Türkçe Dil Modelleri 2026: Doğrulanmış Bir Manzara (ve Uydurulmuş Olanlar)

Türkçe “açık kaynak LLM” araması yaptığınızda karşınıza çıkan ilk sonuçların bir kısmı var olmayan modelleri listeliyor. Uydurulmuş depo adları, uydurulmuş kıyaslama puanları ve model lisansı diye sunulan bir ABD ihracat mevzuatı. Bu yazı, bunun tam tersini yapıyor: her model adı gerçek bir Hugging Face deposuna bağlı, her sayının nereden geldiği yazılı ve doğrulayamadığım hiçbir şey burada yok. Sonunda da kendi listenizi 20 saniyede doğrulayabileceğiniz bir betik var.

Önce uyarı: var olmayan modeller#

Türkçe arama sonuçlarında bugün üst sıralarda yer alan bir liste sayfası şu model adlarını içeriyor: KanarYa-Mistral-7B-tr, Kumru AI-7.4B, Cosmos-Llama-1-70B, TÜBİTAK BİLGEM-13B, bilgem-tr-llm-70b ve “ITAR/EAR Custom License” altında yayımlandığı söylenen t3-ai-defence-7b.

Bu depoların hiçbiri yok — ve ITAR/EAR bir model lisansı değil, ABD ihracat kontrol mevzuatıdır.

Bunu okurken bana da güvenmeyin. Doğrulaması otuz saniye sürüyor ve bu betik çalışır:

from huggingface_hub import HfApi
from huggingface_hub.utils import RepositoryNotFoundError

api = HfApi()
adaylar = [
    # iddia edilen, doğrulanamayan depolar
    "asafaya/KanarYa-Mistral-7B-tr",
    "vngrs-ai/Kumru-AI-7.4B",
    "ytu-ce-cosmos/Cosmos-Llama-1-70B",
    # gerçekten var olanlar
    "asafaya/kanarya-2b",
    "vngrs-ai/Kumru-2B",
    "ytu-ce-cosmos/Turkish-Llama-8b-v0.1",
]

for repo in adaylar:
    try:
        bilgi = api.model_info(repo)
        print("VAR  ", repo, "| lisans:", bilgi.card_data.get("license"))
    except RepositoryNotFoundError:
        print("YOK  ", repo)

Bir model listesini okurken uygulayacağınız kural basit: depo adı ve lisans verilmemişse, o satır bir iddiadır, bir bilgi değil. Türkçe yapay zekâ ekosisteminin en büyük sorunu model azlığı değil; doğrulanabilir bilgi azlığı.

Doğrulanmış manzara: kim ne yayımlıyor?#

Aşağıdaki tablodaki her satır, yazım sırasında Hugging Face üzerinden doğrulanmıştır.

Bu tablonun en çarpıcı yanı, çoğu listede görmediğiniz şey: Türkçe’ye özel yayımlanmış, 12B’nin üzerinde, açık ağırlıklı bir model yok. Ekosistemin gerçek ağırlık merkezi 2B–12B aralığında ve encoder tarafında (BERT/ModernBERT türevleri) şaşırtıcı derecede güçlü.

Bunun bir de doğrudan sonucu var: Türkçe için büyük bir modele ihtiyacınız varsa, seçenek Türkçe’ye özel bir model değil, Türkçe’yi iyi bilen çok dilli bir modeldir. Bu kategoride en temiz lisanslı seçenek utter-project/EuroLLM-22B-Instruct-2512 — 22,6 milyar parametre, Apache-2.0, ve desteklediği 35 dil arasında Türkçe açıkça yer alıyor.

Lisanslar: “açık” ne demek, ne demek değil?#

“Açık kaynak” etiketi Türkçe listelerde en çok yanlış kullanılan şey. Doğrulanmış durum şöyle:

• Turkish-Llama-8b-v0.1 Llama 3 lisansı altında. Apache değil; kullanım kısıtları ve atıf yükümlülükleri var.
• Turkish-Gemma-9b-v0.1 ve Trendyol-LLM-Asure-12B Gemma lisansı altında. Bunlar da Apache-2.0 değil — Türkçe listelerde en sık yapılan hata bu ikisini “Apache” diye etiketlemek.
• EuroLLM-22B-Instruct-2512 gerçekten Apache-2.0.

