Açık kaynak yapay zekâ ile açık ağırlıklı model aynı anlama gelmez. Bir modelin ağırlıklarını indirebilmeniz önemli bir erişim biçimidir; fakat sistemi inceleme, değiştirme ve yeniden paylaşma koşullarının tamamını tek başına açıklamaz. Doğru değerlendirme için model dosyalarının yanında lisans, kod ve eğitim verisine ilişkin açıklamalara bakmak gerekir.[1][2]
Bu ayrım günlük kullanımda da önemlidir. “Ücretsiz indiriliyor” ifadesinden “her projede sınırsız ticari kullanım serbest” sonucu çıkmaz. Benzer şekilde modeli bilgisayarınızda çalıştırabilmeniz, kullandığınız uygulamanın bütün ağ bağlantılarının kapalı olduğu anlamına gelmez. Erişim, kullanım hakkı ve çalışma ortamı ayrı kontrol başlıklarıdır.
Açık ağırlık ne demek?
Ağırlıklar, modelin eğitim sırasında ayarlanan sayısal parametreleridir. Açık ağırlıklı bir modelde bu dosyalar, belirtilen koşullar altında indirilebilir veya kullanılabilir. Fakat yalnızca ağırlıklara erişmek, modelin eğitim sürecini bütün ayrıntılarıyla yeniden kurabilmeniz anlamına gelmez.[2]
Basit bir benzetmeyle sonuç ürüne erişmekle üretim yönteminin bütün ayrıntılarını bilmek farklıdır. Benzetmeyi gerçek teknik eşitlik gibi düşünmeyin; modelin çalışması ayrıca uygun yazılım, yapılandırma ve donanım gerektirir. Dosyanın bulunması tek başına kullanıma hazır sistem oluşturmaz.
Dil modelinin temel bileşenlerini LLM nedir rehberimizde açıklıyoruz. Burada odak, bu bileşenlerden hangilerine erişildiği ve erişimin hangi koşullarla verildiğidir.
Açık kaynak yapay zekâ nasıl tanımlanıyor?
Open Source Initiative’ın Açık Kaynak Yapay Zekâ Tanımı, sistemi kullanma, inceleme, değiştirme ve paylaşma özgürlüklerini merkeze alıyor. Tanım, değişiklik yapmak için tercih edilen biçime erişimde veri bilgisi, kod ve parametreler gibi bileşenleri de ele alıyor. Yalnızca indirilebilir ağırlık etiketi bu koşulların yerine geçtiği varsayımıyla kullanılmamalıdır.[1]
Buradaki veri bilgisi, “her eğitim dosyasının mutlaka tek arşivde yayımlanması” şeklinde basitleştirilmemelidir. OSI metni, verinin kökeni, kapsamı, özellikleri ve elde edilme biçimi gibi açıklamaları ayrıntılandırıyor. Bir ürünün kendisini nasıl adlandırdığını, hangi tanımı karşıladığı sorusundan ayırın.[1]
Bir haber veya rehber yazarken en güvenli anlatım, doğrulayabildiğiniz erişimi açıkça söylemektir: ağırlıkları indirilebiliyor, kaynak kodu yayımlanmış, belirli lisansla dağıtılıyor gibi. “Tamamen açık” ifadesini açıklama yerine kullanmak önemli farkları gizleyebilir.
Açık kaynak, açık ağırlık ve ücretsiz kullanım
| İfade | Ne anlatabilir? | Tek başına neyi göstermez? |
|---|---|---|
| Ücretsiz hizmet | Belirli kullanım için ücret alınmıyor | Model dosyalarının açık olduğunu |
| Açık ağırlık | Parametre dosyalarına erişim var | Bütün kod ve veri bilgilerinin yayımlandığını |
| Kaynak kodu açık | Belirli yazılım kodu görülebiliyor | Her kullanımın aynı lisansla serbest olduğunu |
| Açık kaynak AI | Belirli açıklık ve özgürlük koşulları karşılanıyor | Çalıştırma maliyetinin sıfır olduğunu |
| Yerel çalışma | İşlem kendi ortamınızda yürütülebiliyor | Bütün uygulamanın ağdan yalıtıldığını |
Bu tablo kavramları ayırmak için hazırlanmıştır. Bir projeye karar vermeden önce modelin kendi lisans ve dağıtım belgelerini inceleyin. Genel tanım, belirli bir modelin bütün koşullarını kendiliğinden açıklamaz.[1][3]
Model kartında hangi bilgiler aranmalı?
