En İyiler
En İyi 10 Açık Kaynaklı LLM (Kasım 2026)

En iyi açık kaynaklı LLM, gerçekten ihtiyaç duyduğunuz işler için devreye alabileceğiniz, değerlendirebileceğiniz ve sürdürebileceğiniz modeldir. Bir iş istasyonuna sığan model, daha yüksek puan alsa da bir küme gerektiren modelden daha değerli olabilir. Öte yandan, zorlu görevler üstlenen kodlama ajanları çalıştıran bir kuruluş, görev performansını artırmak için kayda değer altyapı maliyetlerini makul biçimde kabul edebilir.
Bu kılavuzdaki her modeli yetenek, devreye alma kolaylığı, lisanslama, belgelendirme ve belirtilen kullanım amacına uygunluk açısından bağımsız olarak değerlendirdik. Bu, yeni bir uygulamalı kıyaslama değil, editoryal bir sıralamadır: yayımlanmış performans iddiaları, bağlantı verilen model geliştiricilerinden alınmıştır ve farklı test düzenekleri ya da ayarlar arasında doğrudan karşılaştırılamaz. Pratik erişilebilirliğe önemli ölçüde ağırlık veriyoruz; bu nedenle listenin başında Qwen3.8-27B, Gemma 4 ve gpt-oss yer alıyor.
Kapsam: Bu kılavuz hem açık kaynaklı hem de açık ağırlıklı LLM’leri kapsar. İndirilebilir ağırlıklar, eğitim verilerini veya kısıtlamasız kullanım haklarını mutlaka içermez. Her model girdisinde kontrol noktası ya da model ailesi ve lisansı belirtilir; eski bir sürümün veya aynı geliştiricinin farklı bir modelinin lisansına ilişkin varsayımları buraya aktarmayın. 14 Ekim 2026’da incelendi.
En İyi Açık Kaynaklı ve Açık Ağırlıklı LLM’lerin Karşılaştırması
| Yapay Zeka Aracı | En İyi Kullanım | Özellikler |
|---|---|---|
| Qwen3.8-27B | Kendi sunucunuzda barındırılan uygulamalar için en iyi genel denge | Yoğun 27B dil modeli; görsel anlama; yerleşik 262K bağlam; Apache 2.0 |
| Gemma 4 | Yerel çok modlu yapay zekâ için en geniş boyut seçeneği | E2B, E4B, 12B, 26B A4B ve 31B varyantları; Apache 2.0 |
| gpt-oss | Erişilebilir metinsel akıl yürütme için en iyisi | 20b ve 120b varyantları; yapılandırılabilir akıl yürütme; MXFP4; Apache 2.0 |
| DeepSeek V4 | Büyük ölçekli genel akıl yürütme ve kodlama için en iyisi | Pro-0813 resmî sürümü; Pro ve Flash boyutları; milyon token bağlam; MIT |
| GLM-5.3 | Sunucu ölçeğinde kodlama ajanları için en iyisi | Güncellenmiş son eğitim; uzun vadeli kodlama; özel GLM-5.3 lisansı |
| Kimi K3 | Büyük ölçekli çok modlu ajan iş akışları için en iyisi | Yerleşik görsel anlama; toplam 2,8T ve etkin 104B parametre; 1M bağlam; özel lisans |
| Mistral Small 4 | İş uygulamaları için en iyi birleşik model | Toplam 119B, etkin 6,5B; metin ve görseller; 256K bağlam; Apache 2.0 |
| Devstral Small 2 | Yerel kodlama ajanları için en iyi, amaca odaklı seçenek | 24B parametre; kod tabanı araçları; görsel anlama; 256K bağlam; Apache 2.0 |
| Nemotron 3 Nano | Verimli ajan çıkarımıyla denemeler yapmak için en iyisi | Toplam 30B, etkin 3,5B; Mamba ve dikkat mekanizmasını birleştiren hibrit yapı; NVIDIA lisansı |
| Olmo 3.1 | Şeffaf araştırma ve uyarlama için en iyisi | 32B Instruct ve Think varyantları; eğitim kaynakları; Apache 2.0 |
1. Qwen3.8-27B
Büyük bir GPU kümesine hemen geçmeden yetenekli ve uyarlanabilir bir model isteyen geliştiricilere ilk önerimiz Qwen3.8-27B. Yoğun bir dil modelini yerel görsel ve video anlama yetenekleriyle bir araya getirerek kodlama, belge analizi, araştırma asistanları ve ekran görüntülerini yorumlaması gereken uygulamalar için kullanışlı hâle geliyor. Listedeki yeri, her kıyaslamada en iyi olduğu iddiasını değil, yetenekler ile devreye alma kolaylığı arasındaki dengeyi yansıtıyor.
