ATLAS KATEGORİSİ

Large Language Models

Large Language Models alanındaki 77 terimin Türkçe tanımı bu sayfada. Ayrıntı gerektiren kavramlar Atlas girdisine açılır; geri kalanında sözlük tanımı nihai biçimdir.

Terim: 77
Atlas girdisi: 11
İşaretli: 1
Hedef girdi: 31

01AYRINTILI GİRDİLER

Atlas kavramları

Gövdesi, kaynakları ve sürüm geçmişi olan girdiler. Bir kavramın Atlas girdisi açılması, tek satırlık tanımın yetmediği anlamına gelir.

Orta

Chain-of-Thought

Modelin nihai cevaba gitmeden önce ara adımları açıkça üretmesini isteyen istem tekniğidir; çok adımlı görevlerde doğruluğu artırabilir.

Prompt EngineeringReasoning ModelsLLM

1 Eylül 2026

Orta

Chunking

Bir belgeyi, aranabilir ve bağlama sığacak anlamlı birimlere bölme işlemidir; geri getirme kalitesini belirleyen ilk karardır.

RAGEmbeddingReranking

5 Eylül 2026

Başlangıç

Context Window

Bir modelin tek seferde dikkate alabileceği toplam token miktarıdır; istem, ek bağlam ve üretilen cevap bu bütçeyi paylaşır.

TokenizationRAGMemory

2 Eylül 2026

Başlangıç

Embedding

Metin, görsel veya sesin anlamsal yakınlığı koruyacak biçimde sayısal vektörlere dönüştürülmüş temsilidir.

Vector DatabaseSemantic SearchRAG

1 Eylül 2026

İleri

Fine-Tuning

Önceden eğitilmiş bir modelin, belirli bir görev veya alana uyum sağlaması için ek veriyle yeniden eğitilmesidir.

RAGQuantizationEvaluation

26 Ağustos 2026

Orta

Large Language Model

Çok büyük metin derlemleri üzerinde bir sonraki tokeni tahmin etmeyi öğrenmiş, transformer tabanlı ve genel amaçlı dil görevlerinde kullanılabilen sinir ağı modelidir.

TransformerTokenizationContext Window

9 Eylül 2026

İleri

Mixture of Experts

Her girdi için ağdaki uzman alt bloklardan yalnızca birkaçını etkinleştirerek kapasiteyi maliyetten ayıran model mimarisidir.

RoutingQuantizationTransformer

22 Ağustos 2026

İleri

Reasoning Models

Cevabı doğrudan üretmek yerine, çıkarım anında daha fazla hesaplama harcayarak ara adımlar üreten ve bu adımlar üzerinden sonuca varan dil modeli ailesidir.

Chain-of-ThoughtLLMEvaluation

7 Eylül 2026

İleri

Reranking

Arama adımından dönen ilk adayların, sorgu ve belgeyi birlikte okuyan daha maliyetli bir modelle yeniden puanlanıp sıralanmasıdır.

RAGSemantic SearchEmbedding

6 Eylül 2026

Orta

Retrieval-Augmented Generation

Dil modelinin cevap üretmeden önce harici bilgi kaynaklarından ilgili bilgiyi getirip oluşturduğu bağlama eklediği yapay zekâ mimarisidir.

EmbeddingVector DatabaseReranking

4 Eylül 2026

Başlangıç

Tokenization

Metnin, modelin işleyebileceği en küçük birimlere (token) bölünmesi işlemidir.

EmbeddingContext WindowTransformer

18 Ağustos 2026

02ALAN SÖZLÜĞÜ

Large Language Models terimleri

Bu alanın tüm sözlük terimleri, Türkçe tanımı ve İngilizce karşılığıyla. Mor işaretli olanların ayrıntılı Atlas girdisi yayında.

