memory

Meta Ücretsiz Yayın: Nisan 2025

Llama 4

Meta'nın 2025 yılında tanıttığı açık kaynak büyük dil modeli ailesi. Scout (17B aktif parametre) ve Maverick (17B aktif) varyantlarıyla başlayan Llama 4, MoE mimarisi ve 10 milyon token bağlam penceresinin ilk versiyonuyla dikkat çekti.

update Son güncelleme: 16 Haziran 2026

memory Bağlam

128K token (Maverick) · 10M token (Scout)

output Maks. çıkış

32.768 token

payments Giriş fiyatı

Açık kaynak — self-host ücretsiz

api API

check_circleMevcut

Resmi siteye git open_in_new compare Karşılaştır

balance Güçlü ve Zayıf Yönler

check_circle Güçlü Yönler

check Açık kaynak — ticari kullanım için ücretsiz lisans
check Self-host ile tam veri gizliliği
check Scout varyantı: 10M token bağlam (araştırma seviyesi)
check Llama eko sistemi: geniş topluluk, araçlar ve ince ayar desteği
check Meta.ai ile entegre — Instagram, WhatsApp içi erişim

warning Zayıf Yönler

cancel Frontier modellerle kıyaslandığında genel akıl yürütme açığı mevcut
cancel Büyük Llama modellerini self-host yapmak ciddi GPU kaynağı gerektirir
cancel Türkçe desteği sınırlı — eğitim verisinde Türkçe payı düşük

leaderboard Benchmark Skorları

Test	Skor	Açıklama
MMLU emoji_events Sınıfının en iyisi	85,5	Llama 4 Maverick — genel bilgi
HumanEval	78,0	Python kod üretimi
MATH	73,8	Olimpiyat matematik soruları

Llama 4, Meta’nın açık kaynak yapay zeka stratejisinin doruk noktasını temsil eder. MoE mimarisiyle hem performansı iyileştirmiş hem de parametre verimliliğini artırmıştır.

Model Varyantları

Model	Aktif Parametre	Bağlam	Kullanım
Llama 4 Scout	17B	10M token	Uzun bağlam araştırması
Llama 4 Maverick	17B	128K token	Genel amaçlı
Llama 4 Behemoth	~288B (ilan)	TBD	Frontier performans

Scout’un 10 milyon token bağlamı, araştırma amaçlı belge analizi için rekor düzeydedir; ancak bu kadar uzun bağlamlarda dikkat kalitesi pratik kullanımda sınırlayıcı olabilir.

Bağlam Penceresi Gerçekte Ne İşe Yarar

Maverick (128K token) — Yaklaşık 96.000 kelime veya 300 sayfalık belge. GPT-4o ve DeepSeek V3 ile aynı kapasite; çoğu pratik uygulama için yeterli.

Scout (10M token) — 7,5 milyon kelimeye karşılık gelir; tüm bir kütüphane veya büyük veri seti tek promptta işlenebilir. Bu kapasite şu an araştırma ve deneysel kullanım için uygundur; uzun bağlamlarda dikkat kalitesi (middle-of-context attenuation) hâlâ aktif bir araştırma alanıdır.

Uzun bağlam LLM’leri hakkında kapsamlı rehber için bu makaleye bakın.

Açık Kaynak Avantajı

Llama 4’ün en büyük değer önerisi açık kaynak doğasıdır. Kuruluşlar modeli kendi sunucularında çalıştırabilir, bu da:

Veri gizliliği: Hiçbir veri üçüncü tarafa iletilmez; GDPR ve KVKK uyumluluğu kolaylaşır.
Sınırsız kullanım: Token başına API ücreti yoktur; yalnızca donanım maliyeti söz konusudur.
Özelleştirme: Domain-specific fine-tuning ile özel yetenekler kazandırılabilir.
Bağımsızlık: Sağlayıcı bağımlılığı (vendor lock-in) ortadan kalkar.

olanakları sunar.

Benchmark Skorları Nasıl Okunur

MMLU: 85,5 — Llama 4 Maverick, genel bilgi ve çıkarım testinde GPT-4o’nun (88,7) ve DeepSeek V3’ün (88,5) gerisinde; bu fark gerçek kullanımda fark edilebilir düzeyde.

HumanEval: 78,0 — Python kod üretiminde açık kaynak rakibi DeepSeek V3 (89,0) ve kapalı kaynak modellerin (Claude Sonnet 4.6: 93,7) belirgin gerisinde. Kod-yoğun projeler için Claude veya DeepSeek V3 daha güvenilir seçenek.

MATH: 73,8 — Olimpiyat matematik testlerinde frontier modellerin gerisinde. Ağır matematiksel görevler için o3 veya Gemini 2.5 Pro tercih edilmelidir.

Türkçe Performans

Llama 4’ün eğitim verisinde Türkçe payı batı kökenli frontier modellere kıyasla daha düşüktür. Bu durum gündelik Türkçe kullanımda hata oranını artırabilir.

