Özet: Meituan’ın LongCat-2.5 modeli ve Deep Principle’ın Hydrogen-1.0 modeli aynı hafta duyuruldu. İlki ajan görevleri için genel amaçlı bir model, ikincisi kimya ve malzeme bilimine odaklanan bir model. İkisi birlikte yapay zeka modelleri yarışının donanım çeşitliliğine ve dikey uzmanlığa kaydığını gösteriyor.
Yapay zeka modelleri pazarında kasım ayı iki dikkat çekici duyuruyla başladı. Çinli teknoloji şirketi Meituan, LongCat-2.5 adlı büyük dil modelini tanıttı. Deep Principle ise kimya ve malzeme bilimi için eğitilmiş Hydrogen-1.0 modelini Hugging Face üzerinde paylaştı. İki model farklı hedeflere sahip, ama aynı soruya yanıt arıyor: Dev modeller nasıl daha verimli ve daha uzman hale gelir?
Bu analizde iki duyuruyu şirketlerin kendi teknik yazıları üzerinden okuyoruz. Kıyaslama sonuçları şirketlerin kendi ölçümlerine dayanıyor ve bağımsız olarak doğrulanmış değil. Bu nedenle rakamları kesin bir sıralama olarak değil, yönelim göstergesi olarak ele alıyoruz.
LongCat-2.5 neyi farklı yapıyor?
Meituan’ın LongCat blogundaki duyuruya göre model 1,6 trilyon parametreye sahip. Her token için bunun yaklaşık 48 milyarı devreye giriyor. Model doğal olarak çok kipli tasarlandı ve uzun soluklu ajan görevleri ile ajan tabanlı kodlama için konumlandırıldı.
Duyurunun en dikkat çekici kısmı donanım tarafı. Meituan, modeli kart başına 80 GB’tan az belleğe sahip yerli yapay zeka hızlandırıcılarında eğittiğini söylüyor. Bu, ABD’nin ihracat kısıtlamaları altında Çinli şirketlerin alternatif donanımla da büyük model eğitebildiğini gösteren bir örnek.
Çıkarım tarafında model W4A4, yani 4 bit ağırlık ve 4 bit aktivasyonla çalıştırılıyor. Şirkete göre bu yöntem W8A8’e kıyasla ön doldurma hızını yüzde 43,3, kod çözme hızını yüzde 42,77 artırıyor. İlk tokene kadar geçen süre yüzde 15,91, token başına süre ise yüzde 19,72 kısalıyor.
Kıyaslamalarda LongCat-2.5, Terminal Bench v2.1’de 88,4 puan alıyor. Aynı testte Claude-Opus-5 89,1, GPT-5.6-Sol ise 88,8 puanda görünüyor. BrowseComp’ta 91,9 puan açıklanırken DeepSWE’de 64,6 puanla GPT-5.6-Sol’un 72,7 puanının gerisinde kalıyor.
Duyuruda LongCat-2.5’in ağırlıklarının açık olarak paylaşılacağına dair net bir ifade bulunmuyor. Bu nedenle modeli şimdilik açık ağırlıklı bir model olarak değerlendirmek doğru olmaz. Geliştiricilerin erişim koşullarını şirketin sonraki açıklamalarından takip etmesi gerekiyor.
Hydrogen-1.0 bilim için ne vaat ediyor?
Deep Principle’ın tanıtım yazısına göre Hydrogen-1.0, GLM-5.3 üzerine ek eğitimle geliştirildi. Eğitimde kimya, malzeme ve yaşam bilimleri verileri ile laboratuvar kayıtları kullanıldı. Şirket, modelin bilimsel akıl yürütme ve deney tasarımında güçlü olduğunu öne sürüyor.
Model 753 milyar parametreye sahip ve MIT lisansıyla sunuluyor. Hugging Face model sayfasına göre indirme onaylı erişimle yapılıyor. Bağlam penceresi 1 milyon token, çıktı sınırı 128 bin token olarak belirtiliyor.
BF16 ağırlıkları yaklaşık 1,5 TB yer kaplıyor ve model SGLang ile 8 GPU üzerinde test edilmiş. Yani modeli kendi sunucusunda çalıştırmak isteyen bir ekip ciddi bir donanım bütçesine ihtiyaç duyuyor. Eğitim veri setleri ve eğitim tarifleri ise paylaşılmadı.
Şirketin kıyaslamalarına göre Hydrogen-1.0, FrontierScience-Research testinde GPT-6-Astra’yı geçiyor ve Kimi-K3 ile benzer düzeyde kalıyor. İç testlerde bilimsel hesaplamada 5,13 puan, ileri tepkime tahmininde 4,76 puan önde görünüyor. NMR yorumlamada ise GPT-6-Astra 3,33 puan farkla önde.
Geçiş metali kompleksi tasarımı deneyinde beşinci turdan sonra en iyi enerji aralığı 4,318 eV olarak raporlanıyor. Aynı ölçümde GPT-6-Astra 3,689 eV, Kimi-K3 ise 3,353 eV sonuç veriyor. Model hem NVIDIA CUDA hem de AMD ROCm donanımında eğitilmiş.
