---
title: "Açık ağırlıklı ve kapalı LLM: işletmeler nasıl seçmeli"
description: "Açık ağırlıklı mı kapalı LLM mi? Maliyet, kontrol, gizlilik, kalite farkı ve bağımlılığı karşılaştırın; açık modelleri çalıştırmanın üç yolu ve hangisi ne zaman."
url: https://broadrouter.com/tr/blog/open-weight-vs-closed-models/
lang: tr
updated: 2026-11-14
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/open-weight-vs-closed-models/) (güncelleme: 2026-11-14).

# İşletmeler için açık ağırlıklı ve kapalı yapay zekâ modelleri

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-14

Kapalı modeller en uçta hâlâ önde, ama Epoch AI en iyi açık ağırlıklı modellerin onları yaklaşık dört ay geriden izlediğini tahmin ediyor. Açık ağırlıklı modeller kontrol, gizlilik seçenekleri, sürüm sabitleme ve bağımlılık konusunda kazanır, çünkü aynı ağırlıkları birçok sağlayıcı sunabilir. Zor görevlerde en iyi kaliteye ihtiyacınız varsa kapalı modeller kazanır. Birçok işletme ikisini de kullanır ve göreve göre yönlendirir.

## Öne çıkanlar

-   Açık ağırlıklı, eğitilmiş ağırlıkların yayımlandığı anlamına gelir. Eğitim verisinin veya kodun açık olduğu anlamına gelmez.
-   Epoch AI, Mayıs 2026'da en iyi açık ağırlıklı modellerin kendi yetenek endeksinde kapalı modelleri yaklaşık dört ay geriden izlediğini tahmin etti.
-   Açık ağırlıklı modelleri üç yolla çalıştırabilirsiniz: kendiniz barındırarak, ayrılmış bir GPU kiralayarak veya barındırılan bir API çağırarak. Kapalı bir modeli yalnızca kapalı bir tedarikçi sunabilir.
-   Açık ağırlıklarla bağımlılık daha düşüktür: bir sağlayıcı fiyatını veya politikasını değiştirirse aynı modeli bir başkası sunabilir.
-   Kendi barındırmanız yalnızca GPU'lar sürekli meşgulse en ucuzudur. Dalgalı trafikte barındırılan bir açık ağırlıklı API genellikle daha az tutar.

**Bu sayfada**

1.  Açık ağırlıklı gerçekte ne demek?
2.  Açık ağırlıklı ve kapalı modellerin karşılaştırması
3.  Kalite farkı ne kadar büyük?
4.  Açık ağırlıklı bir modeli çalıştırmanın üç yolu nedir?
5.  Açık ağırlıklı bir model ayda ne tutar?
6.  Bağımlılık neden göründüğünden daha önemli?
7.  İşletmeler açık ve kapalı modelleri nasıl birleştirir?
8.  BroadNet Inference’ın yeri

LLM’ler üzerine ürün geliştiren her ekip, çoğu zaman fark etmeden bu seçimi yapar: yalnızca tek bir tedarikçinin API’si üzerinden erişebildiğiniz **kapalı modeller** mi, yoksa ağırlıklarını herkesin indirip çalıştırabildiği **açık ağırlıklı modeller** mi? Bu seçim faturanızı, verinizin izlediği yolu, ürününüzün ne kadar istikrarlı olduğunu ve ayrılmanın ne kadar zor olacağını etkiler.

## Açık ağırlıklı gerçekte ne demek?

[Açık ağırlıklı bir model](https://broadrouter.com/tr/glossary/open-weight-model/) eğitilmiş parametrelerini yayımlar. Onu siz veya herhangi bir sağlayıcı çalıştırabilir. Bu, açık kaynaktan daha dar bir kavramdır: eğitim verisi ve eğitim hattının tamamı genellikle yayımlanmaz.

Lisanslar farklıdır. Bazıları serbesttir: örneğin OpenAI’ın Whisper modeli kodunu ve ağırlıklarını [MIT lisansıyla](https://github.com/openai/whisper) yayımlıyor. Diğerleri ticari kullanımı, kullanıcı sayısını veya kullanım alanlarını kısıtlar. Bir modelin üzerine bir şey inşa etmeden önce lisansını okuyun.

Kapalı bir modelin ağırlıkları tedarikçide kalır. Erişimi onun API’si veya tedarikçinin lisans verdiği bulutlar üzerinden kiralarsınız.