BİLGE ve T3: devlet ve vakıf tarafı#

BİLGE, TÜBİTAK BİLGEM tarafından geliştirilen ulusal dil modeli. Doğrulanabilir olanlar: 1 trilyon token üzerinde eğitildiği, kültürel çeviri değerlendirmesinde 50 üzerinden 44,44 puan aldığı ve resmî bir tanıtım sitesinin bulunduğu. Doğrulanamayan iki şey var ve bunları söylemek dürüstlüğün gereği: parametre sayısı çelişkili — farklı haber kaynakları 1,9B–122B arası bir aile ile 37B arasında ayrışıyor — ve hiçbir kaynak BİLGE’nin açık ağırlıklı olduğunu doğrulamıyor. Dolayısıyla BİLGE’yi “Türkiye’nin açık kaynak modeli” diye anmak şu an için yanlış olur.

T3 AI, T3 Vakfı ve Baykar iş birliğiyle geliştirilen ve TEKNOFEST’te tanıtılan model; beta sürümü erişime açıldı. Savunma sanayiine özel, ihracat kontrollü bir varyantına dair dolaşan iddiaların hiçbir birincil kaynağı yok.

Kıyaslama gerçeği: Türkçe’ye özel model her zaman kazanmıyor#

Türkçe LLM tartışmasının en çok gözden kaçan bulgusu bu. Koç Üniversitesi KUIS AI ekibinin Cetvel çalışması (arXiv:2508.16431, EACL 2026’ya kabul edildi) 23 görev ve 70B’ye kadar 33 açık ağırlıklı modeli değerlendirdi ve şunu buldu: Türkçe’ye özel talimat ayarlı modeller, çok dilli veya genel amaçlı modellere göre genellikle daha zayıf performans gösteriyor — dile özel olarak hazırlanmış olmalarına rağmen. Llama 3 ve Mistral, birçok görevde Türkçe’ye özel modelleri geçti.

Bu, “Türkçe model gereksiz” demek değil. Şunu söylüyor: dil etiketi bir performans garantisi değildir. Türkçe’ye sürekli ön eğitim yapılmış bir 9B model, aynı boyuttaki çok dilli bir modelden Türkçe’de daha iyi olabilir; ama 70B’lik güçlü bir çok dilli modelden daha iyi olacağının garantisi yoktur.

Kıyaslama tarafında bakılacak yerler: TurkBench (arXiv:2601.07020, 8.151 örnek, 21 alt görev, EACL 2026 SIGTURK), daha eski referans olarak TR-MMLU (arXiv:2501.00593) ve canlı sıralamalar için yerel.ai/leaderboard ile Hugging Face üzerindeki alibayram TR-MMLU tablosu. Model kartlarının kendi bildirdiği puanları da kullanabilirsiniz — örneğin Turkish-Gemma-9b-v0.1 kartı Türkçe kıyaslamalarda 63,31 ortalama bildiriyor — ama bunlar üreticinin kendi ölçümüdür, bağımsız değildir; öyle etiketleyin.

Model seçimi: pratik bir karar akışı#

1. Görev bir sınıflandırma, etiketleme veya arama işi mi? Büyük bir üretken modele gerek yok. ModernBERT-TR ailesi (~0,1B) bu işlerde hem çok daha hızlı hem çok daha ucuz.
2. Anlamsal arama mı yapıyorsunuz? Türkçe için ayrı bir embedding modeli seçin ve sorgu ile belgeleri aynı modelle kodlayın.
3. Üretken bir işse ve veri kurum dışına çıkamıyorsa, 8B–12B aralığındaki Türkçe sürekli-ön-eğitimli modeller makul bir başlangıç; lisansı önceden okuyun.
4. Kalite tavanı gerekiyorsa, Türkçe’ye özel model aramayı bırakın; güçlü çok dilli bir modeli kendi görev setinizde ölçün.
5. Her durumda: kararı kıyaslama tablosuyla değil, kendi verinizden çıkardığınız 50–200 örneklik bir değerlendirme setiyle verin. Genel liderlik tabloları sizin işinizi ölçmüyor.

Türkçe yapay zekâ ekosisteminin ihtiyacı daha çok liste değil, doğrulanabilir liste. Açık ağırlıklı modellerin genel manzarası için açık kaynak LLM’ler, bir modeli kendi verinizde ölçmenin yöntemi için LLM değerlendirme, ve neden çoğu Türkçe iş için küçük bir modelin yettiği konusunda küçük dil modelleri yazılarına bakabilirsiniz.