Hugging Face model kartları, modelin kullanım amacı, sınırlamaları, eğitim ve değerlendirme bilgileri gibi alanları açıklamak için kullanılıyor. Kartın ne kadar kapsamlı olduğu projeye göre değişebilir. Model adı ve indirme sayısı, bu açıklamaların yerine geçmez.[2]
İlk olarak tam model adını ve sürümünü bulun. Aynı ailenin farklı boyutları, görev uyarlamaları veya başka kişilerce dönüştürülmüş dosyaları olabilir. Sonra yayımlayan hesabın resmî geliştiriciyle ilişkisini kontrol edin. Popüler bir ad kullanan her depo asıl üreticiye ait olmayabilir.
Ardından kullanım amacı ve sınırlama bölümünü okuyun. Kod için hazırlanmış modeli genel sohbetle, yalnızca metin işleyen modeli görsel görevle değerlendirmek yanlış beklenti doğurabilir. Özellikle hassas kararlarda kullanılmaması gerektiği belirtilen bir modelin bu sınırını görmezden gelmeyin.
Lisans kontrolü için pratik liste
Hugging Face depolarında lisans bilgisi model kartı metadatası ve ilgili dosyalar üzerinden belirtilebiliyor. Standart lisans adlarının yanında özel lisanslar da bulunabiliyor. Bu yüzden yalnızca etiketle yetinmeyip lisansın asıl metnini açmak gerekir.[3]
Kontrol listenizde şu sorular bulunsun: Amaçladığım kullanım türü kapsam içinde mi? Değiştirilmiş modeli paylaşmak için hangi şartlar var? Atıf veya lisans metnini taşıma yükümlülüğü bulunuyor mu? Ek kullanım politikası veya erişim koşulu var mı? Soruların cevabını modelin gerçek sürümü için kaydedin.
Bu rehber genel belge okuma yöntemidir; belirli model için hukuki izin kararı vermez. Ticari ürününüze ekleyeceğiniz modelin koşulları açık değilse yetkili kaynaktan açıklama alın. Bir blogdaki “ticari kullanıma uygun” özetinin lisans metnini geçersiz kılacağını varsaymayın.
Dönüştürülmüş model dosyası seçerken dikkat
Bir model ailesinin farklı dosya biçimlerinde veya küçültülmüş sürümlerini görebilirsiniz. Bu dosyalar farklı bellek ve çalışma koşullarına yönelik olabilir. Ancak aynı isim kökünü taşımaları, bütün özelliklerinin ve kaynak zincirinin aynı olduğunu göstermez.
İndirmeden önce hangi temel modelden üretildiğini, dönüştüren kişiyi ve ilgili açıklamayı kontrol edin. Dönüştürülmüş depoda lisans bilgisi eksikse temel modele dönün. Sadece dosya boyutuna bakıp seçim yapmak, ihtiyacınıza uygun olmayan veya kökenini takip edemediğiniz bir sonuç doğurabilir.
Kendi kaydınıza temel model, sürüm, dosya adı ve indirme tarihi yazın. Daha sonra bir problem çıktığında “bir model indirmiştim” notundan daha kullanışlı olur. Özellikle ekipte aynı görevi farklı kişiler yürütüyorsa dosya kimliğinin tutarlı olması önemlidir.
Kendi bilgisayarınızda çalıştırmak ne sağlar?
