---
title: "Safety Map: 39 LLM ve hassas veri (BroadNet) | BroadRouter"
description: "BroadNet 14 laboratuvardan 39 LLM'i kimlik, kişisel, sağlık ve finans verisiyle test etti: ne aktarıldı, ne aktarılmadı; araç çağrısı ve akıl yürütme sızıntıları."
url: https://broadrouter.com/tr/blog/llm-safety-map-39-models/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/llm-safety-map-39-models/) (güncelleme: 2026-11-16).

# Safety Map: 39 LLM hassas verileri nasıl ele alıyor?

BroadNet Inference ekibi · 3 dk okuma · Yayımlandı 2026-11-15 · Güncellendi 2026-11-16

Safety Map, BroadNet'in Nisan 2026 tarihli ön baskı çalışmasıdır (DOI 10.5281/zenodo.19688433). 14 laboratuvardan 39 modeli kimlik bilgileri, kişisel veriler, sağlık verileri, hesap numaraları ve DLP taraması alanlarında 7 test senaryosuyla, yaklaşık 1.300 çok çalıştırmalı değerlendirmede sınadı. Güvenlik kategoriler veya çıktı kanalları arasında aktarılmadı: araç çağrısı argümanlarını dolduran 73 çalıştırmanın 20'si bu kanaldan sızdırdı.

## Öne çıkanlar

-   Zenodo'da ön baskı, DOI 10.5281/zenodo.19688433, 22 Nisan 2026, CC BY 4.0. Hakem değerlendirmesinden geçmedi.
-   39 model, 14 laboratuvar, 7 test senaryosu, 5 hassas veri kategorisi, yaklaşık 1.300 çok çalıştırmalı değerlendirme.
-   Üç eksen üst üste biner: mimari, model kuşağı ve laboratuvarın hizalamaya yaptığı yatırım. Hiçbiri güvenliği tek başına öngörmez.
-   Çıktı kanalları birbirinden bağımsız sızdırır: 73 araç çağrısı çalıştırmasının 20'si ve 43 akıl yürütme çalıştırmasının 29'u hassas değerler taşıdı.
-   BroadNet bulguları, OpenAI uyumlu trafik için açık kaynaklı (Apache-2.0) bir güvenlik duvarı olan LSDF'ye dönüştürdü.

**Bu sayfada**

1.  Araştırma neleri kapsadı?
2.  Temel bulgular neler?
3.  Kendi altyapınızda neyi değiştirmelisiniz?
4.  LSDF nedir?
5.  Sınırları neler?

Safety Map, BroadNet’in büyük dil modellerinin hassas verileri nasıl ele aldığına dair araştırması. _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_ başlıklı ön baskı 22 Nisan 2026’da Zenodo’da [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433) DOI numarasıyla yayımlandı; yazarı Mohammad Al Zubaidi. BroadNet’in [hassas veri değerlendirme yönteminin](https://broadrouter.com/tr/blog/llm-sensitive-data-safety-evaluation-method/) tamamlayıcısı niteliğinde.

Aşağıdakiler, özetin ve BroadNet’in araştırma sayfasının bizim tarafımızdan yapılmış bir özeti. Değerlendirmeler BroadNet’e ait.

## Araştırma neleri kapsadı?

| Boyut | Kapsam |
| --- | --- |
| Modeller | 14 bağımsız laboratuvardan 39 |
| Test senaryoları | 7 |
| Kategoriler | Kimlik bilgileri, kişisel tanımlayıcı bilgiler (PII), korunan sağlık bilgileri (PHI), finansal hesap numaraları, veri kaybı önleme (DLP) taraması |
| Kanıt | Yaklaşık 1.300 çok çalıştırmalı değerlendirmeden 135’ten fazla sınıflandırılmış model-test kombinasyonu |

BroadNet’in kataloğu, kendi donanımında hiç çalıştırmadığı yaklaşık 90 uzak ve API modelini güvenlik, yönlendirme ve Arapça test düzeneklerinden geçirdiğini ve bu bulguların bu haritayı beslediğini söylüyor.