## Açık ağırlıklı ve kapalı modellerin karşılaştırması

| Etken | Açık ağırlıklı | Kapalı |
| --- | --- | --- |
| En üst düzey kalite | En ucu aylar geriden izler | En zor görevlerde genellikle önde |
| Token başına fiyat | Çoğu zaman daha düşük; sağlayıcılar aynı model üzerinde yarışır | Tek bir tedarikçi belirler |
| Nerede çalışır | Kendi sunucularınız, kiralık bir GPU veya herhangi bir sağlayıcı | Tedarikçinin API’si veya lisanslı bulutlar |
| Gizlilik seçenekleri | Kendiniz barındırın ya da [sıfır veri saklayan](https://broadrouter.com/tr/glossary/zero-data-retention/) bir sağlayıcı seçin | Tedarikçinin koşulları ve katmanları |
| Sürüm istikrarı | Tam ağırlıkları istediğiniz kadar sabitleyin | Tedarikçi sürümleri kendi takvimine göre kaldırır |
| Özelleştirme | Kendiniz ince ayar veya nicemleme yapın | Yalnızca tedarikçinin sunduğu |
| Bağımlılık | Düşük: aynı ağırlıkları birkaç sağlayıcı sunar | Yüksek: model başına tek tedarikçi |
| Operasyon | Kendiniz barındırıyorsanız sizde | Tedarikçide |

## Kalite farkı ne kadar büyük?

Eskisinden küçük, ama gerçek. Stanford’un [2025 AI Index](https://hai.stanford.edu/ai-index/2025-ai-index-report/technical-performance) raporu, Chatbot Arena sıralamasında en iyi kapalı modelin en iyi açık ağırlıklı model karşısındaki farkının Ocak 2024 başındaki %8,04’ten Şubat 2025’te %1,70’e düştüğünü bildirdi. [Epoch AI](https://epoch.ai/data-insights/open-closed-eci-gap) ise 29 Mayıs 2026’da, kendi Epoch Capabilities Index’iyle ölçerek “the most capable open-weight models have lagged frontier closed models by an average of four months” (BroadRouter çevirisi: en yetenekli açık ağırlıklı modeller, en uçtaki kapalı modelleri ortalama dört ay geriden izledi) tahmininde bulundu.

Pratikte:

-   **Sınıflandırma, veri çıkarma, özetler, çeviri, rutin sohbet:** açık ağırlıklı modeller genellikle yeterince iyi ve daha ucuz.
-   **Kodlama ajanları ve uzun belgeler:** güçlü açık ağırlıklı seçenekler var; kendi depolarınızda test edin. Bkz. [kodlama ajanları için en iyi açık model](https://broadrouter.com/tr/blog/best-open-model-for-coding-agents/).
-   **En zor akıl yürütme ve en yeni yetenekler:** oraya çoğu zaman önce kapalı modeller ulaşıyor.

Sıralamalar ortalamadır. Asıl önemli kıyaslama, kendi 50 gerçek test vakanızdır.

## Açık ağırlıklı bir modeli çalıştırmanın üç yolu nedir?

| Seçenek | En uygun olduğu durum | Dikkat edilecekler |
| --- | --- | --- |
| Kendi GPU’larınızda barındırma | Veri ağınızdan çıkmamalı; GPU’lar sürekli meşgul | Donanım, sürücüler, ölçekleme, güvenlik, güncellemeler |
| Ayrılmış GPU kiralama | Sabit yük, özel ağırlıklar | Boşta geçen saatler için de ödersiniz |
| Barındırılan açık ağırlıklı API | Dalgalı veya büyüyen trafik; hızlı başlangıç | Sağlayıcının veri saklama politikasına ve çalışma süresine güvenirsiniz |

Kendi barındırmanız token başına bedava görünür, ama bir GPU saatte bir istek de sunsa bin istek de sunsa aynı tutar. Yüksek ve sabit kullanım oranında kendini amorti eder. Bunun altında token başına bir API veya [sabit ücretli bir plan](https://broadrouter.com/tr/blog/flat-rate-vs-pay-per-token-llm-api/) genellikle daha ucuzdur.

## Açık ağırlıklı bir model ayda ne tutar?

Barındırılan açık ağırlıklı modellerin token başına fiyatlarını hesaplamak kolay. BroadNet üzerinden [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) ile ayda 100 milyon girdi ve 10 milyon çıktı token’ı için:

Önbellek indirimi hariç aylık `100 x $0.175 + 10 x $0.52`.

Aynı hesabı kapalı tedarikçinizin yayımladığı milyon başına fiyatlar ve gerçek token sayılarınızla yapın ya da tek bir iş yükünü GPT, Claude, Gemini, Grok ve beş açık model üzerinde fiyatlandıran [açık ağırlıklı ve kapalı model API maliyet karşılaştırmamızdan](https://broadrouter.com/tr/blog/open-weight-vs-closed-model-api-cost/) başlayın. Önbellekli girdi sonucu çok değiştirir: bu modelde önbellekli token’ların milyonu $0.0055 tutuyor. [LLM API maliyet hesaplayıcısı](https://broadrouter.com/tools/llm-api-cost-calculator/) bunu her BroadNet modeli için yapıyor; [LLM API fiyat tablosu](https://broadrouter.com/tr/llm-api-pricing/) da diğer sağlayıcıların aynı açık ağırlıklar için ne aldığını listeliyor.

