklı modeli indirince her şeyi yapabilir miyim? Lisansı nasıl okuyorum
Modeli indirmek, her kullanım için izin almak değil. Gemma’nın iki farklı lisans sayfasından başlayıp yerel deneme, hizmet sunma ve dosya dağıtmayı ayırıyorum.
Geri yayılım ve LeNet: el yazısı okuyan yapay zekâyı sıfırdan eğittim
Geri yayılımı NumPy ile sıfırdan yazdım, LeNet-5 benzeri ağı MNIST’te 57 saniyede eğittim: %98,93 doğru. Yazı tiplerinde %97,9, ön işlemesiz %7,6. Ham kayıtlarla.
Yapay zekâya “düşün” deyince Türkçe sorularda ne değişiyor?
Yerel Qwen’e 450 Türkçe lise sorusunu düşünme kapalı ve üç seviyede sordum: doğruluk %72’den %87’ye çıktı; en uzun seviye 3,4 kat token harcadı, kazandırmadı.
Yapay zekâyla yaptığım videoya etiket koymalı mıyım? YouTube, Instagram, TikTok ve X ne diyor
Aynı video bir platformda etiket ister, ötekinde istemez. Dört platformun yardım sayfalarını okudum: ne zaman zorunlu, nereden açılıyor, otomatik etiket ne zaman gelir.
Yapay zekâya kişisel bilgi yazmadan önce: KVKK’nın iki rehberi ne diyor?
Müşteri e-postasını ya da bir dilekçeyi sohbet asistanına yapıştırmadan önce ne düşünmeli? KVKK’nın 2025 ve 2026 yapay zekâ belgelerini sade dille okudum.
Aynı teste Mac de katıldı: M4 Pro, RTX 5090 ve Ryzen AI Max+ 395
Aynı Gemma 4 26B-A4B, 9 Türkçe görev: üretim ortancası M4 Pro 51,2, RTX 5090 210,4, Ryzen 43,5 token/sn. Mac boşta değildi; üç özet yanıtı yarım kaldı.
Uzun metin testinde yalnız süreyi ölçmek yetmedi
Uzun belge testinde bellek sayacı, token bütçesi, önbellek ve ilk cevap aynı şeyi anlatmıyor. Ryzen AI Max+ 395 denemesini hazırlarken ayırdığım dört konu.
Yapay zekâya okuttuğun belge ona emir verebilir mi?
PDF, e-posta ve web sayfalarındaki talimatlar asistanı yönlendirmeye çalışabilir. OWASP ve Anthropic kaynaklarıyla okuma, taslak ve işlem yetkisini ayırıyorum.
Perceptron: 1958’in öğrenen makinesini yazılımla yeniden kurdum
Perceptron’un öğrenme kuralını NumPy ile sıfırdan yazdım: sol-sağ kartları, 20 koşuda öğrenme, XOR sınırı ve Qwen’in verdiği yanlış ağırlıklar. Ham kayıtlarla.
512 GB bellek için ne kadar ödersin? RTX 5090, RTX PRO 6000, DGX Spark ve Mac Studio M5 Ultra
Dört seçeneği 512 GB belleğe eşitleyip Türkiye fiyatlarıyla GB, bant genişliği ve işlem gücü başına maliyeti hesapladım. Ucuz olan ile hızlı olan farklı çıkıyor.
Dört ekran kartlı bilgisayarım iki kez dondu: ekran kartı penceresi ve RAM
Monitörün bağlı olduğu ekran kartında Resizable BAR kapalıydı, bir gece de aynı anda çalışan video işleri RAM’i bitirdi. Belirti, neden, çözüm.
HyperQwen ile tek RTX 5090’da Qwen3.8-27B: saniyede 225 token, ama Türkçede %23 yavaş
HyperQwen’i tek RTX 5090’da 450 W’ta denedim: tek kişide 225, 64 kişide 2.696 token/sn. Türkçe istemlerde tahminler daha az tutuyor, hız %23 düşüyor.
YKS testini hazırlarken takıldığım altı yer
Formülü resim olan sorular, vLLM’de açılmayan Mistral, ekran kartına bırakılan pay, açılmayan Nemotron ve kapanmayan düşünme: belirti, çözüm, sonuca etkisi.
Uzun bir metni okutunca ne kadar bekliyorum? Ryzen AI Max+ 395’te 1k’dan 64k token’a
128 GB birleşik bellekli Ryzen AI Max+ 395’e 1k–64k token Türkçe metin verdim: üç model, Vulkan ve ROCm, 72 istek. Bekleme metinden hızlı uzuyor.
