---
title: "LLM'lerde uzmanlar karışımı (MoE) nedir? | BroadRouter"
description: "MoE bir LLM, her token'ı birkaç uzman alt ağdan geçirir; modelin yalnızca bir kısmı çalışır. Toplam ve aktif parametreler, Gemma 4 ve DeepSeek örnekleriyle."
url: https://broadrouter.com/tr/glossary/mixture-of-experts/
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/mixture-of-experts/) (güncelleme: 2026-11-14).

# Uzmanlar karışımı (mixture of experts, MoE)

Güncellendi 2026-11-14

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.

Diğer adları: uzmanlar karışımı, uzman karışımı, MoE, seyrek MoE, MoE modeli, aktif parametreler, mixture of experts, sparse MoE, mixture-of-experts model, sparse expert model, active parameters

Yoğun (dense) bir model her token için her ağırlığı çalıştırır. Uzmanlar karışımı modeli ise yalnızca yönlendiricisinin seçtiği birkaç uzmanı çalıştırır.

## Nasıl çalışır

Shazeer vd. seyrek kapılı MoE katmanını 2017’de tanıttı: binlerceye varan ileri beslemeli alt ağ ve her girdi için “a sparse combination of these experts” (çeviri: bu uzmanların seyrek bir kombinasyonunu) seçen “a trainable gating network” (çeviri: eğitilebilir bir kapı ağı). Modern bir transformer’da bazı katmanların ileri beslemeli bloğu bir uzmanlar kümesine dönüşür. Yönlendirici her token için uzmanları puanlar ve token’ı en iyi birkaç uzmana gönderir. Bazı tasarımlar her token’ın kullandığı paylaşılan bir uzman ekler.

İki model kartı sayıları gösteriyor:

| Model | Toplam parametre | Token başına aktif | Uzmanlar |
| --- | --- | --- | --- |
| Gemma 4 26B A4B (Google) | 25,2B | 3,8B | 128’den 8 aktif, artı 1 paylaşılan |
| DeepSeek V4.1 Flash (DeepSeek) | 552B omurga | Prefill’de 8B, decode’da 16B | 384’ten 6 yönlendirilen, artı 1 paylaşılan |

Google’ın kartı, 26B A4B modelinin “runs almost as fast as a 4B-parameter model.” (çeviri: neredeyse 4B parametreli bir model kadar hızlı çalıştığını) söyler.

## Neden önemli

-   **Token başına hız ve fiyat** aktif parametreleri izler, çünkü her token’ın ihtiyaç duyduğu hesaplama budur. Bir MoE modelinin hem büyük hem de sunması ucuz olabilmesinin sebebi budur.
-   **Bellek** toplam parametreleri izler. Her uzmanın GPU belleğinde durması gerekir; bu yüzden bir MoE modeli ağırlıklar için aynı toplam boyuttaki yoğun bir model kadar yer ister. [Kuantizasyon](https://broadrouter.com/tr/glossary/quantization/) bunları sığdırmanın yaygın bir yoludur.
-   **Kalite** iki sayıyı da net biçimde izlemez. Modelleri parametre sayılarıyla değil, kendi görevinizde karşılaştırın.

## BroadNet Inference’ta

BroadNet, BroadNet Gemma 4 VL 26B modelini `broadnet/gemma-4-26b-a4b` model kimliğiyle sunar ve onu Google’ın Gemma 4’üne dayalı olarak tanımlar. Model kataloğu üretim sürümünü AWQ 4 bitlik ağırlıklar ve çoklu token tahminiyle Gemma 4 26B A4B olarak listeler. 1M token başına girdi $0.10, çıktı $0.22 tutarındadır ve saatlik anahtarın arkasındaki modeldir. Bkz. [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/).

[DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/), BroadNet’in 1.048.576 token bağlamlı modelidir ve sabit fiyatlı planlardaki tek modeldir. MoE tasarımı BroadNet tarafından değil, DeepSeek tarafından belgelenmiştir. Açık modellerin bir kategori olarak nasıl karşılaştırıldığı için [açık ağırlıklı modeller](https://broadrouter.com/tr/glossary/open-weight-model/) ve [açık ağırlıklı ve kapalı modeller](https://broadrouter.com/tr/blog/open-weight-vs-closed-models/) sayfalarına bakın.

## Sık sorulan sorular

### Gemma 4 26B A4B'deki A4B ne anlama gelir?

Google'ın model kartına göre "A" aktif parametreleri ifade eder. Modelin toplam 25,2B parametresi vardır ama token başına yaklaşık 3,8B parametreyi etkinleştirir.

### DeepSeek V4.1 Flash bir uzmanlar karışımı modeli mi?

Evet. DeepSeek'in model kartı onu 552B omurga parametreli, MoE katmanı başına 1 paylaşılan ve 384 yönlendirilen uzmana sahip, token başına 6 yönlendirilen uzmanın aktif olduğu çok modlu bir MoE modeli olarak tanımlar.

### Bir MoE modeli daha az bellek mi gerektirir?

Hayır. Herhangi bir token herhangi bir uzmana yönlendirilebileceği için tüm uzmanların yüklenmesi gerekir. MoE, ağırlıklar için bellekten değil, token başına hesaplamadan tasarruf eder.

## Ayrıca bakın

-   [Açık ağırlıklı model (open-weight model)](https://broadrouter.com/tr/glossary/open-weight-model/) (terim)
-   [Kuantizasyon (quantization)](https://broadrouter.com/tr/glossary/quantization/) (terim)
-   [Saniyedeki token (tokens per second, TPS)](https://broadrouter.com/tr/glossary/tokens-per-second/) (terim)
-   [KV önbelleği (KV cache)](https://broadrouter.com/tr/glossary/kv-cache/) (terim)
-   [GPU saati (GPU-hour)](https://broadrouter.com/tr/glossary/gpu-hour/) (terim)
-   [OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/) (rehber)
-   [İşletmeler için açık ağırlıklı ve kapalı yapay zekâ modelleri](https://broadrouter.com/tr/blog/open-weight-vs-closed-models/) (yazı)
-   [Kodlama ajanları için en iyi açık model: araçlar, bağlam ve maliyet](https://broadrouter.com/tr/blog/best-open-model-for-coding-agents/) (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-mixture-of-experts&utm_content=page-cta) ·

**Kaynaklar**

-   [Shazeer vd., Outrageously Large Neural Networks, the Sparsely-Gated Mixture-of-Experts Layer, arXiv 1701.06538](https://arxiv.org/abs/1701.06538)
-   [Google, Gemma 4 26B A4B talimatla ayarlanmış model kartı](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [DeepSeek, DeepSeek-V4.1-Flash model kartı](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash)
-   [BroadNet Inference API referansı, model kimlikleri (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-glossary-mixture-of-experts&utm_content=sources)
-   [BroadNet model kataloğu (laboratuvar ölçümleri, Eylül 2026) (İngilizce)](https://www.broadnet.ai/inference/models)