## Bağımlılık neden göründüğünden daha önemli?

Kapalı bir tedarikçi fiyatları yükselttiğinde, veri koşullarını değiştirdiğinde veya istemlerinizi göre ayarladığınız modeli kaldırdığında seçenekleriniz ya kabul etmek ya da yeniden yazmaktır. Açık ağırlıklı bir modelde aynı ağırlıkları başka bir sağlayıcıya veya kendi altyapınıza taşıyıp aynı davranışı koruyabilirsiniz.

Bu seçeneği gerçek tutmak için:

1.  Modelleri [temel URL](https://broadrouter.com/tr/glossary/base-url/) ve model kimliği yapılandırmada duran OpenAI uyumlu bir SDK ile çağırın.
2.  Bir regresyon test seti tutun ve her sağlayıcı değişikliğinde çalıştırın.
3.  İsterseniz öne [LiteLLM](https://broadrouter.com/tr/guides/litellm-proxy-custom-provider/) gibi bir yönlendirici koyun; böylece geçiş bir yapılandırma değişikliğine dönüşür.

## İşletmeler açık ve kapalı modelleri nasıl birleştirir?

Çoğu işletme sonunda ikisini birden kullanır:

-   Yüksek hacimli, iyi tanımlanmış görevleri (veri çıkarma, önceliklendirme, özetler, ajanların rutin adımları) açık ağırlıklı bir modele yönlendirin.
-   Seyrek ve zor görevleri en uçtaki kapalı bir modele yönlendirin.
-   Her çeyrek yeniden test edin. Epoch’un ölçtüğü fark düşünüldüğünde görevler zamanla ikinci listeden birinciye geçer.

## BroadNet Inference’ın yeri

BroadNet Inference barındırılan bir açık ağırlıklı API’dir: [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/), [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/), [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) ve Google’ın Gemma 4 modelinin BroadNet derlemesi ile iki konuşmadan metne modeli, hepsi [OpenAI uyumlu bir uç nokta](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-open-weight-vs-closed-models&utm_content=body) üzerinden. [Gizlilik beyanı](https://www.broadnet.ai/inference-privacy), hiçbir istemi veya çıktıyı tutmadığını ve çıkarım verilerini modelleri eğitmek, ince ayarlamak veya değerlendirmek için kullanmadığını söylüyor. DeepSeek V4.1 Flash, oturum başına saatlik $1 ile aylık $60 arasında değişen sabit planlarla da sunuluyor.

Kapalı modelleri sunmaz. Bir görev GPT, Claude veya Gemini gerektiriyorsa o yol için bu tedarikçileri kullanın, gerisini açık ağırlıklarda tutun. BroadNet’i diğer sağlayıcılarla tartmak için [20 maddelik sağlayıcı kontrol listesini](https://broadrouter.com/tr/blog/choose-llm-api-provider-checklist/) kullanın.

Bu konu için ücretsiz araçlar (İngilizce)

-   [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.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

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

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Açık ağırlıklı model (open-weight model)](https://broadrouter.com/tr/glossary/open-weight-model/)

Açık ağırlıklı model (open-weight model), eğitilmiş ağırlıkları herkesin indirip çalıştırabileceği şekilde, genellikle koşullar içeren bir lisansla yayımlanan bir makine öğrenimi modelidir. Eğitim kodunu ve eğitim verileri hakkında ayrıntılı bilgiyi de yayımlayan, böylece başkalarının modeli incelemesine ve yeniden üretmesine imkân veren tam açık kaynak yapay zekadan farklıdır.

[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.

[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.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

[İnce ayar (fine-tuning)](https://broadrouter.com/tr/glossary/fine-tuning/)

İnce ayar (fine-tuning), önceden eğitilmiş bir dil modelini örnek sohbetler gibi daha küçük, göreve özgü bir veri setiyle eğitmeye devam etme işlemidir; böylece ağırlıkları değişir ve model, her istemde uzun talimatlara veya örneklere ihtiyaç duymadan o görevi ya da üslubu daha güvenilir biçimde yerine getirir.

[Konuşmadan metne (speech-to-text)](https://broadrouter.com/tr/glossary/speech-to-text/)

Konuşmadan metne (speech-to-text), otomatik konuşma tanıma (ASR) olarak da bilinir; konuşulan sesi yazılı metne dönüştüren teknolojidir. Bir konuşmadan metne API'si ses dosyası veya akışı alıp transkript döndürür ve genellikle ses dakikası başına fiyatlandırılır. Doğruluk kelime hata oranıyla ölçülür; aksana, lehçeye ve kayıt kalitesine göre değişir.