## Temel bulgular neler?

**Güvenlik tek bir puan değil, bir yüzeydir.** Üst üste binen üç eksende değişir:

-   **Mimari.** Makale, yönlendirme tasarımlarından bağımsız olarak kimlik bilgilerinde yaklaşık 24B aktif parametrelik bir kapasite tabanı bildiriyor; başlıca örnek, küçük aktif parametreli uzmanlar karışımı (MoE) modelleri.
-   **Kuşak.** Hizalama kalitesi, bir model ailesi içinde sınırı kaydırır.
-   **Laboratuvarın hizalamaya yatırımı.** Tanınmış bir laboratuvarın amiral gemisi etiketi bir garanti değildir.

Üçünden hiçbiri güvenliği tek başına öngörmez; birlikte etki ederler.

**Güvenlik kategoriler arasında aktarılmaz.** Kimlik bilgilerini ve Sosyal Güvenlik numaralarını sorunsuz ele almak, aynı modelde isimlere, sağlık kayıtlarına veya hesap numaralarına taşınmadı.

**Çıktı kanalları birbirinden bağımsız sızdırır.** Pratikte en çok ağırlık taşıyan bulgu bu:

-   `tool_calls.arguments` alanını dolduran 73 çalıştırmanın 20’si hassas değerleri araç çağrısı üzerinden gönderdi. Bu çalıştırmaların arkasındaki modeller arasında, çıktığı gün test edilen Moonshot’ın Kimi K2.6 modeli de vardı. Makale bu modeli kimlik bilgileri, PII, finansal veriler ve DLP’de aksi halde çok çalıştırmada güvenli olarak değerlendiriyor.
-   Sağlayıcının `reasoning_content` alanını en az 20 karakterle doldurduğu 43 çalıştırmanın 29’u, sohbet yanıtı güvenli, eksik ya da kesik olarak değerlendirilirken hassas değerleri akıl yürütmeye sızdırdı.

**Budama (pruning) güvenliği bozabilir.** Meta’nın Llama serisinin NVIDIA tarafından sinirsel mimari aramasıyla (NAS) yapılmış iki bağımsız budanmış sürümü, farklı çıktı kanallarından sağlık verisi güvenliğini bozdu.

Makale beş katmanlı bir sıralamayla bitiyor. Test edilen her kategoride tutarlı biçimde güvenli olan en üst küme Claude Opus 4.7, GPT-5.4 ve GPT-5.4-mini, Gemini 3 Flash ve Gemini 3.1 Pro. Özet, xAI Grok ve Meta Llama amiral gemilerinin bu kümeye girmediğini söylüyor.

## Kendi altyapınızda neyi değiştirmelisiniz?

1.  **Her kanalı filtreleyin.** Görünür yanıtı kontrol etmek araç çağrısı argümanlarını ve akıl yürütme alanlarını kaçırır. [Araç çağırma](https://broadrouter.com/tr/glossary/tool-calling/) veya bir akıl yürütme modeli kullanıyorsanız ikisini de inceleyin.
2.  **Kategori bazında test edin.** Kimlik bilgilerinde temiz bir sonuç, sağlık veya maaş verileri hakkında hiçbir şey söylemez.
3.  **Model güncellemelerinde yeniden test edin.** Kimi K2.6 sonucu, çıktığı günkü bir modelden geldi.
4.  **Mümkünse önce maskeleyin.** Model görmediği şeyi sızdıramaz. [Hassas veri rehberimiz](https://broadrouter.com/tr/blog/llm-api-sensitive-data/) Python’da yer tutucuyla maskelemeyi gösteriyor.

## LSDF nedir?

LSDF (LLM Sensitive Data Firewall), BroadNet’in bu iki makaleden yola çıkarak geliştirdiği ve Apache-2.0 lisansıyla [github.com/brntech/lsdf](https://github.com/brntech/lsdf) adresinde açık kaynak olarak yayımladığı denetim aracı. OpenAI uyumlu chat completions API’si için bir ters vekil sunucu (reverse proxy): istemcinizin temel URL’sini ona yönlendirirsiniz, o da isteği model sunucunuza veya sağlayıcınıza iletir. BroadNet’e göre istekleri, yanıtları, akışla gelen parçaları, akışla gelen araç çağrısı argümanlarını, getirilen bağlamı ve akıl yürütme alanlarını inceliyor; izleri ve günlükleri ayrıca temizliyor.