Tüm sözlük

Ajan tabanlı RAGAgentic RAG: Getirimin tek seferlik bir adım değil, ajanın karar verdiği bir döngü olduğu mimari: ajan sorguyu böler, arar, gelen sonucu değerlendirir ve yetersizse yeniden arar.Sözlükteki yeri
Akıl yürütme modeliReasoning Model: Yanıt üretmeden önce iç düşünme adımlarına ayrı bütçe ayıran model türü.Sözlükteki yeri Atlas girdisi
AkışStreaming: Yanıtın tamamlanmasını beklemeden token token iletilmesi; kullanıcıya erken bilgi ve iptal imkânı verir.Sözlükteki yeri
Alana uyarlanmış ön eğitimDAPTDomain-Adaptive Pretraining: Ön eğitimin belirli bir alanın metinleriyle sürdürülmesi: hukuk, tıp, finans ya da tek bir kurumun arşivi. Alan terminolojisinin modele yerleşmesini sağlar.Sözlükteki yeri
Alıntı doğrulamaCitation Verification: Cevapta gösterilen kaynağın ilgili cümleyi gerçekten desteklediğinin denetlenmesi.Sözlükteki yeri
Anlamsal aramaSemantic Search: Kelime eşleşmesi yerine anlam yakınlığına göre sonuç getiren arama biçimi.Sözlükteki yeri Atlas girdisi
Az örnekle öğrenmeFew-Shot Learning: Modelin yalnızca birkaç örnekten yeni bir görevi yapabilmesi; dil modellerinde istem içine konan örneklerle sağlanır.Sözlükteki yeri
Bağlam bozulmasıContext RotYerleşmekte: Bağlam uzadıkça modelin niteliğinin düşmesi: eski talimatların gölgelenmesi, çelişen bilgilerin birikmesi ve dikkatin dağılması. Pencere büyütmenin tek başına çözmediği sorun.Yerleşmekte olan terim: gözlem yaygın kabul görüyor, adlandırma henüz tek biçimli değil.Sözlükteki yeri
Bağlam budamaContext Pruning: Bağlamdan tamamen çıkarılacak parçaların seçilmesi: eskiyen tur geçmişi, kullanılmayan araç tanımları, alakasız getirim sonuçları. Sıkıştırmadan farkı, kısaltmak yerine atmasıdır.Sözlükteki yeri
Bağlam bütçesiContext Budget: Bağlam penceresinin bölümler arasında nasıl paylaştırıldığı: sistem istemine, araç tanımlarına, getirime ve geçmişe kaç token ayrıldığı. Bütçesiz bir ajan, pencere dolduğunda öngörülemez biçimde davranır.Sözlükteki yeri
Bağlam derlemesiContext Assembly: Modele gönderilecek bağlamın parçalarının (sistem istemi, geçmiş, getirilen belgeler, araç tanımları, bellek) hangi sırayla ve hangi biçimde birleştirileceğinin kurulması. Bağlam mühendisliğinin yürütme adımıdır.Sözlükteki yeri
Bağlam enjeksiyonuContext Injection: Dış kaynaklı bilginin çalışma anında isteme eklenmesi — kullanıcı profili, güncel veri, getirilen belge. Meşru bir tekniktir; aynı kanalın saldırgan tarafından kullanılması dolaylı istem enjeksiyonudur.Sözlükteki yeri
Bağlam kaybıLost in the Middle: Uzun bağlamda ortada kalan bilginin baştaki ve sondakine göre daha az kullanılması eğilimi.Sözlükteki yeri
Bağlam kullanımıContext Utilization: Modelin bağlamındaki bilgiyi ne ölçüde gerçekten kullandığı. Pencerenin ortasına konan bilgiyi kaçırma eğilimi bu ölçümle görünür hâle gelir.Sözlükteki yeri
Bağlam mühendisliğiContext Engineering: Sonlu bağlam penceresine hangi bilginin, hangi sırayla ve hangi biçimde gireceğine karar verme işi.Sözlükteki yeri
Bağlam penceresiContext Window: Modelin tek bir istekte işleyebileceği en çok token sayısı; istem, geçmiş ve çıktı bu bütçeyi paylaşır.Sözlükteki yeri Atlas girdisi
Bağlam seçimiContext Selection: Eldeki aday bilgi kümesinden hangilerinin bağlama gireceğine karar verilmesi. Getirim adayları üretir, seçim hangisinin gerçekten yardımcı olacağını belirler.Sözlükteki yeri
Bağlam sıkıştırmaContext Compression: Bağlama giren metnin anlamını koruyarak kısaltılması — özetleme, gereksiz tekrarların atılması ya da yoğunlaştırılmış temsil kullanma. Amaç aynı bilgiyi daha az tokenla taşımaktır.Sözlükteki yeri