Model, yapılandırılabilir düşünme özelliğini ve yerleşik 262.144 tokenlık bağlam penceresini destekliyor; ayrıca bu pencereyi bir milyon tokene genişletme olanağı sunuyor. Bu ayrım önemlidir: bağlamı genişletmek için yapılandırma ve ek kaynaklar gerekir; bu özellik, iş istasyonundaki varsayılan kullanım deneyimi olarak değerlendirilmemelidir. Kurum içi bir belge asistanı için sınırlı bir bağlam ve bilgi getirme yöntemiyle başlayın; daha uzun girdileri yalnızca yanıtları ölçülebilir biçimde iyileştiriyorsa kullanın.
Kontrol noktası Apache 2.0 lisansını kullanır. Nicemlenmiş sürümler yerel denemeleri kolaylaştırır; ancak dil modeli, görsel bileşenleri, önbellek ve çalışma zamanı tümü bellek tüketir. Mimarisi ve çok modlu girdileri açıkça destekleyen bir uygulama seçin; modelin yalnızca metinle başarıyla yüklenmesi, görsellerin, araç çağrılarının veya genişletilmiş bağlamın doğru çalıştığını göstermez.
Artıları ve Eksileri
- Kodlama, akıl yürütme ve görsel anlamayı kullanışlı biçimde bir araya getiriyor
- Küme ölçeğindeki modellere pratik bir alternatif
- Esnek bir kontrol noktası lisansı
- Yüksek hassasiyet ayarlarında hâlâ önemli miktarda bellek gerektiriyor
- Genişletilmiş bağlam, devreye alma gereksinimlerini artırıyor
Qwen3.8-27B Model Kartını Görüntüle
2. Gemma 4
Gemma 4, çok modlu bir uygulamayı farklı donanım bütçelerine uyarlamak için bu seçenekler arasında en kullanışlı model ailesidir. Google; etkin parametre sayısı düşük küçük modeller, 12B’lik bir model, 26B’lik bir karma uzmanlar seçeneği ve yoğun 31B’lik bir model dâhil olmak üzere çeşitli boyutlar sunuyor. Böylece geliştiriciler, her kullanıcının en büyük kontrol noktasını çalıştırabileceğini varsaymadan kısıtlı cihazlardan iş istasyonlarına kadar farklı seçeneklere sahip oluyor.
Ailenin modellerinin yetenekleri farklılık gösteriyor. 31B’lik model metin ve görüntüleri kabul ederken E2B, E4B ve 12B modelleri ses girişini de destekliyor. Küçük modellerin bağlam uzunluğu 128K, daha büyük yapılandırmalarınki ise 256K. Belge veya ses uygulaması için önce giriş gereksinimlerine göre belirli bir kontrol noktasını seçin; gerekli bir modaliteyi desteklemiyorsa en büyük model otomatik olarak en uygun seçenek değildir.
Gemma 4, Apache 2.0 lisansını kullanıyor; ancak donanım planlaması yine de dikkat gerektiriyor. E2B ve E4B’nin etkin parametre sayıları, bazı büyük gömme bileşenlerini kapsamadığından bu adlar bellek gereksinimlerini güvenilir biçimde tahmin etmenizi sağlamaz. Dağıtım seçeneklerinin çeşitliliği nedeniyle bu aileyi üst sıralarda değerlendiriyoruz; tek bir sabit iş istasyonundan en yüksek performansı almak isteyenler, uygun Gemma modelini kendi belgeleri ve istemleri üzerinde Qwen ile doğrudan karşılaştırmalı.