Yapay zekâ YKS’ye girdi: yerel bir model 278 sorudan 261’ini bildi
2026 YKS’nin 278 sorusunu 8 yerel ve 2 bulut modele çözdürdüm. Evdeki Gemma 4 31B 261 doğru yaptı, GPT 277, Claude 271. Matematikte düşünmek şarttı.
Yapay zekâya yazım hatasıyla sorunca cevap bozuluyor mu?
Yerel Qwen’e 900 lise sorusunu altı yazımla 10.800 kez sordum: Türkçe karaktersiz yazmak fark etmiyor, kelimelerin yarısı hatalıysa doğru cevap 11,5 puan düşüyor.
ELIZA: İlk sohbet robotunun orijinal kodunu 60 yıl sonra çalıştırdım
1966’da yazılan ilk sohbet robotunun bulunan orijinal kodunu emüle IBM 7094’te çalıştırdım: makaledeki 10 cevabın 9’u aynı. Türkçe öğrettim, Qwen’le konuşturdum.
Yapay zekâya kibar sorunca cevap uzuyor mu?
Yerel Qwen’e 50 gerçek Türkçe soruyu beş üslupla 750 kez sordum: kibarlık cevabı uzatmıyor, “Kısa cevap ver.” %93 kısaltıyor, teşekkür 834 token.
Aynı modeli RTX 5090 ve Ryzen AI Max+ 395’te çalıştırdım
Aynı dosya, aynı 9 Türkçe görev: RTX 5090 üretimde 4–7 kat hızlı, fark bellek hızından. Doğruluk değişmiyor; 63 GB’lık gpt-oss-120b’de üç kart Ryzen’e karşı.
Türkçe modelimi nöron diline çevirdim: yapay zekâ beyinde çalışabilir mi?
42M parametrelik Türkçe GPT’mi spike atan sanal nöronlarla çalıştırdım: doğrudan çevirince çöktü, nörona göre eğitince perplexity 23,8’ten 28,5’e çıktı.
Yapay zekâya uzun metin verince ilk kelime ne kadar gecikiyor?
Yerel Qwen’de 214 istekle ölçtüm: her 1.000 token 0,25 sn bekleme ekliyor, aynı belgenin Türkçesi 1,37 kat geç, ikinci soruda önbellek 0,33 sn.
Sıfırdan Türkçe GPT eğittim: tek RTX 5090’da bir saat
42,2 milyon parametrelik Türkçe GPT’yi tek RTX 5090’da 60 dakikada sıfırdan eğittim: kayıp eğrisi, örnek çıktılar, hız, kWh ve büyük laboratuvarla oran.
Dört yapay zeka penaltı atışında birbirini okumaya çalıştı
Dört yapay zeka ve rastgele seçen bir program birbirine 1.200 penaltı attı. Atıcı ile kaleci aynı anda seçti; Coder 7B atışlarının %77'sini orta alta attı.
Dört yapay zeka aynı köyü kule kurarak savundu
Dört yapay zekaya bir köyü kule kurarak savundurdum, model düşünürken zaman durdu. Sonnet sabit kurallı kodla aynı dalgalarda düştü, Coder 7B hep 3. dalgada.
Dört yapay zeka orman yangınında drone ekibi yönetti
Dört yapay zekaya dörder dronluk yangın ekibi verdim, model düşünürken zaman durdu. Üç yangında 119 evden Qwen 13, Sonnet 21, GLM 30, Coder 78 ev kaybetti.
Dört yapay zekayı Ay'a indirdim: hız mı, akıl mı?
Dört yapay zekayı aynı anda Ay'a indirdim. Gerçek zamanda 12 inişin hiçbiri güvenli olmadı; zamanı durdurunca iki Claude üç senaryoda da indi.
Dört yapay zeka aynı trafikte yarıştı, telsizden laf attı
Dört yapay zekayı aynı trafikte gerçek zamanlı yarıştırdım: iki yerel Qwen, iki Claude. Telsizden laf attılar, direksiyonu alınca yoldan çıktılar.
Yerel Qwen'e köprü kurdurdum: kamyon dördüncü denemede geçti
Yerel Qwen3.8-27B'ye 12.000 ₺ bütçeyle köprü kurdurdum. Kamyon 4. denemede geçti: 21 kiriş, 11.951 ₺. İstemler, cevaplar ve iptal ettiğim üç koşu.
