“Kodlama için en iyi açık model” listelerinin çoğu modelleri benchmark puanlarına göre sıralar. Bu, bir model ailesi seçmenize yardım eder. Ama hangi modelin sizin ajanınızda, sizin sağlayıcınız üzerinden, katlanabileceğiniz bir maliyetle çalışacağını söylemez. Bu yazı seçimi BroadNet Inference’ın sunduğu dört sohbet modeline daraltıyor ve dört pratik teste göre seçiyor: araç çağırma, bağlam, akıl yürütme ve görev başına maliyet. Burada benchmark puanı yayımlamıyoruz; yalnızca BroadNet’in belgelerinde ve fiyat dosyasında yazanları kullanıyoruz.
Masada hangi modeller var?
| Model | Kimlik | Bağlam | Araçlar listelenmiş | Görsel girdi | Önce akıl yürütür |
|---|---|---|---|---|---|
| GLM 5.3 | broadnet/glm-5.3 |
1.048.576 | Evet | Hayır | Evet |
| DeepSeek V4.1 Flash | broadnet/deepseek-v4.1-flash |
1.048.576 | Listelenmemiş | Evet | Evet |
| Qwen3.8 27B | broadnet/qwen3.8-27b |
262.144 | Evet | Evet | Evet |
| Gemma 4 VL 26B | broadnet/gemma-4-26b-a4b |
32.768 | Listelenmemiş | Evet | Listelenmemiş |
Dördü de https://inference.broadnet.ai/v1 adresindeki tek bir OpenAI uyumlu API üzerinden sunulan açık ağırlıklı modellerdir; bu yüzden geçiş, ajanınızın ayarlarında tek satırlık bir değişikliktir.
Test 1: ajanınız yerel araç çağrılarına ihtiyaç duyuyor mu?
Modelleri eleyen veya içeri alan soru budur. Araç çağırma, bir ajanın makinenizden bir dosyayı okumasını, bir komut çalıştırmasını veya bir düzenleme uygulamasını istemesinin yoludur. Ajanlar bunu üç farklı şekilde kullanır:
- Yerel araç çağrıları. Ajan bir
toolslistesi gönderir ve karşılığındatool_callsbekler. Roo Code’un belgeleri (proje 15 Mayıs 2026’da kapatıldı; çatalı Zoo Code devam ediyor) yerel araç çağırmanın “the only supported tool protocol” (BroadRouter çevirisi: desteklenen tek araç protokolü) olduğunu ve XML’e geri dönüş olmadığını söylüyor. Continue’nun yapılandırma referansıtool_useyeteneğinin “required for Agent mode” (BroadRouter çevirisi: Agent modu için gerekli) olduğunu söylüyor. opencode da API’nin araç çağrılarıyla çalışır. - İstemde tanımlanan araçlar. Cline, v3.35’te adı sayılan bir sağlayıcı listesi ve en üst seviye modeller için yerel araç çağırmaya geçti; sürüm yazısı diğer modellerin “continue using the text-based approach” (BroadRouter çevirisi: metin tabanlı yaklaşımı kullanmaya devam ettiğini) söylüyor. Model yine de katı bir araç biçimini izlemek zorunda; bu yüzden araç talimatlarına uyma kalitesi önemli.
- Metin düzenleme biçimleri. Aider, düzenleme biçimi belgelerine göre modelden düzenlemeleri metin olarak döndürmesini ister: tam dosyalar, ara/değiştir blokları veya unified diff’ler. API’nin araç çağırma alanına bağlı değildir. Aider için model önerileri Aider için en iyi LLM yazısında.
Yani ilk kural basit. opencode, Continue Agent modu veya Zoo Code gibi araçla çalışan bir ajan için BroadNet’in araçlarla listelediği bir model kullanın: GLM 5.3 veya Qwen3.8 27B. Cline daha hoşgörülü, ama aynı iki model daha güvenli bir başlangıç. Aider için DeepSeek V4.1 Flash dahil geniş bağlamlı modellerin her biri çalışır. DeepSeek V4.1 Flash’ı araçla çalışan bir ajanda istiyorsanız önce onunla gerçek bir görev çalıştırın. Başarısız bir araç çağrısı genellikle ilk iki üç adımda kendini gösterir.
Test 2: bağlam yeterince büyük mü?
Bir ajanın bağlam penceresi insanların beklediğinden hızlı dolar. Daha hiç kod okunmadan bir istek zaten bir sistem istemi, araç şemaları ve o ana kadarki konuşmayı taşır. Ardından dosya okumaları ve komut çıktıları gelir. Ajan token bütçesi dökümümüz token’ların nereye gittiğini gösteriyor; bağlam penceresi hesaplayıcısı da dosyalarınızın sığıp sığmadığını kontrol ediyor.
- 1.048.576 token (GLM 5.3, DeepSeek V4.1 Flash): orta boy bir depoda agresif kırpma olmadan uzun bir oturum.
- 262.144 token (Qwen3.8 27B): odaklı görevler için yeterli; uzun oturumlar özetleme veya daha küçük bir depo haritası gerektirir.
