Open-weight ve Closed-weight Modeller

From Systems analysis wiki
Jump to navigation Jump to search

Open-weight ve Closed-weight modeller — büyük dil modellerinin (LLM) geliştirilmesi ve dağıtılmasına yönelik birbirinden temelden farklı iki yaklaşım olup, modern yapay zeka ekosistemindeki temel dikotomiyi oluşturmaktadır. Bu iki yaklaşım arasındaki tercih; teknik olanakları, ekonomiyi, güvenliği ve yapay zekanın geleceğini doğrudan etkilemektedir[1].

Temel fark, modelin eğitilmiş parametrelerine (ağırlıklarına) erişilebilirlik düzeyinde yatmaktadır. Open-weight modeller ağırlıklarını kamuya açık biçimde yayımlar; bu sayede topluluk üyeleri bu ağırlıkları kullanabilir, değiştirebilir ve yerel olarak dağıtabilir. Closed-weight modeller ise ağırlıklarını gizli tutarak yalnızca tescilli API'ler aracılığıyla erişim sunar[2].

Tanımlar ve Temel Farklılıklar

Open-weight Modeller (Açık Ağırlıklı)

Open-weight modeller — eğitilmiş parametrelerinin (ağırlıklarının) kullanım, değiştirme ve dağıtım amacıyla kamuya açık olduğu sistemlerdir. OpenAI'dan Andrej Karpathy'nin tanımıyla böyle bir model, "işletim sisteminin ikili dosyasını teslim etmeye" benzer — kullanıcılar işlevsel bir ürün elde eder; ancak çoğunlukla eğitim kaynak koduna veya eğitim verilerine erişim sağlanamaz.

Temel özellikler:

  • Yerel dağıtım: Modeli kendi donanımında çalıştırabilme; veriler üzerinde tam denetim ve gizlilik sağlama imkânı.
  • İnce ayar (Fine-tuning): Modeli belirli görev ve alanlara uyarlamak için özelleştirebilme imkânı.
  • Şeffaflık ve denetim: Araştırmacıların önyargıları ve güvenlik açıklarını tespit etmek amacıyla modelin iç mekanizmalarını inceleyebilmesi.

Closed-weight Modeller (Kapalı Ağırlıklı)

Closed-weight modeller (tescilli modeller olarak da bilinir) — parametreleri ticari sır niteliği taşıyan ve yalnızca API ya da kısıtlı lisanslar aracılığıyla erişilebilen sistemlerdir. OpenAI ve Anthropic gibi geliştirici şirketler, mimari, eğitim yöntemleri ve çıkarım mekanizmaları üzerinde tam denetime sahiptir. GPT-4 teknik raporunda, "rekabetçi ortam ve büyük ölçekli modellerin güvenlik açısından doğurduğu sonuçlar göz önüne alındığında" ayrıntıların paylaşılmaktan kaçınıldığı açıkça belirtilmektedir[3].

Temel özellikler:

  • Merkezi denetim: Geliştirici; güncellemeleri, güvenliği ve kullanım politikalarını yönetir.
  • Kullanım kolaylığı: API üzerinden erişim, kullanıcıları karmaşık altyapı yönetimi zorunluluğundan kurtarır.
  • Şeffaflık eksikliği: İç mekanizmalara erişilememesi bağımsız denetimi olanaksız kılar ve hatalı ya da önyargılı yanıtların nedenlerini anlamayı güçleştirir.

Open-source ile Farkı

Open-weight ve open-source terimlerini birbirinden ayırt etmek büyük önem taşır. Gerçek anlamda open-source bir model; ağırlıklar, mimari, eğitim kodu ve veri kümeleri dahil olmak üzere yeniden üretim için gereken tüm bileşenlerin kamuya açık olmasını gerektirir. Meta'nın Llama'sı gibi günümüzdeki "açık" modellerin büyük çoğunluğu open-weight niteliği taşır; ancak eğitim verileri ve kesin eğitim yöntemleri kapalı kaldığından tam anlamıyla open-source değildir.