Artıları ve Eksileri
- Farklı dağıtım bütçelerine uygun çeşitli boyutlar
- Ailenin tüm modellerinde görüntü desteği
- Bazı modellerde ses girişi
- Modaliteler ve bağlam uzunluğu kontrol noktasına göre değişiyor
- Etkin parametre adları bellek gereksinimlerini gizleyebilir
Gemma 4 Model Kartını Görüntüle
3. gpt-oss
OpenAI’ın gpt-oss modeli, özel altyapıda metin üzerinde akıl yürütme ve araç destekli asistanlar için kullanışlı bir başlangıç seçeneği olmayı sürdürüyor. Ailede 20b ve 120b modelleri bulunuyor; küçük model, daha erişilebilir donanımları hedefliyor. Dağıtım hedefi net olduğundan üst sıralarda yer alıyor: kullanıcılar, trilyon parametreli bir modelin gerektirdiği altyapıyla işe başlamak zorunda kalmadan yerel bir akıl yürütme sistemi kurabiliyor.
Resmî sürüm, uzman ağırlıkları için MXFP4 nicelemesi kullanıyor. OpenAI, 20b modelinin 16GB bellekle, 120b modelinin ise 80GB GPU’da çalışabildiğini belirtiyor; ancak bu değerler her bağlam uzunluğu, çalışma zamanı veya eş zamanlı kullanıcı sayısı için garanti olarak değerlendirilmemeli. Akıl yürütme düzeyi ayarlanabiliyor; uygulama gerekli yürütme katmanını sağladığında model, yapılandırılmış çıktıları ve araç çağrılarını destekliyor.
Her iki model de Apache 2.0 lisansını kullanıyor ve doğru Harmony biçimlendirmesi gerektiriyor. Yalnızca metinle çalıştıklarından görsel belge iş akışları için başka bir bileşene ihtiyaç var. Kodlama asistanı kullanırken yazma izni vermeden önce araç şemalarını ve hata kurtarma süreçlerini doğrulayın. gpt-oss’ı seçmenin en güçlü gerekçesi, denetlenebilir ve görece erişilebilir metin çıkarımı sunmasıdır; yerleşik görüntü işleme özelliğine öncelik verenler başka bir seçenekle başlamalı.
Artıları ve Eksileri
- Küçük model için belgelenmiş, erişilebilir bir bellek hedefi
- Yapılandırılabilir akıl yürütme ve araç desteği
- Kısıtlayıcı olmayan lisans
- Yerleşik görüntü veya ses girişi yok
- Doğru Harmony biçimlendirmesi şart
gpt-oss Model Kartını Görüntüle
4. DeepSeek V4
DeepSeek V4, büyük ölçekli çıkarımı destekleyebilen ve kapsamlı akıl yürütme ile kodlama becerileri isteyen kuruluşlar için güçlü bir seçenek. En önemli güncelleme, önceki Pro önizleme sürümünün yerini alan resmî Pro-0813 sürümüdür. Özellikle sonuçları karşılaştırırken veya ajan davranışındaki değişiklikleri hata ayıklarken yapılan değerlendirmede, V4 etiketi taşıyan tüm uç noktaları eşdeğer kabul etmek yerine tam olarak bu kontrol noktasının kullanıldığı belirtilmeli.
Aile, toplam 1,6 trilyon parametreye ve token başına 49 milyar etkin parametreye sahip Pro ile toplam 284 milyar parametreye ve 13 milyar etkin parametreye sahip Flash modellerini kapsıyor. Mimarisi bir milyon tokenlık bağlamı desteklerken resmî Pro sürümüne spekülatif kod çözme modülü ekleniyor. Bu tasarım tercihleri, kayda değer ölçekte verimlilik sağlamayı hedefliyor; etkin parametreler hesaplama miktarını belirtir ve geriye kalan uzman ağırlıklarını depolama gereksinimini ortadan kaldırmaz.
