---
title: "Context rot (bağlam çürümesi) nedir? Uzun girdide LLM'ler"
description: "Bağlam çürümesi, girdi uzadıkça, bağlam penceresi dolmadan çok önce LLM doğruluğunun düşmesidir. Chroma 18 modelde ne ölçtü ve etkisi nasıl sınırlanır?"
url: https://broadrouter.com/tr/glossary/context-rot/
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/glossary/context-rot/) (güncelleme: 2026-11-14).

# Bağlam çürümesi (context rot)

Güncellendi 2026-11-14

Bağlam çürümesi (context rot), dil modellerinin girdisi uzadıkça, görev aynı kalsa ve girdi bağlam penceresinin rahatça içinde olsa bile, doğruluk ve güvenilirlikte yaşadığı kademeli kayıptır. Terimi, 18 modeli test eden 2025 tarihli bir Chroma teknik raporu yaygınlaştırdı.

Diğer adları: bağlam çürümesi, bağlam bozulması, uzun bağlam bozulması, context rot, context degradation, long-context degradation, context decay, context window degradation

Bir milyon token kabul edebilen bir model, milyonuncu token’ı ilk bin token kadar iyi kullanmaz. Bu fark bağlam çürümesidir.

## Nasıl çalışır

Chroma’nın raporu (Hong, Troynikov ve Huber, Temmuz 2025), aralarında GPT-4.1, Claude 4, Gemini 2.5 ve Qwen3’ün de bulunduğu 18 modeli, girdi büyürken zorluğu aynı kalan görevlerde test etti. Ana bulgusu: “model performance consistently degrades with increasing input length” (çeviri: model performansı girdi uzunluğu arttıkça tutarlı biçimde düşer).

Üç etki öne çıktı:

-   **Zayıf eşleşmeler en çok etkileniyor.** Soru ile ilgili pasaj az kelime paylaştığında, uzunluk arttıkça doğruluk daha hızlı düştü.
-   **Dikkat dağıtıcılar zarar veriyor.** “Even a single distractor reduces performance relative to the baseline” (çeviri: tek bir dikkat dağıtıcı bile performansı temel düzeye göre düşürür); dört tanesi durumu daha da kötüleştirdi. Dikkat dağıtıcı, aynı konudaki ama soruyu yanıtlamayan bir pasajdır.
-   **Yapı, tuhaf biçimde, önemli.** Tutarlı dolgu metni, aynı cümlelerin karıştırılmış hâlinden daha çok zarar verdi. Yazarlar “structural coherence consistently hurts model performance” (çeviri: yapısal tutarlılık model performansına tutarlı biçimde zarar verir) sonucuna vardı.

Bu, konum etkilerini gösteren [lost in the middle](https://broadrouter.com/tr/glossary/lost-in-the-middle/) gibi önceki çalışmaların üzerine kurulur. Bağlam çürümesi konuyu genişletir: yalnızca konum değil, uzunluğun kendisi de doğruluğa mal olur.

## Neden önemli

-   **Ajanlar.** Bir kodlama veya araştırma [ajanı](https://broadrouter.com/tr/glossary/agent/) dosya okumaları, loglar ve eski araç sonuçları biriktirir. Her biri potansiyel bir dikkat dağıtıcıdır. Doğruluk, [bağlam penceresi](https://broadrouter.com/tr/glossary/context-window/) dolmadan çok önce kayabilir.
-   **Maliyet ve gecikme.** Daha uzun istemler daha fazla girdi token’ına mal olur ve işlenmesi daha uzun sürer; kırpmak aynı anda üç cephede yardımcı olur.
-   **Uzun bağlam mı, getirme mi.** Bütün bir derlemi göndermek basittir, ancak yalnızca ilgili parçaları gönderen [RAG](https://broadrouter.com/tr/glossary/rag/) dikkat dağıtıcıları dışarıda tutar.