Yerel çalışma, verinin hangi ortamda işlendiği ve sistemi nasıl yönettiğiniz üzerinde daha fazla kontrol sağlayabilir. Bunun karşılığında donanım, kurulum, güncelleme ve bakım sorumluluğu size geçer. İndirilebilir modelin bulunması, bütün bilgisayarlarda aynı hızla çalışacağı anlamına gelmez.[4]
Başlangıç için Ollama ve LM Studio rehberimiz kullanılabilir. Bu araçlarla model seçerken yalnızca parametre sayısını değil, görev türünü ve mevcut donanımı düşünün. İlk denemeyi küçük ve kişisel veri içermeyen bir dosyayla yapın.
Yerel uygulamada uzaktaki model seçeneği veya harici eklenti bulunuyorsa bunun davranışını ayrıca inceleyin. “Bilgisayarıma kurdum” ile “hiçbir veri dışarı çıkmıyor” aynı iddia değildir. Çalışan modelin gerçekten yerel olduğunu ve kullanılan özelliklerin nerede işlediğini belgelerden doğrulayın.
Gerçek maliyeti nasıl düşünmelisiniz?
Model dosyasının ücretsiz olması; ekran kartı, bellek, elektrik, depolama ve bakım maliyetinin de sıfır olduğu anlamına gelmez. Buna karşılık her kullanım için dış hizmete ödeme yapmamak bazı işlerde avantaj sağlayabilir. Karar, gerçek iş yükünüze bağlıdır.
Örneğin haftada birkaç kısa metin inceleyen kişiyle her gün binlerce belge işleyen kurumun ihtiyacı farklıdır. Yerel sistemi kurmak için harcanan zamanı da hesaba katın. Bir ay sonra güncelleme gerektiğinde kimin ilgileneceği belirlenmemişse başlangıç tasarrufu bakım yüküne dönüşebilir.
Bir maliyet tablosunda başlangıç donanımı, aylık çalışma gideri, bakım süresi ve alternatif hizmet maliyeti ayrı dursun. Varsayımsal rakamları gerçek ölçüm gibi sunmayın. Önce kendi görevlerinizden küçük örneklerle süre ve kalite kaydı oluşturun.
Bir modeli kendi göreviniz için nasıl değerlendirmelisiniz?
Üç örnek hazırlayın: kısa Türkçe özet, belirli biçimde bilgi çıkarma ve kaynakta bulunmayan soruya yanıt. Son örnek özellikle önemlidir; modelin bilmediği bilgiyi uydurmadan bırakıp bırakmadığını görmenizi sağlar. Aynı örnekleri alternatif modellerde değiştirmeden kullanın.
Puanlamayı önceden tanımlayın. Bilgi korunuyor mu? İstenen sütunlar doğru mu? Eksik veri açıkça belirtiliyor mu? Türkçe terimler tutarlı mı? Yalnızca en uzun veya en akıcı cevabı iyi saymak yerine görevin gerçek kabul koşullarına bakın.
Sonuçları modelin sürümü ve çalışma ayarlarıyla saklayın. Bir topluluk sıralamasındaki puan sizin veri türünüzü temsil etmeyebilir. Kendi küçük denemeniz evrensel bilimsel sonuç üretmez; fakat kullanım kararınız için gözlenebilir bir başlangıç sağlar.
Paylaşım yaparken doğru adlandırma
Bir modeli anlatan içerik hazırlıyorsanız başlıkta kullandığınız açıklık ifadesini kaynakla eşleştirin. Ağırlıkları yayımlanan modele otomatik olarak bütün eğitim süreci açıkmış gibi davranmayın. Lisans kısıtını veya erişim koşulunu önemliyse okura açıklayın.
Örnek bir ifade şöyle kurulabilir: “Modelin ağırlıkları geliştiricinin deposundan indirilebiliyor; kullanım koşulları ilgili lisansa bağlı.” Bu cümle, kanıtın kapsamını korur. Kodun ve eğitim verisi açıklamalarının durumunu ayrıca araştırabilirsiniz.
Teknik ayrımı sade anlatmak, ayrıntıları ortadan kaldırmak değildir. Okurun neyi kullanabileceğini, hangi koşulu kontrol etmesi gerektiğini ve hangi bilginin henüz açık olmadığını görmesini sağlamaktır. Özellikle “sınırsız”, “tamamen ücretsiz” ve “herkes için serbest” ifadelerini dayanak olmadan kullanmayın.