Sürüm MIT lisanslıdır. Dağıtımın karmaşıklığı hedef kitlesini ciddi ölçüde daralttığı için, küçük modellerin her durumda bundan daha iyi performans gösterdiği için değil, iş istasyonlarına odaklanan lider seçeneklerin altında konumlandırıyoruz. Merkezi bir çıkarım hizmeti geliştiren bir ekip, Pro ve Flash modellerini tamamlanan görev başına maliyet, eşzamanlılık ve araç güvenilirliği açısından karşılaştırmalı. Hızlı bir yerel asistan arayan tek başına çalışan bir geliştirici ise bu rehberdeki başka bir bölümde yer alan daha küçük bir kontrol noktasıyla başlamalı.
Artıları ve Eksileri
- Resmî sürüm, önceki önizleme sürümünden daha iyi
- Pro ve Flash farklı ölçek seçenekleri sunuyor
- MIT lisansı
- Büyük uzman kontrol noktaları ciddi bir altyapı gerektiriyor
- Uzun bağlamlardaki işlem hacmi, iş yüküne özel olarak değerlendirilmelidir
DeepSeek V4 Model Kartını Görüntüle
5. GLM-5.3
GLM-5.3, zorlu yazılım mühendisliği çalışmaları ve uzun süreli ajan görevleri için Z.ai’nin güncellenmiş açık ağırlıklı seçeneğidir. GLM-5.2 ile aynı temel modeli kullanır; iyileştirmeler ise sonradan eğitim aşamasından kaynaklanır. Geliştirici, kodlama ve ajan kıyaslamalarında önemli ilerlemeler kaydedildiğini bildiriyor. Bu nedenle önceki neslin konumunu ve açıklamasını olduğu gibi korumak yerine değerlendirilmesi gereken sürüm budur.
Modelin öne çıkan özelliği; araçlar, dosyalar ve ara sonuçlar üzerinde kesintisiz çalışabilmesidir. Bununla birlikte, yayımlanan ajan puanı; test düzeneğine, akıl yürütme bütçesine, bağlam yönetimine ve tanınan süreye de bağlıdır. Bir kod deposunda çalışan asistanı değerlendirirken istenen değişikliği tamamlayıp tamamlamadığına, gerilemelere yol açıp açmadığına ve araçları doğru kullanıp kullanmadığına bakılmalıdır. Tek başına kıyaslama sonucu, bu performansın farklı bir geliştirme ortamında da gösterileceğini kanıtlamaz.
Lisans farkı önemlidir: GLM-5.3, bu makaledeki GLM-5.2 kaydıyla daha önce ilişkilendirilen MIT lisansını değil, özel bir lisansı kullanır. Lisans, modeli hizmet olarak sunan çok büyük ölçekli bazı işletmeler için ek bir inceleme koşulu içerir. Ayrıca, büyük boyutlu kontrol noktası sunucu sınıfı altyapı planlaması gerektirir. GLM-5.3, kurumsal kodlama çözümleri için değerlendirilecekler listesinde yer almalıdır; ancak dizüstü bilgisayarda kolayca çalıştırılabilecek bir model arayanlar için uygun bir varsayılan seçenek değildir.
Artıları ve Eksileri
- Kesintisiz kodlama ve ajan çalışmalarına yönelik güncellenmiş odak
- İndirilebilir ağırlıklar ve belgelenmiş sunum yöntemleri
- Geliştiricinin ayrıntılı değerlendirme notları
- Özel lisans, sürüme özgü inceleme gerektiriyor
- Altyapı gereksinimleri, kişisel bilgisayarların çoğunu yetersiz kılıyor
GLM-5.3 model kartını görüntüle
6. Kimi K3
Kimi K3, görsel anlama becerisini uzun süreli akıl yürütme ve araç kullanımıyla birleştirmek isteyen kuruluşlar için uzmanlaşmış bir seçenektir. Moonshot’ın modeli toplam 2,8 trilyon parametreye sahiptir; token başına yaklaşık 104 milyar parametre etkinleştirilir. Yerleşik görsel yetenek ve bir milyon tokenlık bağlam penceresi de sunar. Aynı sistem içinde kod, ekran görüntüleri, belgeler ve uzun etkileşim geçmişleri üzerinde çalışması gereken asistanlar için uygun bir seçenektir.