Sayı, tarih ve kodda Türkçe kaç token tutuyor?
1000 tutar, 365 tarih ve 22 kod dosyasını 14 tokenizer’dan geçirdim: TL ile dolar aynı, Türkçe tarih daha ucuz; fark kod yorumlarında, GPT-4o’da yüzde 32.
Kendi Türkçe tokenizer’ımı eğittim: GPT-4o’dan yüzde 27 az token
Türkçe Wikipedia’dan 100 milyon karakterle 9 saniyede bir BPE sözlüğü eğittim: GPT-4o’dan yüzde 27 az token. Sözlük büyüklüğü, metin miktarı ve İngilizcenin bedeli.
Hangisi daha az yalan söyler? İki yerel modele 15 soru
İki yerel modele aynı 15 soruyu sordum, bazıları tuzaktı. Qwen3.8-27B bir kez uydurdu, kod modeli 7B dokuz kez yanıldı. Hiçbiri “bilmiyorum” demedi.
Qwen’e balık genleri yazdırdım, hepsi maviye döndü
Akvaryum simülasyonunda yavru balıkların genlerini yerel Qwen3.8-27B’ye yazdırdım. 84 yavrunun hepsi mavi çıktı; nedeni seçilim değil, istemdeki kural.
Yapay zekâlar pazarda pazarlık edince ne oluyor?
İki satıcı ve bir alıcı, üçü de yerel model. Dört ürünle pazarlık ettirdim; bütçenin yetmediği halı turunda bile satış oldu.
Qwen köyü: 20 yapay köylü, kimsenin istemediği muhtarlık
20 köylüyü yerel Qwen3.8-27B ile dört gün yaşattım: köyde yiyecek arttı ama 13 kişi aç yattı, kimse aday olmadı, muhtar dedikoduyu uyduran oldu.
Labirentteki karıncaların yönünü yapay zekâya sordum
12 kâşif karınca her kavşakta yerel Qwen3.8-27B’ye soruyor, yüzlerce işçi koku izini takip ediyor. Küçük model ve zar atan koloniyle de yarıştırdım.
Türkçe yazınca yapay zekâ daha mı pahalı?
Aynı 2009 cümleyi Türkçe ve İngilizce olarak 14 modelin tokenizer’ından geçirdim: fatura, bağlam ve bekleme süresine etkisi.
Üç video modeline aynı sahneleri canlandırttım
Wan 2.2, MiniMax H3 ve LTX-2.5’i tek RTX 5090’da aynı üç çizimle denedim: bekleme süreleri, netlik ve hızlandırmanın bedeli.
128 GB ASUS Ryzen AI Max+ 395 ile GLM 5.3 Flash denemesi
128 GB Ryzen AI Max+ 395 üzerinde GLM 5.3 Flash: token/saniye, cevap süreleri, bellek, gerçek yanıtlar ve önceki vLLM/ROCm ile llama.cpp/Vulkan deneyimleri.
128 GB birleşik bellekte büyük model yüklerken öğrendiklerim
GLM 5.3 Flash’ın yaklaşık 102 GB paketini yüklerken swap, dosya önbelleği ve çalışma birimi sınırlarıyla karşılaştığım durumlar.
Bir model uygulamayı teslim etti, gerçekten kullanılabiliyor mu?
Codex ve dört yerel modele aynı görev uygulamasını üçer kez yazdırdım. Dış testleri geçen teslimleri tarayıcıda da kontrol ettim.
Uygulama teslimi testini hazırlarken ve incelerken karşılaştığım sorunlar
Bağlam yalıtımı, 32K bellek bütçesi, görünürde başarılı işlemler ve tarayıcı kontrolleri: belirtiler ve doğrulamalar.
Local model karşılaştırmasını hazırlarken takıldığım noktalar
Bellek bütçesi, FlashInfer derlemesi, CUDA kütüphane bağlantısı ve test sözleşmesi: belirtiler, çözümler ve ölçüme etkileri.
Local LLM ne zaman mantıklı? Yazılım geliştirmede hız, kalite ve maliyet
Altı yerel model ve Codex ile aynı yazılım görevleri: çalışan teslimler, hız, tokenlar ve donanım, abonelik, API maliyetleri.
Ryzen AI Max+ 395 ile ASUS üzerinde yerel sohbet denemesi
Qwen3.5-9B ile günlük Türkçe işler: üç kurulumda bekleme süreleri, hesap hataları ve verilen bilgiye bağlı cevaplar.