Bir kurum içinde model seçimini devredecekseniz kısa bir karar dosyası hazırlayın. Dosyada kullanım amacı, tam model sürümü, temel kaynak, lisans bağlantısı, çalışma ortamı ve kabul edilen sınırlama bulunsun. Böylece bir ay sonra benzer adlı başka bir dosyanın aynı izin ve davranışa sahip olduğu varsayılmaz.
Örneğin model yalnızca iç taslak hazırlamak için değerlendirildiyse bu kullanım sınırını yazın. Sonradan müşteriyle doğrudan konuşan sisteme eklemek yeni bir değerlendirme gerektirir. İlk denemenin başarılı olması, farklı veri ve farklı sorumluluk taşıyan bütün işlere otomatik onay vermiş sayılmaz. Karar kaydı bu kapsam değişikliğini fark etmenizi sağlar.
Kayıtta “belirsiz” bölümü de bulunsun. Modelin eğitim verisi açıklamasında aradığınız bilgi yoksa bunu kendi tahmininizle tamamlamayın. Açıklama eksikliğini, doğrudan olumsuz sonuç kanıtı gibi de sunmayın. Hangi bilginin bulunduğunu ve hangisinin bulunamadığını ayırmak, teknik değerlendirme ile varsayımın karışmasını önler. İndirme sayısı veya topluluk beğenisi bu eksik bilginin yerini tutmaz.
Son olarak modelin güncellenme durumunu takip edecek kişiyi belirleyin. Dosyaları indirmek başlangıçtır; güvenlik bildirimi, yeni sürüm ve proje ihtiyacındaki değişiklikler zaman içinde yeniden kontrol edilmelidir. Açık erişimin sağladığı kontrol, bu bakım sorumluluğuyla birlikte düşünülmelidir.
Sık sorulan sorular
Açık ağırlıklı model açık kaynak mıdır?
Bu iki ifade eş anlamlı değildir. Ağırlıklara erişim, kod, veri bilgisi ve lisans koşullarıyla birlikte değerlendirilmelidir. Belirli modelin hangi tanımı karşıladığını belgelerinden kontrol edin.[1]
Ücretsiz model ticari üründe kullanılabilir mi?
Ücretsiz indirilebilmesi tek başına izin göstermez. Modelin lisansını ve varsa ek kullanım koşullarını incelemek gerekir.[3]
Yerel model internet gerektirmez mi?
Model dosyasını ve gerekli yazılımı edindikten sonra bazı görevler yerelde yürütülebilir. Ancak uygulamanın güncelleme, uzaktaki model ve eklenti davranışları ayrıca kontrol edilmelidir.[4]
En büyük model en iyi seçim midir?
Karşılaştırmada kullandığınız dosyanın tam adını kaybetmemek için deneme notunu model çıktısıyla aynı klasörde saklayabilirsiniz.
Sizin göreviniz ve donanımınız için her zaman böyle bir sonuç çıkarılamaz. Kaliteyi, kaynak ihtiyacını ve bakım yükünü birlikte değerlendirin; aynı örneklerle karşılaştırma yapın.
Kaynaklar ve hazırlama notu
Bu rehber resmî belgeler ve aşağıdaki birincil kaynaklar incelenerek hazırlandı. Uygulama örnekleri Dijipedya tarafından açıklama ve karşılaştırma amacıyla kurgulandı; ölçülmüş performans sonucu olarak sunulmaz. Özellik ve plan koşulları değişebilir.
- Open Source Initiative, Open Source AI Definition 1.0. Bilginin alındığı tarih: 5 Kasım 2026.
- Hugging Face, Model Cards. Bilginin alındığı tarih: 5 Kasım 2026.
- Hugging Face, Repository licenses. Bilginin alındığı tarih: 5 Kasım 2026.
- Ollama, Model Library. Bilginin alındığı tarih: 5 Kasım 2026.