Bağlam taşmasıContext Overflow: Gönderilmek istenen içeriğin bağlam penceresine sığmaması. Sistemin ne yapacağı tasarım kararıdır: hata döndürmek, baştan kırpmak ya da özetleyip devam etmek.Sözlükteki yeri
Bağlamsal getirimContextual Retrieval: Her parçaya, ait olduğu belgeden türetilmiş kısa bir bağlam cümlesi eklenerek indekslenmesi. Parçalamanın kopardığı bağlamı geri koyar ve isabeti belirgin biçimde artırır.Sözlükteki yeri
Bilgi kesim tarihiKnowledge Cutoff: Modelin eğitim verisinin kapsadığı en son tarih; bu tarihten sonraki olayları bilmez.Sözlükteki yeri
Büyük dil modeliLLMLarge Language Model: Çok büyük metin derlemleriyle eğitilmiş, bir sonraki tokenı tahmin ederek metin üreten model.Sözlükteki yeri Atlas girdisi
ColBERT: Geç etkileşim yaklaşımının en bilinen uygulaması: belge ve sorgu token vektörleri ayrı ayrı saklanır, benzerlik arama anında her sorgu tokenının en iyi eşleşmesi toplanarak hesaplanır.Sözlükteki yeri
Çekirdek örneklemetop-pNucleus Sampling: Olasılık kütlesinin belirli bir oranını kapsayan en olası tokenlar arasından seçim yapan örnekleme yöntemi.Sözlükteki yeri
Çıkarım zamanı ölçeklemeInference-Time Scaling: Aynı modelden, çıkarımda daha fazla hesaplama harcayarak daha iyi sonuç almanın ölçekleme yasası olarak incelenmesi. Parametre büyütmenin alternatifi değil, tamamlayıcısıdır.Sözlükteki yeri
Çok modlu RAGMultimodal RAG: Getirilen kaynakların yalnızca metin değil görüntü, tablo, şema ya da video parçası olduğu RAG. Belgedeki grafiğin metne çevrilmeden doğrudan bağlama girmesini sağlar.Sözlükteki yeri
Çok vektörlü getirimMulti-Vector Retrieval: Bir belgenin tek bir vektörle değil, birden çok vektörle temsil edilmesi. Uzun ve çok konulu belgelerin tek bir ortalamaya sıkıştırılmasının yol açtığı kaybı önler.Sözlükteki yeri
Düşük ranklı uyarlamaLoRALow-Rank Adaptation: Ağırlık güncellemesini düşük ranklı iki matrisle temsil ederek uyarlamayı ucuzlatan yöntem.Sözlükteki yeri
Düşünce ağacıToTTree of Thoughts: Tek bir düşünce zinciri yerine birden çok yolu dallandırıp değerlendiren akıl yürütme yaklaşımı.Sözlükteki yeri
Düşünce zinciriCoTChain of Thought: Modelin sonuca varmadan önce ara adımları açıkça üretmesi; karmaşık akıl yürütmede doğruluğu artırır.Sözlükteki yeri Atlas girdisi
Düşünme bütçesiThinking Budget: Akıl yürütme modelinin yanıt öncesi harcayabileceği token miktarı; doğruluk ile maliyet arasındaki ayar düğmesidir.Sözlükteki yeri
Düzeltici RAGCRAGCorrective RAG: Getirilen belgelerin ilgililiğini önce değerlendirip, zayıfsa sorguyu yeniden yazan ya da web aramasına düşen RAG değişkesi. Kötü getirimin kötü cevaba dönüşmesini engellemeyi hedefler.Sözlükteki yeri
Ebeveyn–çocuk getirimiParent-Child Retrieval: Aramanın küçük parçalar üzerinde yapılıp, bulunan parçanın ait olduğu daha büyük bölümün bağlama verilmesi. Arama isabeti ile bağlam bütünlüğü arasındaki gerilimi çözer.Sözlükteki yeri
Eğitim sonrasıPost-Training: Ön eğitimden sonra gelen tüm aşamaların ortak adı: talimat ayarı, tercihle hizalama, akıl yürütme eğitimi, güvenlik ayarı. Bugün modeller arasındaki farkın büyük bölümü bu aşamada oluşur.Sözlükteki yeri
En olası ktop-kTop-k Sampling: Her adımda yalnızca en olası k token arasından seçim yapan örnekleme yöntemi.Sözlükteki yeri
Geç etkileşimLate Interaction: Sorgu ve belgenin tek bir vektöre indirgenmeden, token düzeyindeki vektörlerin arama anında eşleştirilmesi. Tek vektörlü aramadan isabetli, çapraz kodlayıcıdan hızlıdır.Sözlükteki yeri
Geri getirmeyle zenginleştirilmiş üretimRAGRetrieval-Augmented Generation: Modelin cevap üretmeden önce dış kaynaklardan ilgili bilgiyi getirip bağlama eklediği mimari.Sözlükteki yeri Atlas girdisi