Üç görsel modeline aynı tarifi verdim
Aynı istek, üç farklı sonuç. 72 görselde gördüğüm farklar, bekleme süreleri ve AMD bilgisayarda neden durduğum.
128 GB ASUS ile yerel görsel üretimde ilk deneyimim
Aynı çiçekçi tarifini iki görsel modeline verdim. İlk çıktılar, bilgisayarın kullanımda takıldığı nokta ve büyük belleğin tek başına anlatmadıkları.
GLM testinde token sayımı ve VRAM bütçesi neden takıldı?
CUDA ortamında token dönüş tipi, TP2 başlangıcındaki VRAM sınırı ve p95 hesabının düzeltilmesi.
GLM’yi ROCm’da çalıştırırken takıldığım üç nokta
gfx1151 kernel hatası, KV bütçesi ve LSE eksen uyumsuzluğu: belirtiler, yerel çözümler ve doğrulama sınırları.
GLM 4.7 Flash: ROCm ve CUDA ortamlarında
Ryzen AI Max+ 395 ve iki RTX 5090 üzerinde aynı BF16 model: kod, JSON, araç çağırma ve eşzamanlı isteklerin sonuçları.
Qwen ve Devstral’a aynı uygulamayı yazdırdım
Deney Defteri: aynı iki RTX 5090 ve FP8 profillerinde üçer teslim, API ve arayüz testleri, token tüketimi ve süreler.
Aynı iki 5090 üzerinde Devstral ve Qwen kod teslimi
Üç projede aynı görev ve test akışı: ilk teslim, ek düzeltmeler, token tüketimi ve süre.
Uzun girdide Qwen: cache, TP2 ve iki model kopyası
Uzun bağlamda bekleme süresi ve aynı iki RTX 5090 üzerinde tek bölünmüş model ile iki bağımsız kopyanın 864 istekli ölçümü.
Qwen’e belge arama uygulaması yazdırdım
Kaynaklı cevap veren TXT/PDF uygulaması ve iki modelin aynı GPU üzerinde sabit bütçeli teslim testi.
MTP’yi doğruluk ve eşzamanlı isteklerle denedim
Aynı Qwen’de cevap doğruluğu, toplam hız, kişi başına hız ve ilk yanıt süresini ayrı ölçtüm.
Aynı uzun girdiyi tekrar gönderince ne değişti?
1K, 4K ve 8K token girdilerde Qwen’in ilk yanıt süresini ve prefix cache kullanımını ölçtüm.
JSON düzgün geldi, peki içindeki bilgi doğru mu?
Qwen ve coder’da yalnız prompt ile JSON şeması kullanımını ayrı değerlendirdim.
Türkçe belge aramada sorgunun başına ne yazdım?
Qwen3-Embedding ile sorgu talimatını ve metinleri toplu işlemenin hızını denedim.
Qwen ve küçük coder’a aynı üç kod işini verdim
CSV, aralık birleştirme ve topolojik sıralama: hız ile testten geçme oranını birlikte ölçtüm.
Qwen’e bu kez hava trafik kontrol oyunu yazdırdım
Rota, pist, yakıt, kayıt ve testler: ilk uçak oyunundan daha kapsamlı bir deneme.
Qwen’e bir uçak oyunu yazdırdım
Oyun kodunu Qwen yazdı; promptları, düzeltmeleri ve kullanılan tokenları kaydettim.
Reboot sonrası modelleri tekrar kontrol etmek
Sürücü sürümleri düzeldi, bu kez eski bir servis portu tuttu. Testten önce ikisini de kontrol ettim.
Qwen’de MTP’yi kapatınca hız ne oldu?
İki RTX 5090 üzerinde aynı modeli, yalnız MTP ayarını değiştirerek test ettim.
Bir hız sayısının yanına ne yazıyorum?
Kart sayısı, girdi, cache ve eşzamanlılık: sonuçları okurken tuttuğum notlar.
Qwen’in yanına coder ve embedding koymak
Tek makinede farklı işleri ayrı modellerle çalıştırma düzenim.
10 kullanıcı, üç model, aynı makine
Sohbet, hafif coder ve embedding birlikte çalışırken ne oluyor?
Qwen’i 1, 2 ve 3 kartta çalıştırmak
Tek sohbet hızında kart sayısı ve paralellik yönteminin etkisi.