Karşılaştırmalı Analiz: Performans, Maliyet ve İnovasyon

Performans ve Özelleştirme

Tarihsel olarak GPT-4 gibi closed-weight modeller, genel benchmark'larda lider konumdaydı. Ancak performans farkı hızla kapanmaktadır. Stanford AI Index 2025 verilerine göre bu fark, son bir yılda %8'den %1,7'ye gerilemiştir[1]. Meta'nın LLaMA 3.1 405B ve DeepSeek-V3 gibi güçlü open-weight modeller, karşılaştırılabilir sonuçlar sergilemekte; hatta bazı görevlerde (özellikle programlama alanında) closed-weight modelleri geride bırakmaktadır[4].

Open-weight modellerin temel avantajı derin özelleştirme imkânıdır. Alana özgü verilerle ince ayar yapılabilmesi, bu modellerin tıp veya hukuk gibi dar alanlarda daha büyük ama evrensel nitelikteki closed-weight modelleri geride bırakmasına olanak tanır.

Ekonomik Boyutlar

  • Eğitim maliyeti: Son teknoloji (frontier) modellerin oluşturulması son derece pahalıdır. GPT-4'ün eğitim maliyetinin 100 milyon doları aştığı tahmin edilmektedir. DeepSeek-V3 gibi open-weight modeller ise yalnızca 5,5 milyon dolar harcamayla benzer bir performansa ulaşarak güçlü sistemlerin geliştirilmesinde erişimi demokratikleştirmektedir.
  • Kullanım maliyeti (çıkarım): Closed-weight modeller API üzerinden kullandıkça öde modeliyle ücretlendirilir; bu durum büyük hacimlerde yüksek harcamalara yol açabilir. Yerel olarak dağıtılan open-weight modeller başlangıçta altyapıya yatırım gerektirse de ölçeklendirme sırasında çok daha düşük bir toplam sahip olma maliyeti (TCO) sunar.

Bilimsel Araştırmalar ve İnovasyon Üzerindeki Etkisi

Open-weight modeller, yeniden üretilebilirlik ve erişimin demokratikleşmesi sağlayarak bilimsel araştırmaları köklü biçimde dönüştürmektedir. Dünyanın dört bir yanındaki araştırmacılar açık modelleri analiz edebilir, eleştirebilir ve geliştirebilir; bu durum dinamik bir ekosistem yaratarak ilerlemeyi hızlandırır. Buna karşılık, kapalı modeller "yeniden üretilebilirlik krizi" yaratmaktadır; zira öne sürülen sonuçların bağımsız olarak doğrulanması mümkün olmamaktadır.

Güvenlik ve Etik İkilemler

Güvenlik meselesi, açıklık ile denetim arasındaki tartışmanın merkezinde yer alan temel bir ikilemleri oluşturmaktadır.

  • Closed-weight yaklaşımı (Merkezi önleme): OpenAI ve Anthropic gibi geliştiriciler önleyici bir yaklaşım benimsemektedir. Karmaşık güvenlik filtreleri uygular, yoğun "kırmızı ekip" (red teaming) çalışmaları yürütür ve Anthropic'in belirli risk eşiklerini aşan modellerin dağıtılmaması taahhüdünü içeren Responsible Scaling Policy gibi katı politikalar izlerler[5].
  • Open-weight yaklaşımı (Merkeziyetsiz direnç): Open-source dünyasına benzer bu felsefe, "çok göz her hatayı küçük kılar" ilkesini benimser. Topluluk, güvenlik açıklarını çok daha hızlı bulup giderebilir. Ancak bu durum beraberinde riskler de getirir: Kötü niyetli kişiler, güvenlik açıklarını bulmak için modelleri aynı kolaylıkla inceleyebilir ya da ince ayar yoluyla koruyucu mekanizmaları devre dışı bırakabilir.

Araştırmalar, modelin erişilebilirliğinin değil, insan niyetinin temel risk faktörü olduğunu ortaya koymaktadır. Üretici yapay zekanın belgelenmiş kötüye kullanım vakalarının %90'ı, sistemlerin kendisi tarafından üretilen zararlardan değil, izin verilen yeteneklerin istismarından kaynaklanmaktadır.