- 32.768 token (Gemma 4 VL 26B): çoğu ajan döngüsü için fazla küçük. Bir kurulumu $5 başlangıç kredisiyle test etmek için kullanın.
Bağlam boyutunu ajanın model ayarlarında kendiniz belirleyin. Ajanlar özel model kimlikleri için bunu algılayamaz ve bazıları modelinize uymayan bir varsayılan kabul eder.
Test 3: bir görev ne kadar tutar?
Ajanlar yazdıklarından çok daha fazlasını okur ve okuduklarının çoğu bir önceki turdan tekrar eder. Bu da girdi ve önbellekli girdi fiyatlarını çıktı fiyatından daha önemli kılar. İşte bir görev profili: her biri ortalama 30.000 girdi ve 1.000 çıktı token’lı 40 model çağrısı, girdinin %80’i önbellekten.
| Görev başına | Token | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B |
|---|---|---|---|---|
| Yeni girdi | 0,24M | $0.175 / 1M | $0.78 / 1M | $0.175 / 1M |
| Önbellekli girdi | 0,96M | $0.0055 / 1M | $0.173 / 1M | $0.0435 / 1M |
| Çıktı, akıl yürütme dahil | 0,04M | $0.52 / 1M | $3.46 / 1M | $2.17 / 1M |
Her satırı çarpın ve toplayın. 2026-11-14 tarihinde eşitlenen fiyatlarla bu görev, DeepSeek V4.1 Flash’a göre GLM 5.3’te yaklaşık 7 kat, Qwen3.8 27B’de yaklaşık 2,5 kat pahalıya geliyor. Kendi oranınız önbellek oranınıza ve modelin ne kadar akıl yürüttüğüne bağlı; bu yüzden ölçün. Kendi token sayılarınızı LLM API maliyet hesaplayıcısına girin ya da modelleri DeepSeek V4.1 Flash ve GLM 5.3 ile GLM 5.3 ve Qwen3.8 27B karşılaştırmalarında yan yana görün.
Sınırsız bir planda DeepSeek V4.1 Flash’ın token sayacı yoktur: oturum başına ayda $60, aynı anda tek istek. Günün büyük kısmında çalışan bir ajan için bu genellikle token başına herhangi bir fiyattan daha avantajlıdır. %80 önbellek isabetinde başa baş hesabı çizgiyi ayda yaklaşık 917 milyon girdi ve 46 milyon çıktı token’ına koyuyor.
Test 4: model ne kadar düşünüyor?
Üç büyük modelin hepsi yanıt vermeden önce akıl yürütür ve akıl yürütme max_tokens sınırına sayılır. Bir ajanda bu iki soruna yol açar: çıktı sınırı küçükken boş yanıtlar ve kullandıkça öde modelinde daha yüksek çıktı faturaları. Her çağrıya birkaç bin çıktı token’ı verin ve dosya okumak gibi rutin adımlarda reasoning_effort değerini low yapın. Akıl yürütme modelleri neden boş yanıt döndürür.
Peki hangisini seçmelisiniz?
- opencode, Continue Agent modu, Cline, Zoo Code veya kendi araç döngünüz: GLM 5.3. Araçlar listelenmiş, 1M bağlam, dördü arasında token başına en yüksek fiyat.
- Aider veya faturanın en çok önemli olduğu uzun süre çalışan herhangi bir ajan: DeepSeek V4.1 Flash, tercihen sınırsız bir planda.
- Ekran görüntüsü okuyan veya Arapça çalışan ajanlar: araçlar ve görsel girdiyle Qwen3.8 27B; BroadNet’in fiyatlandırma sayfası bu modelin Arapçada test edildiğini söylüyor.
- $5 başlangıç kredisiyle ilk test: Gemma 4 VL 26B, sonra bir üst modele geçin.
Modelleri karıştırabilirsiniz de. Örneğin Cline’da Plan ve Act modları için farklı modeller kullanma ayarı var. Her ajanın kurulum adımları kodlama ajanlarında açık modeller merkezimizde, özellik karşılaştırması ise Cline, Roo Code ve Aider karşılaştırmasında.
BroadNet Inference nereye oturuyor?
BroadNet Inference bu dört modeli sıfır veri saklamayla ve tek bir API anahtarıyla sunar. BroadNet’in gizlilik beyanına göre barındırılan açık ağırlıklı modeller BroadNet’in ABD’de sahip olduğu veya kiraladığı donanımda çalışıyor; DeepSeek V4.1 Flash gibi ortak tarafından sunulan modeller ise ABD’li çıkarım ortaklarıyla çalışıyor. Ajanlar için 1M token’lık bir açık model ve DeepSeek V4.1 Flash için sabit bir fatura isteyen ekiplere uyar. Sunmadığı belirli bir modele, web araması gibi sağlayıcı tarafından barındırılan bir araca veya modelleri karşılaştırmak için yayımlanmış benchmark puanlarına ihtiyacınız varsa uymaz; bunun yerine kendi görev düzeyindeki testinizi çalıştırın. Herhangi bir modeli kullandıkça öde anahtarıyla deneyebilir veya planlar sayfasından $1 fiyatlı bir Meteor saati satın alabilirsiniz.