GömmeEmbedding: Metin ya da başka bir veriyi, anlamca yakın olanların birbirine yakın durduğu sayısal vektöre çevirme.Sözlükteki yeri Atlas girdisi
Graf tabanlı geri getirmeGraph RAG: Belgeler arasındaki ilişkileri bir grafta tutup geri getirmeyi bu yapı üzerinden yapan yaklaşım.Sözlükteki yeri
HalüsinasyonHallucination: Modelin gerçekte olmayan bir bilgiyi kendinden emin biçimde üretmesi; bu sistemlerin temel başarısızlık modudur.Sözlükteki yeri Atlas girdisi
Hibrit aramaHybrid Search: Anlamsal ve sözcüksel arama sonuçlarını birleştiren yaklaşım; ikisinin tek başına kaçırdığı sorgu sınıflarını kapsar.Sözlükteki yeri
İnce ayarFine-Tuning: Ön eğitilmiş bir modeli daha küçük ve göreve özgü veriyle güncelleyerek davranışını uyarlama.Sözlükteki yeri Atlas girdisi
İstemPrompt: Modele verilen girdi metni; talimat, örnek ve veriyi birlikte taşıyabilir.Sözlükteki yeri
İstem mühendisliğiPrompt Engineering: Modelden istenen davranışı elde etmek için istemin içeriğini ve yapısını tasarlama pratiği.Sözlükteki yeri Atlas girdisi
Karşılıklı sıra birleşimiRRFReciprocal Rank Fusion: Farklı arama yöntemlerinden gelen sıralı listeleri, skorlarını ölçeklemeye çalışmadan yalnızca sıralarını kullanarak birleştiren yöntem. Hibrit aramanın en yaygın birleştirme kuralıdır.Sözlükteki yeri
Kendi kendine tutarlılıkSelf-Consistency: Aynı soruya birden çok yanıt üretip en sık tekrarlanan sonucu seçerek kararlılığı artırma yöntemi.Sözlükteki yeri
Küçük dil modeliSLMSmall Language Model: Uç cihazda ya da düşük maliyetle çalışacak ölçekte tutulmuş dil modeli.Sözlükteki yeri
N denemenin en iyisiBest-of-N Sampling: Aynı isteme N farklı cevap üretip bir ödül modeli ya da doğrulayıcıyla en iyisini seçme. Test zamanı hesaplamayı harcamanın en basit yolu; maliyeti N katına çıkarır.Sözlükteki yeri
Ön eğitimPre-training: Modelin geniş bir veri kümesinde genel temsiller öğrendiği ilk ve en pahalı eğitim aşaması.Sözlükteki yeri
Ön eğitim derlemiPretraining Corpus: Modelin dilin istatistiğini öğrendiği, genellikle trilyonlarca token büyüklüğündeki ham metin kümesi. İçeriği ve filtrelemesi modelin bilgi kesim tarihini ve körlüklerini belirler.Sözlükteki yeri
Örneksiz öğrenmeZero-Shot Learning: Modelin hiç örnek görmeden yalnızca görev tarifiyle iş yapabilmesi.Sözlükteki yeri
ÖrtüşmeOverlap: Ardışık parçaların bir miktar ortak metin paylaşması; sınıra denk gelen bilginin kaybolmasını azaltır.Sözlükteki yeri
Öz yansıtmaSelf-Reflection: Modelin kendi ürettiği cevabı eleştirip düzeltmesi. Dış bir doğrulayıcı olmadan yapıldığında sınırlıdır: model göremediği hatayı eleştiremez.Sözlükteki yeri
Parametre verimli ince ayarPEFTParameter-Efficient Fine-Tuning: Modelin tüm ağırlıklarını değil küçük bir alt kümesini güncelleyerek uyarlama yapan yöntemler ailesi.Sözlükteki yeri
ParçalamaChunking: Belgeyi dizine girecek boyutta parçalara ayırma; geri getirme kalitesinin en belirleyici adımıdır.Sözlükteki yeri Atlas girdisi
Reflexion: Başarısız bir denemeden çıkarılan dersin metin olarak belleğe yazılıp sonraki denemeye eklendiği ajan yöntemi. Model ağırlıkları değişmez; öğrenme bağlamda birikir.Sözlükteki yeri
Seyrek getirimSparse Retrieval: Kelime sıklığına dayalı, yüksek boyutlu ve çoğu sıfır olan vektörlerle arama. Ürün kodu, hata mesajı ve özel ad gibi tam eşleşme gerektiren sorgularda yoğun getirimden üstündür.Sözlükteki yeri
Seyrek gömmeSparse Embedding: Boyutları kelimelere karşılık gelen, çoğu bileşeni sıfır olan öğrenilmiş vektör. Kelime tabanlı aramanın yorumlanabilirliğiyle sinir ağının anlam genişletmesini birleştirir.Sözlükteki yeri