Entegrasyon ayrıntıları özellikle önemlidir. Kimi K3, düşünme özelliğini etkin tutar ve akıl yürütme ile araç çağrısı bilgileri dâhil olmak üzere asistanın tüm mesajlarının konuşma turları boyunca korunmasını bekler. Bu nedenle yalnızca nihai yanıtı kaydeden bir uygulama, öngörülen konuşma biçimini hatalı işleyebilir. Kimi K3’ü başka bir modelle karşılaştırmadan önce sunum katmanının ve ajan çerçevesinin gerekli konuşma geçmişini doğru biçimde koruduğunu doğrulayın.
Özel lisansı ve çok büyük boyutlu kontrol noktası, bu seçimi model tercihinden ziyade bir altyapı kararına dönüştürür. Yerleşik nicemleme, sunum verimliliğini artırır; ancak modeli sıradan bir iş istasyonunda çalıştırılabilir hâle getirmez. Zorlu çok kipli iş akışları operasyonel maliyeti karşılayabilecek düzeyde fayda sağlıyorsa ekipler için Kimi K3’ü öneriyoruz. Sıradan metin özetleme veya küçük belge koleksiyonları içinse bu ölçekte bir model genellikle gerekli değildir.
Artıları ve Eksileri
- Uzun bağlamlı akıl yürütmenin yanı sıra yerleşik görsel anlama
- Uzun süreli, araç tabanlı iş akışları için tasarlandı
- Yayımlanan ağırlıklar, denetimli dağıtıma olanak tanıyor
- Çok büyük altyapı gereksinimleri
- Özel lisans ve konuşma biçimine ilişkin gereksinimler
Kimi K3 model kartını görüntüle
7. Mistral Small 4
Mistral Small 4; genel talimatları izleme, akıl yürütme, kodlama ve görsel anlama becerilerini tek bir modelde bir araya getirir. Bu özellik, her istek için ayrı uzman modelleri yönetmek yerine çeşitli yetenekleri tutarlı bir arayüz üzerinden sunması gereken iş uygulamaları için modeli cazip kılar. Modelin bu listedeki yeri, operasyonel açıdan sunduğu çok yönlülüğü yansıtır; özellikle de kapsamlı bir çıkarım hizmetini yönetme deneyimi olan ekipler için.
Adında “Small” (küçük) geçmesine rağmen toplam 119 milyar parametreye sahiptir ve token başına 6,5 milyar parametre etkinleştirilir. 256K bağlam penceresini ve ayarlanabilir akıl yürütme düzeyini destekler; böylece bir hizmet, sıradan sorulara kısa yanıtlar verirken zor görevler için daha fazla düşünme süresi kullanabilir. Uzman karışımı mimarisi etkin hesaplama miktarını azaltır; ancak ağırlıkların tamamı depolama ve bellek yükünün büyük bölümünü belirlemeye devam eder.
Kontrol noktası Apache 2.0 lisansını kullanır. Resmî nicemlenmiş sürümler ve spekülatif çözümleme seçenekleri optimizasyon yolları sunar; ancak sağlayacakları fayda donanıma ve çalışma zamanı desteğine bağlıdır. Ekran görüntülerini okuyup yapılandırılmış eylemler üreten bir destek asistanı için görsel kalitesini, şema uyumunu ve yanıt süresini birlikte sınayın. Birkaç yeteneği tek modelde birleştirmek operasyonları kolaylaştırıyorsa Mistral Small 4’ü tercih edin; adındaki “Small” ifadesinin, dizüstü bilgisayarlara uygun 8B boyutunda bir model anlamına geldiğini varsaymayın.
Artıları ve Eksileri
- Akıl yürütme, talimatları izleme, kodlama ve görsel anlama becerilerini birleştiriyor
- Akıl yürütme düzeyi isteğe göre değiştirilebiliyor
- Apache 2.0 lisansı
- Small markası, modelin toplam boyutunu olduğundan küçük gösteriyor
- Optimizasyonun faydaları dağıtım altyapısına bağlı
Mistral Small 4 model kartını görüntüle
8. Devstral Small 2
Devstral Small 2, öncelikle depoları incelemek, dosyaları düzenlemek ve bir yazılım mühendisliği ajanının içinde çalışmak için model arayan geliştiricilere yönelik odaklı bir alternatiftir. 24 milyar parametreli boyutu, yukarıda yer alan büyük kodlama sistemlerine kıyasla dağıtımını daha erişilebilir kılar. Daha yeni genel amaçlı modeller de aynı değerlendirmede yer almayı hak etse bile uzman bir model olarak kullanışlılığını korur.