Yapay zeka modelleri nasıl karşılaştırılır?
Aşağıdaki tablo iki modeli şirketlerin açıkladığı bilgilere göre özetliyor. Boş bırakılan alanlar, şirketlerin bu bilgiyi paylaşmadığı anlamına geliyor.
| Özellik | LongCat-2.5 | Hydrogen-1.0 |
|---|---|---|
| Geliştirici | Meituan | Deep Principle |
| Parametre | 1,6 trilyon (yaklaşık 48 milyar etkin) | 753 milyar |
| Odak | Ajan görevleri ve kodlama | Kimya, malzeme ve yaşam bilimleri |
| Eğitim donanımı | Yerli Çin hızlandırıcıları | NVIDIA CUDA ve AMD ROCm |
| Lisans | Açıklanmadı | MIT, onaylı indirme |
| Bağlam | Açıklanmadı | 1 milyon token |
İlk sektör karşılaştırması genel amaçlı modellerle ilgili. LongCat-2.5, kodlama ve terminal görevlerinde OpenAI ve Anthropic modellerine yakın puanlar açıklıyor. Ancak yazılım mühendisliği testinde fark hala belirgin.
İkinci karşılaştırma dikey modeller tarafında. Hukuk ve sağlıkta olduğu gibi bilimde de genel modelin üzerine alan verisiyle eğitim yaygınlaşıyor. Hydrogen-1.0, açık bir temel modelin bu yolla öncü modellerle rekabet edebileceğini iddia ediyor.
Donanım rekabeti neden öne çıkıyor?
İki duyurunun ortak noktası, NVIDIA dışı donanıma verilen önem. Meituan yerli hızlandırıcıları, Deep Principle ise AMD ROCm desteğini vurguluyor. Bu, model eğitiminde tek tedarikçiye bağımlılığın azaltılması yönünde bir arayış olarak okunabilir.
Benzer bir eğilimi çıkarım çiplerinde de görüyoruz. Güney Koreli çip üreticisinin yatırımını FuriosaAI haberimizde ele almıştık. Düşük bitli çıkarım ve alternatif çipler, model işletme maliyetini düşürmenin iki ana yolu haline geliyor.
Türkiye’ye etkisi
Türkiye’deki geliştiriciler için ilk etki maliyet tarafında. W4A4 gibi düşük bitli çıkarım yöntemleri yaygınlaştıkça büyük modelleri daha az donanımla çalıştırmak mümkün olabilir. Bu, sınırlı GPU erişimi olan yerli ekipler için önemli bir kapı.
İkinci etki araştırma tarafında. Hydrogen-1.0’ın MIT lisansı, üniversite ve sanayi laboratuvarlarının modeli kendi verileriyle uyarlamasına izin veriyor. Kimya, ilaç ve malzeme alanındaki Türk araştırma ekipleri bu tür modelleri deney tasarımında deneyebilir.
Kamu desteği açısından tabloyu yapay zeka girişimlerine devlet destekleri rehberimizde özetledik. Yine de 1,5 TB’lık bir modeli çalıştırmak için gereken altyapı, çoğu girişimin tek başına karşılayabileceği bir yük değil. Ortak hesaplama altyapısına erişim bu noktada belirleyici olacak.
Rekabet boyutu da göz ardı edilmemeli. Büyük platformların yapay zeka hizmetlerini kendi ürünlerine bağlaması düzenleyicilerin gündeminde. Konunun Türkiye ayağını Rekabet Kurulu’nun Google soruşturması haberimizde aktarmıştık.
Girişimciler için ne anlama geliyor?
Birinci ders, dikey uzmanlığın değeri. Genel modeller her alanda iyi olmaya çalışırken alan verisiyle eğitilmiş modeller belirli işlerde öne geçebiliyor. Türk girişimleri de sahip oldukları özel veriyle dar ama derin ürünler geliştirebilir.
İkinci ders, model seçiminde esneklik. Bugün öncü görünen bir model birkaç ay içinde geride kalabiliyor. Ürününü tek bir modele bağlamayan, farklı sağlayıcılar arasında geçiş yapabilen girişimler daha dayanıklı olacak.
Üçüncü ders, kıyaslamalara temkinli yaklaşmak. Şirketlerin açıkladığı puanlar kendi test koşullarını yansıtıyor. Kendi kullanım senaryonuzda küçük bir deneme yapmak, tablo karşılaştırmasından daha güvenilir sonuç verir.
Hangi aracın hangi işe uygun olduğunu merak edenler en iyi yapay zeka araçları listemize göz atabilir. Model katmanındaki hızlı değişim, uygulama katmanındaki girişimler için hem fırsat hem de risk anlamına geliyor.
Kaynaklar
Bu analizde Meituan’ın LongCat blogunda yayımlanan LongCat-2.5 duyurusunu ve Meituan teknik blogunu kullandık. Hydrogen-1.0 bilgileri Deep Principle’ın tanıtım yazısına ve Hugging Face model sayfasına dayanıyor. Kıyaslama puanları şirketlerin kendi ölçümleridir ve bağımsız olarak doğrulanmamıştır.