Düzenleyici Yaklaşımlar: AB ve ABD

  • AB Yapay Zeka Yasası: Önleyici ve riske dayalı bir yaklaşım benimsemektedir. Yasa, "sistemik risk" taşıyan modeller (eğitim için 1025 FLOPS'tan fazla kaynak gerektiren modeller) için katı yükümlülükler getirirken, bu tür bir risk barındırmayan open-source modeller için sınırlı muafiyetler tanımaktadır. Bu durum şeffaflık için teşvik unsuru oluştururken aynı zamanda düzenleyici karmaşıklığı da beraberinde getirmektedir.
  • ABD yaklaşımı: İnovasyonun teşvik edilmesi ve sektörel standartlar aracılığıyla risk yönetimine dayanmaktadır. Başkan Biden'ın 14110 sayılı Yürütme Emri ve ardından hazırlanan NTIA raporu, open-weight modeller üzerindeki kısıtlamaların derhal uygulamaya konulmamasını tavsiye etmekte; bunun yerine olgusal verilere dayalı karar alımı için bir izleme sistemi oluşturulmasını önermektedir[6].

Önemli Modeller ve Aktörler

Öne Çıkan Open-weight ve Closed-weight Modellerinin Karşılaştırma Tablosu
Model Türü Model Geliştirici Temel Özellik
Open-weight LLaMA 3.1 Meta Açık modeller için standart belirleyen yüksek performans; geniş topluluk desteği.
Mixtral 8x7B Mistral AI Düşük çıkarım maliyetiyle yüksek performans sunan "uzman karışımı" (MoE) mimarisi.
Closed-weight GPT-4 / GPT-4o OpenAI Performansta tarihsel lider; güçlü çok modlu yetenekler.
Claude 4 Opus Anthropic Güvenlik ve etiğe odaklanma (Constitutional AI), geniş bağlam penceresi.

Literatür

  • OpenAI et al. (2023). GPT-4 Technical Report. arXiv:2303.08774.
  • Touvron, H. et al. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models. arXiv:2307.09288.
  • DeepSeek-AI (2025). DeepSeek-V3 Technical Report. arXiv:2412.19437.
  • Kapoor, S.; Bommasani, R. et al. (2024). On the Societal Impact of Open Foundation Models. arXiv:2403.07918.
  • U.S. NTIA (2024). Dual-Use Foundation Models with Widely Available Model Weights. NTIA Report.
  • Stanford HAI (2025). Artificial Intelligence Index Report 2025. Full PDF.
  • Anthropic (2023). Responsible Scaling Policy. Anthropiс RSP.
  • Klyman, K. et al. (2024). A Design Framework for Open-Source Foundation Model Safety. arXiv:2406.10415.
  • Kembery, E.; Reed, T. (2024). AI Safety Frameworks Should Include Procedure for Model Access Decisions. arXiv:2411.10547.
  • European Commission (2024). General-Purpose AI Models in the AI Act – Q&A. EU AI Act FAQ.
  • Zhang, X. et al. (2025). Mitigating Cyber Risk in the Age of Open-Weight LLMs. arXiv:2505.17109.
  • Biderman, S. et al. (2024). Risks and Opportunities of Open-Source Generative AI. arXiv:2405.08597.

Kaynakça

  • Stanford AI Index Report 2025 — Yapay Zekanın Durumu Hakkında Yıllık Rapor.
  • Açık Ağırlıklı Modeller Üzerine NTIA Raporu

Notlar

  1. ↑ 1.0 1.1 «Artificial Intelligence Index Report 2025». Stanford University HAI. [1] Проверено 4 июля 2025.
  2. ↑ Karpathy, Andrej. «On Open-sourcing LLMs». X (formerly Twitter).
  3. ↑ «GPT-4 Technical Report». OpenAI. [2]
  4. ↑ «DeepSeek-V2 and DeepSeek-Coder-V2 Technical Report».
  5. ↑ «Anthropic's Responsible Scaling Policy». Anthropic.
  6. ↑ «Dual-Use Foundation Models with Widely Available Model Weights». U.S. Department of Commerce, NTIA. (2024).
Retrieved from "https://systems-analysis.ru/int/index.php?title=Open-weight_ve_Closed-weight_Modeller&oldid=27956"