## BroadNet Inference’ta

BroadNet’in DeepSeek V4.1 Flash ve GLM 5.3 modelleri 1.048.576 token’a, Qwen3.8 27B ise 262.144 token’a kadar kabul eder. BroadNet bağlamınızı kırpmaz; ne gönderirseniz model onu okur. Sınırı bir hedef değil, bir tavan olarak görün. [1M token bağlam penceresi rehberi](https://broadrouter.com/tr/blog/million-token-context-window-guide/) tam pencerenin ne zaman karşılığını verdiğini anlatır; [uzun süre çalışan ajanlar için bağlam yönetimi](https://broadrouter.com/tr/blog/long-running-agent-context-management/) ise özetleme ve budama kalıplarını gösterir. [Bağlam penceresi hesaplayıcısı](https://broadrouter.com/tools/context-window-calculator/), bir istemi göndermeden önce boyutlandırmanıza yardımcı olur.

## Sık yapılan hatalar

-   Her dosyayı “ne olur ne olmaz” diye yapıştırmak. İlgili ama alakasız metin, tam olarak Chroma’nın dikkat dağıtıcı testlerinde kullandığı şeydir.
-   Soruyla kelimesi kelimesine eşleşen bir iğneyle test etmek. Gerçek sorular nadiren böyledir.

## Sık sorulan sorular

### Bağlam çürümesi, lost in the middle ile aynı şey mi?

Birbiriyle ilişkililer. Lost in the middle, kilit bilginin istemin neresinde durduğuyla ilgilidir. Bağlam çürümesi ise toplam girdi uzunluğunun, dikkat dağıtıcıların ve yapının doğruluğu genel olarak nasıl düşürdüğüyle ilgilidir.

### Daha büyük bir bağlam penceresi bağlam çürümesini çözer mi?

Hayır. Daha büyük bir pencere daha fazlasını göndermenize izin verir, ancak Chroma test ettiği her modelde girdi büyüdükçe performansın düştüğünü buldu. Sığan her şeyi değil, görevin gerektirdiğini gönderin.

### Ajanlar bağlam çürümesinden nasıl kaçınır?

Çalışma bağlamını kısa tutarak: eski turları özetleyerek, bayatlamış araç çıktılarını atarak ve dosyaları hepsini birden değil, gerektiğinde yükleyerek.

## Ayrıca bakın

-   [Bağlam penceresi (context window)](https://broadrouter.com/tr/glossary/context-window/) (terim)
-   [Lost in the middle (ortada kaybolma)](https://broadrouter.com/tr/glossary/lost-in-the-middle/) (terim)
-   [RAG (erişimle artırılmış üretim)](https://broadrouter.com/tr/glossary/rag/) (terim)
-   [Yapay zeka ajanı (AI agent)](https://broadrouter.com/tr/glossary/agent/) (terim)
-   [Önbellekli girdi token'ları (cached input tokens)](https://broadrouter.com/tr/glossary/cached-input-tokens/) (terim)
-   [Bağlam mühendisliği (context engineering)](https://broadrouter.com/tr/glossary/context-engineering/) (terim)
-   [Bağlam sıkıştırma (context compaction)](https://broadrouter.com/tr/glossary/context-compaction/) (terim)
-   [1M token'lık bağlam penceresi ne zaman değer (ve ne zaman değmez)?](https://broadrouter.com/tr/blog/million-token-context-window-guide/) (yazı)
-   [Uzun süren ajanlarda 1M token pencereyle bağlam yönetimi](https://broadrouter.com/tr/blog/long-running-agent-context-management/) (yazı)
-   [Uzun bağlam mı RAG mı: 1M token vektör veritabanının yerini alır mı?](https://broadrouter.com/tr/blog/long-context-vs-rag/) (yazı)

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-glossary-context-rot&utm_content=page-cta) ·

**Kaynaklar**

-   [Hong, Troynikov ve Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance (Chroma teknik raporu, 2025)](https://www.trychroma.com/research/context-rot)
-   [Liu vd., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [BroadNet Inference API referansı, model kimlikleri ve bağlam (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-glossary-context-rot&utm_content=sources#models)