Mistral, 256K bağlam penceresi, görüntüleri anlama ve Vibe kodlama ortamıyla entegrasyon özelliklerini belgeliyor. Modelin değeri, tek başına etkileyici bir kod parçası üretip üretememesinden ziyade, düzenleme ve test süreçlerinin tamamını ne kadar iyi yürüttüğüne bağlı. Rakip modellerle aynı araçları ve izinleri kullanarak modelin performansını depo yapınız, programlama dilleriniz, bağımlılık kısıtlarınız ve test paketiniz üzerinde değerlendirin.
Sürüm Apache 2.0 lisansını kullanıyor. Mistral, tüketici GPU’larında ve 32 GB belleğe sahip Mac bilgisayarlarda dağıtım seçeneklerine işaret ediyor; ancak gerçekte nelerin sığacağını hassasiyet, bağlam ve çalışma zamanı yükü belirliyor. Tek bir istemde çok büyük depoları işlemeye çalışmadan önce daha kısa oturumlarla ve uyumlu bir kuantizasyonla başlayın. Özel bir kodlama iş istasyonu için bu modeli tercih ediyoruz; kapsamlı araştırma, ses veya genel çok modlu yardım gereksinimi olan ekiplerse daha dar kapsamını üst sıralardaki genel amaçlı modellerle karşılaştırmalı.
Artıları ve Eksileri
- Depo ve araç iş akışları temel alınarak tasarlanmıştır
- Önde gelen kodlama modellerine kıyasla daha erişilebilir boyuttadır
- Görüntüleri işleyebilir ve izin veren bir lisansa sahiptir
- Uzmanlaşmış odağı, geniş kapsamlı asistan görevlerinde daha az kullanışlı olmasına yol açar
- En yüksek bağlam kapasitesi, tüketici donanımlarında çalışacağı anlamına gelmez
Devstral Small 2 model kartını görüntüle
9. Nemotron 3 Nano
NVIDIA’nın Nemotron 3 Nano modeli, metin tabanlı ajanların verimliliğini artırmaya çalışan geliştiriciler için ilgi çekici bir seçenektir. Mamba bileşenlerini, dikkat mekanizmasını ve uzman karışımı katmanlarını bir araya getirir; toplam parametre sayısı 30 milyar, token başına etkin parametre sayısıysa yaklaşık 3,5 milyardır. Modeli değerlendirme gerekçesi, Nano adının her cihazda çalışabileceği anlamına geldiğini varsaymak değil, mimarisinin operasyonel gereksinimlere ne ölçüde uyduğudur.
Model, sohbet şablonu aracılığıyla akıl yürütme ve akıl yürütmeme davranışlarını destekliyor. Böylece bir uygulama, basit isteklere daha hızlı yanıt vermeye çalışırken zor istekler için daha uzun değerlendirme süresi ayırabiliyor. Hibrit mimarisi, çalışma zamanı desteğini de temel bir seçim ölçütü hâline getiriyor: Her standart transformatör optimizasyonunun geçerli olacağını varsaymak yerine kullanılan motoru, kuantizasyon biçimini ve donanım bileşimini doğrulayın.
Sürüm, NVIDIA Nemotron Açık Model Lisansı’nı kullanıyor. Tekrarlanabilir bir çıkarım kıyaslaması oluşturup dağıtım ayarlarını düzenlemeye istekli ekipler için değerlendirmeye değer, uzmanlaşmış bir adaydır. Çıktı kalitesinin yanı sıra doğru yanıta ulaşma süresini, bellek kullanımını ve eşzamanlı isteklerdeki davranışını da karşılaştırın. Öncelikli olarak kullanıma hazır, görsel bir asistan arayan okurlar için bu sıralamada daha üstte yer alan çok modlu seçenekler hedeflerine daha doğrudan karşılık verir.