[Kuantizasyon (quantization)](https://broadrouter.com/tr/glossary/quantization/)

Kuantizasyon (quantization), bir sinir ağının sayılarını, özellikle ağırlıklarını, 16 bit yerine 8 bit veya 4 bit gibi daha düşük hassasiyetli bir biçimde saklama işlemidir; böylece model daha az bellek kullanır ve çoğu zaman daha hızlı çalışır. İyi yöntemler doğruluk kaybını küçük tutar.

## Sık sorulan sorular

### Açık ağırlıklı ve açık kaynak yapay zekâ modelleri arasındaki fark nedir?

Açık ağırlıklı bir model, herkesin çalıştırabilmesi için eğitilmiş ağırlıklarını yayımlar. Açık kaynak bir model eğitim kodunu ve verisini de yayımlardı. Popüler "açık" LLM'lerin çoğu yalnızca açık ağırlıklıdır ve lisansları serbestten kısıtlayıcıya kadar değişir.

### Açık ağırlıklı modeller kapalı modeller kadar iyi mi?

Yakın, ama en üst düzeyde eşit değil. Epoch AI, Mayıs 2026'da en iyi açık ağırlıklı modellerin en iyi kapalı modelleri yaklaşık dört ay geriden izlediğini tahmin etti. Birçok gündelik görevde fark küçük; en zor görevlerde ise kapalı modeller genellikle hâlâ önde.

### Açık ağırlıklı modeller daha mı ucuz?

Token başına çoğu zaman evet, çünkü aynı ağırlıkları sunmak için birçok sağlayıcı yarışır. Kendi barındırmanız ancak GPU'larınız sürekli meşgulse daha ucuzdur; boşta duran GPU'lar kullansanız da kullanmasanız da para tutar.

### Açık ağırlıklı bir model daha mı gizli?

Olabilir. Verinin ağınızdan hiç çıkmaması için onu kendiniz barındırabilir ya da sıfır veri saklayan bir sağlayıcı seçebilirsiniz. Kapalı bir model yalnızca tedarikçisinin sunduğu yerde, tedarikçinin koşullarıyla çalışır.

### Kodu yeniden yazmadan kapalı bir modelden açık ağırlıklı bir modele geçebilir miyim?

Sağlayıcı OpenAI uyumlu bir API sunuyorsa genellikle evet. Temel URL'yi, anahtarı ve model kimliğini değiştirin; ardından istemleri, araç çağrılarını ve çıktı kalitesini kendi test setinizde yeniden test edin.

## Okumaya devam edin

-   [LLM API sağlayıcısı nasıl seçilir: 20 maddelik kontrol listesi](https://broadrouter.com/tr/blog/choose-llm-api-provider-checklist/)
-   [LLM API veri saklama: OpenAI, Anthropic, Gemini, Mistral kıyaslaması](https://broadrouter.com/tr/blog/llm-api-data-retention-compared/)
-   [Sabit fiyatlı mı, token başına mı LLM API: başa baş hesabı](https://broadrouter.com/tr/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Yapay zeka ajanları için OpenRouter mı, sabit fiyatlı plan mı?](https://broadrouter.com/tr/blog/openrouter-alternative-flat-rate/)
-   [Artificial Analysis alternatifleri: 2026'da LLM karşılaştırma](https://broadrouter.com/tr/blog/artificial-analysis-alternatives/)
-   [LLM API SLA'ları: Azure, Bedrock, Google ve OpenAI ne vaat ediyor?](https://broadrouter.com/tr/blog/llm-api-sla-uptime-compared/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)
-   [Rehber: LiteLLM'i BroadNet Inference'a yönlendirin (SDK ve proxy)](https://broadrouter.com/tr/guides/litellm-proxy-custom-provider/)

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-open-weight-vs-closed-models&utm_content=page-cta) ·

**Kaynaklar**

-   [Epoch AI, açık ağırlıklı ve kapalı modeller arasındaki yetenek farkı (Data Insight, 29 Mayıs 2026)](https://epoch.ai/data-insights/open-closed-eci-gap)
-   [Stanford HAI, 2025 AI Index Report, teknik performans](https://hai.stanford.edu/ai-index/2025-ai-index-report/technical-performance)
-   [GitHub'da openai/whisper (MIT lisanslı açık ağırlıklı bir model örneği)](https://github.com/openai/whisper)
-   [BroadNet Inference gizlilik beyanı (Eylül 2026'dan itibaren geçerli) (İngilizce)](https://www.broadnet.ai/inference-privacy)
-   [BroadNet Inference makine tarafından okunabilir fiyatlar (pricing.json) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-open-weight-vs-closed-models&utm_content=sources)