SıcaklıkTemperature: Çıktı örneklemesindeki rastgeleliği belirleyen parametre; düşük değer kararlı, yüksek değer çeşitli sonuç verir.Sözlükteki yeri
Sistem istemiSystem Prompt: Modelin rolünü ve sınırlarını belirleyen, konuşmanın başında verilen talimat; güvenlik sınırı değil öneridir.Sözlükteki yeri
Sorgu ayrıştırmaQuery Decomposition: Birden çok bilgi parçası gerektiren bir sorunun bağımsız alt sorgulara bölünmesi. Tek bir gömme vektörünün temsil edemeyeceği bileşik soruların getiriminde belirleyicidir.Sözlükteki yeri
Sorgu genişletmeQuery Expansion: Kullanıcı sorgusunu eş anlamlı veya ilgili terimlerle zenginleştirerek geri getirme kapsamını artırma.Sözlükteki yeri
Sorgu yeniden yazmaQuery Rewriting: Konuşma bağlamına göre eksik ya da belirsiz sorguyu tek başına anlaşılır hâle getirme.Sözlükteki yeri
Sözcüksel aramaLexical Search: Sorgudaki kelimelerin belgede geçmesine dayanan klasik arama; kod, ürün numarası ve özel adlarda anlamsal aramadan üstündür.Sözlükteki yeri
Sürdürülen ön eğitimContinued Pretraining: Hazır bir modelin ön eğitimine yeni veriyle devam edilmesi. İnce ayardan farkı, görev öğretmek yerine modelin bilgi tabanını genişletmesidir.Sözlükteki yeri
Şema doğrulamaSchema Validation: Model çıktısının beklenen yapıya uyup uymadığının program tarafından denetlenmesi.Sözlükteki yeri
Talimat ayarıInstruction Tuning: Modeli, talimat biçimindeki istemlere uygun yanıt verecek şekilde eğitme aşaması.Sözlükteki yeri
Test zamanı hesaplamaTest-Time Compute: Model niteliğinin eğitim sırasında değil, cevap üretilirken harcanan hesaplamayla artırılması: daha uzun düşünmek, birden çok aday üretip seçmek, ara adımları doğrulamak. Ölçeklemenin ikinci ekseni.Sözlükteki yeri
Token: Metnin modele giren en küçük birimi; bir kelimenin tamamı, parçası ya da tek bir karakter olabilir.Sözlükteki yeri
TokenleştirmeTokenization: Metni modelin işleyebileceği token dizisine bölme işlemi; bağlam bütçesi ve maliyet bu birimle ölçülür.Sözlükteki yeri Atlas girdisi
Uyarlanabilir RAGAdaptive RAG: Sorunun zorluğuna göre getirim stratejisini değiştiren yaklaşım: basit soruya doğrudan cevap, orta zorluktakine tek adımlı getirim, karmaşığına çok adımlı arama. Maliyet ile isabet arasında dinamik denge kurar.Sözlükteki yeri
Uzun bağlamlı modelLong-Context Model: Yüz binlerce ya da milyonlarca token alabilen model. Pencerenin büyüklüğü, o pencerenin her yerinin eşit iyi kullanıldığı anlamına gelmez.Sözlükteki yeri
Üstveri süzmeMetadata Filtering: Vektör aramasının, tarih, dil, erişim izni ya da kaynak türü gibi alanlarla önceden daraltılması. Yetki denetiminin getirim katmanındaki karşılığıdır: kullanıcının göremeyeceği belge aday kümesine hiç girmez.Sözlükteki yeri
Varsayımsal belge gömülmesiHyDEHypothetical Document Embeddings: Sorguyu doğrudan aramak yerine, modele o soruya verilecek varsayımsal bir cevap yazdırıp onun gömmesiyle arama yapmak. Soru ile belge dili arasındaki uçurumu kapatır.Sözlükteki yeri
Yapılandırılmış çıktıStructured Output: Modelin serbest metin yerine belirli bir şemaya uyan veri üretmesi; program tarafından güvenle ayrıştırılabilir.Sözlükteki yeri
Yeniden sıralamaReranking: Arama adımından dönen adayların, sorgu ve belgeyi birlikte okuyan daha maliyetli bir modelle yeniden puanlanması.Sözlükteki yeri Atlas girdisi
Yoğun getirimDense Retrieval: Sorgu ve belgelerin sinir ağı gömmelerine çevrilip vektör benzerliğiyle eşleştirilmesi. Eş anlamlıyı yakalar, tam terim eşleşmesinde seyrek getirime göre zayıftır.Sözlükteki yeri