Artıları ve Eksileri
- Hibrit mimarisi, verimliliğe odaklanan bir alternatif sunar
- Akıl yürütme davranışı yapılandırılabilir
- Ayrıntılı teknik belgeler sunar
- Yerleşik bir görsel asistandan ziyade metne odaklanır
- Çalışma zamanı desteği ve özel lisansı kontrol edilmelidir
Nemotron 3 Nano model kartını görüntüle
10. Olmo 3.1
Ai2’nin Olmo 3.1 modeli, açıklığın bir indirme düğmesinden ibaret olmaması nedeniyle bu listede yer almayı hak ediyor. 32B Instruct modeli; eğitim veri kümelerinin, kodun, ara kontrol noktalarının ve yöntemlerin erişime açık olduğu bir ekosistemin parçası. Eğitim kararlarının model davranışını nasıl etkilediğini inceleyen araştırmacılar için bu kaynaklar, geliştirme süreci büyük ölçüde erişilemeyen bir modelin daha yüksek puan almış olmasından daha değerli olabilir.
Aile, Instruct ve Think sürümlerini sunuyor; belgelerinde ön eğitim ve eğitim sonrası aşamalar arasındaki bağlantılar açıklanıyor. Bu sayede uyarlama tercihlerini incelemek ve model geliştirmenin farklı aşamalarını karşılaştırmak kolaylaşıyor. Bir asistan için talimatlarla ince ayarı yapılmış bir kontrol noktasıyla başlayın; temel kontrol noktası farklı bir amaca hizmet eder ve sohbet kullanımına önceden uyarlanmış gibi değerlendirilmemelidir.
Olmo 3.1, Apache 2.0 lisansını kullanıyor ve öncelikle İngilizce metinlere odaklanan bir model. Onu, en gelişmiş yeteneklere sahip olduğu iddiasıyla değil, şeffaflık alanındaki uzmanlığı nedeniyle sıralıyoruz. Araştırma grupları, eğitimciler veya model uyarlamasını inceleyen ekipler için bu modeli seçmek güçlü bir gerekçeye dayanıyor. Yerleşik görüntü desteği, mümkün olan en geniş çok dilli kapsam ya da kullanıma hazır en güçlü kodlama ajanını arayan üretim odaklı kullanıcılar önce yukarıdaki alternatifleri değerlendirmeli.
Artıları ve Eksileri
- Eğitim kaynakları inceleme ve araştırmayı destekler
- Eğitim sonrası birden fazla aşama ve sürüm sunar
- Apache 2.0 lisansı
- İngilizce metinlere odaklanması bazı uygulamaları kısıtlar
- Araştırma şeffaflığı, görevlerde en yüksek doğruluğu garanti etmez
Olmo 3.1 Model Kartını Görüntüle
Ne Kadar Belleğe İhtiyacınız Var?
Gerçek checkpoint boyutunu ve çalışma ortamının belgelenmiş gereksinimlerini öğrenerek başlayın. Yalnızca ağırlıkları hesaba katan kabaca bir tahmin için parametre sayısını ağırlık başına bit sayısıyla çarpıp sekize bölün. Dört bitlik 30B bir model, niceleme meta verileri, niceleme uygulanmamış bileşenler, bağlam önbelleği, geçici arabellekler ve işletim sistemi hesaba katılmadan önce yaklaşık 15 GB yer kaplar. Bu, aritmetik bir alt sınırdır; modelin 16 GB belleğe sahip bir makineye sığacağının garantisi değildir.
Uzman karışımı modellerinde ağırlık depolama alanını tahmin etmek için toplam parametre sayısını kullanın. Etkinleştirilen parametreler, belirteç başına hesaplama miktarını anlamaya yardımcı olur; diğer uzman ağırlıklarının depolama gereksiniminin ortadan kalktığı anlamına gelmez. İşlem yükünü CPU’ya aktarmak GPU belleği gereksinimini azaltabilir, ancak hızı önemli ölçüde düşürebilir. Mac’teki birleşik bellek sistemle paylaşıldığından, belleğin tamamı modelin kullanımına açıkmış gibi düşünülmemelidir.