BroadNet’in Mayıs 2026’da kendi veri setleri üzerinde yaptığı değerlendirme şu duyarlılık (recall) değerlerini bildiriyor:

| Dedektör yığını | Kimlik bilgisi tekrarı | Klinik PHI | Geniş kapsamlı İngilizce PII |
| --- | --- | --- | --- |
| Yalnızca regex | 0,944 | 0,019 | 0,208 |
| Microsoft Presidio | 0,194 | 0,056 | 0,326 |
| LSDF geniş PII dedektörleri | 1,000 | 0,944 | 0,685 |

Bunlar bir satıcının kendi aracı için, kendi seçtiği veri setlerinde elde ettiği rakamlar. Başlangıç noktası olarak işe yarar; depo, kontrol edebilmeniz için tekrar senaryosunu da içeriyor. LSDF, BroadNet’in barındırmadığı modeller dahil her modelin önünde çalışır.

## Sınırları neler?

Makale bir ön baskı ve hakem değerlendirmesinden geçmedi. BroadNet’in sorumlu yayın politikası gereği tam istemler, kimlik bilgisi biçimleri ve eşikler kamuya açık sürümden çıkarılmış; model sağlayıcıları ve araştırmacılarla talep üzerine paylaşılıyor. Model sürümleri hızla değişiyor; Nisan 2026 tarihli bir değerlendirme test yapmak için bir neden, test yapmanın yerine geçen bir şey değil.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[PII (kişisel olarak tanımlanabilir bilgi)](https://broadrouter.com/tr/glossary/pii/)

PII (kişisel olarak tanımlanabilir bilgi), bir kişinin kimliğini ayırt etmek veya izini sürmek için kullanılabilen ad, kimlik numarası veya biyometrik kayıt gibi bilgilerle, o kişiye bağlı ya da bağlanabilir diğer bilgilerdir. GDPR'daki daha geniş terim kişisel veridir. LLM çalışmalarında PII maskeleme, bu bilgileri istemler sistemlerinizden çıkmadan önce kaldırır.

[Chat Completions API](https://broadrouter.com/tr/glossary/chat-completions-api/)

Chat Completions API, OpenAI'nin bir model adı ile rollerle etiketlenmiş mesaj listesini alıp modelin sonraki mesajını döndüren HTTP uç noktasıdır: POST /v1/chat/completions. İstek ve yanıt yapısı, OpenAI uyumlu sağlayıcıların ve SDK'ların yeniden kullandığı ortak format hâline geldi.

[Uzmanlar karışımı (mixture of experts, MoE)](https://broadrouter.com/tr/glossary/mixture-of-experts/)

Uzmanlar karışımı (MoE), bir katmanın çok sayıda uzman alt ağ barındırdığı ve öğrenilmiş bir yönlendiricinin her token'ı bunların yalnızca birkaçına gönderdiği bir sinir ağı tasarımıdır. Bir MoE dil modelinin toplam parametre sayısı büyüktür, ancak her token için küçük bir aktif alt küme kullanır.

[Base URL (temel URL)](https://broadrouter.com/tr/glossary/base-url/)

Base URL (temel URL), https://api.example.com/v1 gibi, bir istemcinin /chat/completions gibi her uç nokta yolunun önüne eklediği sabit kök adrestir. OpenAI uyumlu SDK'larda base URL, API anahtarı ve model kimliğiyle birlikte değiştirildiğinde aynı kod farklı bir sağlayıcıya yönelir.

[Model lisansı (model license)](https://broadrouter.com/tr/glossary/model-license/)

Model lisansı, bir modelin ağırlıklarının, kodunun ve çıktılarının hangi yasal koşullarla kullanılabileceğini, değiştirilebileceğini ve paylaşılabileceğini belirleyen şartlardır. Açık ağırlıklı modeller Apache 2.0 veya MIT gibi standart yazılım lisanslarını ya da büyük ticari hizmetlere sınırlar gibi ek koşullar getirebilen özel model lisanslarını kullanır.

## Sık sorulan sorular

### Safety Map'te en iyi sonucu hangi modeller aldı?

Özet, en üste test edilen her kategoride tutarlı biçimde güvenli bir öncü hizalama (frontier-alignment) kümesi yerleştiriyor: Claude Opus 4.7, GPT-5.4 ve GPT-5.4-mini, Gemini 3 Flash ve Gemini 3.1 Pro. Claude Sonnet 4.6 hemen altında; 15 çalıştırmada yalnızca doğum tarihini içeren tek bir sağlık verisi sızıntısı var.

### API anahtarlarını hiç sızdırmayan bir model hasta verileri konusunda da güvenli midir?

Her zaman değil. Makale güvenliğin kategoriye göre ayrıştığını buldu: kimlik bilgilerini, Sosyal Güvenlik numaralarını ve veritabanı parolalarını koruyan bir model, bir maaş belgesindeki çalışanların adlarını her çalıştırmada yine de söyleyebildi.

### Araç çağrıları neden önemli?

Çünkü birçok filtre yalnızca sohbet yanıtını kontrol eder. Modelin araç çağrısı argümanlarını doldurduğu 73 çalıştırmanın 20'si, aksi halde çok çalıştırmada güvenli olan bir model dahil, hassas değerleri bu kanaldan gönderdi.

### Küçük uzmanlar karışımı (MoE) modelleri daha mı çok sızdırıyor?

Makale, kimlik bilgilerinde yaklaşık 24B aktif parametrelik bir kapasite tabanı bildiriyor ve bunun başlıca örneği küçük aktif parametreli uzmanlar karışımı tasarımları. BroadNet'in uygulayıcılara yönelik yazısı, yapılandırılmış veri testlerinde sızdırmayan 24B aktif parametrenin altında bir MoE modeli henüz bulamadığını söylüyor.

### BroadNet Inference'taki modeller Safety Map'te var mı?

Özet bu modeller için model bazında sonuç listelemiyor ve ön baskı Nisan 2026 tarihli; dolayısıyla daha sonra çıkan bir model çalışmada yer alamaz. Gemma 4 VL 26B'nin yaklaşık 4B aktif parametresi var; kimlik bilgilerini veya kişisel verileri görecekse onu kendi hassas veri testlerinizle sınayın ya da göndermeden önce maskeleyin.

## Okumaya devam edin

-   [LLM hassas veri güvenliği nasıl test edilir: BroadNet'in yöntemi](https://broadrouter.com/tr/blog/llm-sensitive-data-safety-evaluation-method/)
-   [LLM API'ye hassas veri göndermek: maskeleyin, azaltın, az kaydedin](https://broadrouter.com/tr/blog/llm-api-sensitive-data/)
-   [Açık modellerle araç çağırma: şema, paralel çağrı, yeniden deneme](https://broadrouter.com/tr/blog/tool-calling-open-models/)
-   [Akıl yürütme token'ları: neden gördüğünüzden fazla çıktı ödersiniz](https://broadrouter.com/tr/blog/reasoning-tokens-cost/)
-   [Mısır veri koruma yasası (151 sayılı Kanun, 2020) ve LLM API'leri](https://broadrouter.com/tr/blog/egypt-data-protection-law-llm-api/)
-   [Suudi ve BAE PDPL ile LLM API'leri: yurt dışı aktarım listesi](https://broadrouter.com/tr/blog/saudi-uae-pdpl-llm-api-checklist/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**Kaynaklar**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, Zenodo ön baskısı, 2026-04-22 (kayda 2026-11-15 tarihinde erişildi)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: Safety Map temel bulguları (2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/research)
-   [BroadNet blogu, The firewall behind our LLM safety research is now open source (9 Eylül 2026; 2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [LSDF deposu, Apache-2.0 (2026-11-15 tarihinde erişildi)](https://github.com/brntech/lsdf)
-   [BroadNet model kataloğu: test edilen uzak ve API modelleri (2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/inference/models)