- Sınırlı donanıma sahip kişisel bilgisayarlar: Daha küçük bir Gemma varyantıyla başlayın veya desteklenen bir yapılandırmada gpt-oss-20b modelini değerlendirin. Bellekte pay bırakın ve başlangıçta bağlam boyutunu düşük tutun.
- Daha fazla belleğe sahip iş istasyonları: Niceleme uygulanmış Qwen3.8-27B’yi, uygun Gemma varyantlarını ve Devstral Small 2’yi karşılaştırın. Görüntü desteğini metin çıkarımından ayrı olarak doğrulayın.
- Sunucular ve kümeler: Görevin sağlayacağı değer, sunum maliyetini ve operasyonel karmaşıklığı karşılıyorsa DeepSeek V4’ü, GLM-5.3’ü, Kimi K3’ü veya daha büyük yapılandırmaları değerlendirin.
Bir modelin en yüksek bağlam penceresi değeri, günlük kullanım için önerilen ayar olduğu anlamına da gelmez. Daha uzun girdiler bellek ve işlem gereksinimlerini artırırken eşzamanlı kullanıcılar kaynak ihtiyacını katlar. Kurulum seçenekleri ile modeller, çalışma ortamları ve arayüzler arasındaki farklar için LLM’leri yerel olarak çalıştırma araçları rehberimize göz atın.
Açık Kaynak, Açık Ağırlıklar ve Özel Dağıtım
Ağırlıklara erişim, çıkarımın nerede çalışacağını denetlemenizi sağlar; ancak bu, modelin tüm eğitim tarifini otomatik olarak sunmaz veya her kullanımın izinli olduğu anlamına gelmez. Apache 2.0 ve MIT lisanslı modellerde bile lisansı ilgili checkpoint için ayrıca kontrol edin. GLM-5.3, Kimi K3 ve Nemotron kendi model lisanslarını kullanır. Geliştirme sürecine erişim, nihai ağırlıklara erişim kadar önemliyse Olmo özellikle dikkate değerdir.
Uygulamanın tamamı bu şekilde yapılandırıldığı takdirde, kendi sunucunuzda barındırma istemlerin altyapınız dışına çıkmamasını sağlayabilir. Ancak bulut tabanlı gömmeler, uzaktaki arama hizmetleri, günlükleme hizmetleri ve ajan araçları verileri başka yerlere gönderebilir. İş akışının tamamını değerlendirin; gecikme süresinin yanı sıra hatalı yanıtları ve başarısız eylemleri de ölçün. Dosyaları değiştiren veya iş sistemleriyle etkileşime giren araçlarda, sınırlandırılmış izinler kullanın ve eylemin gerektirdiği durumlarda bir onay adımı ekleyin.
Hangi Açık LLM’yi Seçmelisiniz?
Uygulamaya dönük ilk karşılaştırmanız için genel çok modlu uygulamalarda Qwen3.8-27B, yerel model boyutu seçenekleri için Gemma 4, erişilebilir metin muhakemesi içinse gpt-oss ile başlayın. Bunlar, merkezi bir çıkarım kümesine yatırım yapmadan önce değerlendirebileceğiniz kullanışlı başlangıç seçenekleridir.
Sunucu ölçeğinde yüksek gereksinimli işler için geniş kapsamlı muhakeme ve kodlama alanında DeepSeek V4‘ü, uzun süre çalışan yazılım aracıları için GLM-5.3‘ü, çok modlu iş akışları içinse Kimi K3‘ü karşılaştırın. Tek bir modelin yapılandırılabilir muhakemeyle çeşitli iş görevlerini yerine getirmesi gerekiyorsa Mistral Small 4‘ü değerlendirmeye değer.
Uzmanlaşmış modeller farklı ihtiyaçlara yanıt verir: odaklı bir kodlama iş istasyonu için Devstral Small 2, verimlilik odaklı metin aracıları için Nemotron 3 Nano, şeffaf araştırma ve uyarlama içinse Olmo 3.1. Donanımınıza ve lisans gereksinimlerinize uyan iki veya üç model seçin, ardından bir dağıtım seçmeden önce aynı temsili görevlerde değerlendirin.