Güncel Türkçe model sıralamalarını görmek için HuggingFace TR-MMLU liderlik tablosuna bakabilirsiniz.

Türkçe kullanım senaryoları:

Teknik İngilizce↔Türkçe çeviri: orta kalite
Basit Türkçe soru-cevap: yeterli
Kültürel bağlamlı Türkçe içerik: sınırlı
Türkçe kodlama asistanı: yeterli (kod İngilizce, açıklama Türkçe)

Türkçe dil desteği kritik bir gereksinimse GPT-4o veya Claude Sonnet 4.6 tercih edilmesi önerilir.

Kimler İçin Uygun

Kullanıcı Profili	Neden Llama 4
Veri gizliliği öncelikli kurum	Self-host: veri asla dışarı çıkmaz
Araştırmacı / akademisyen	Açık ağırlıklar, fine-tuning, Scout’un 10M bağlamı
Girişim / başlangıç şirketi	Sıfır API maliyeti, ticari lisans
Yapay zeka uygulama geliştiricisi	LangChain/CrewAI entegrasyonu, topluluk desteği
Meta ürünleri kullanıcısı	Meta.ai, Instagram, WhatsApp entegrasyonu

Frontier akıl yürütme performansı gerekliyse kapalı kaynak modeller daha iyi sonuç verecektir.

Nasıl Erişilir

Meta.ai tüketici arayüzü:

meta.ai adresine gidin veya Instagram/WhatsApp’tan erişin.
Meta hesabıyla giriş yapın (ücretsiz).

Self-host:

Hugging Face üzerinden model ağırlıklarını indirin: meta-llama/Llama-4-Maverick
Lisans sözleşmesini onaylayın (Meta Llama Lisansı).
llama.cpp, vLLM veya Ollama çerçevesiyle çalıştırın.

Üçüncü taraf API:

Groq, Together AI, AWS Bedrock (Llama 4 Maverick dahil)

Meta.ai tüketici ürününün ayrıntıları için Meta AI aracı sayfasına bakın.

Ajan Çerçeveleriyle Kullanım

Llama 4, LangChain, CrewAI ve AutoGen gibi popüler ajan çerçeveleriyle sorunsuz entegre olur. OpenAI API uyumlu endpoint’ler sunan sağlayıcılar (Groq, Together AI) sayesinde OpenAI SDK kullanan uygulamaları minimal değişiklikle Llama 4’e taşımak mümkündür.

Rakip Modeller

Açık kaynak segmentinde DeepSeek V3 ile rekabet eder; DeepSeek benchmark skorları genelde öne çıkarken Llama’nın Meta ekosistemi entegrasyonu ve topluluk büyüklüğü avantajdır. Kapalı kaynak frontier performansı için GPT-4o ve Claude Sonnet 4.6 ile kıyaslanır. Açık kaynak modellerin detaylı incelemesi için bu makaleye bakın.

Kaynaklar

Meta — Llama Resmi Sayfası — Model ağırlıkları, lisans ve teknik detaylar
Llama 4 Nedir? Meta Açık Kaynak Yapay Zeka — Kapsamlı Türkçe rehber
HuggingFace TR-MMLU Liderlik Tablosu — Türkçe MMLU benchmark karşılaştırması
AI Ajan Çerçeveleri Karşılaştırması — LangChain, CrewAI, AutoGen entegrasyonu

help Sık Sorulan Sorular

Llama 4 nedir? expand_more

Llama 4, Meta'nın 2025 yılında yayınladığı açık kaynak büyük dil modeli ailesidir. Scout, Maverick ve (ilan edilen) Behemoth varyantlarından oluşur. Açık kaynak lisansıyla yayınlanan Llama modelleri, araştırmacılar, girişimler ve kurumsal kullanıcılar tarafından indirilerek kendi altyapılarında çalıştırılabilir.

Llama 4 nasıl kullanılır? expand_more

Birkaç yol mevcut: (1) meta.ai üzerinden ücretsiz kullanım, (2) Hugging Face veya Meta'nın resmi sayfasından model ağırlıklarını indirerek yerel çalıştırma, (3) Groq, Together AI veya AWS Bedrock gibi sağlayıcıların API'lerini kullanma. Yerel kurulum için küçük modeller (8B) tüketici GPU'larında çalışır; büyük modeller sunucu ekipmanı gerektirir.

Llama 4 Türkçe destekliyor mu? expand_more

Temel Türkçe anlama mevcut, ancak GPT-4o veya Claude'un gerisinde kalıyor. Teknik Türkçe ve çeviri için kullanılabilir; yaratıcı içerik veya kültürel bağlamlı Türkçe üretim için batı kökenli modeller daha iyi sonuç verir. Türkçe model sıralamaları için HuggingFace TR-MMLU liderlik tablosuna bakın.

Llama 4 ticari olarak kullanılabilir mi? expand_more

Evet, Meta'nın Llama lisansı ticari kullanıma izin verir; ancak bazı kısıtlamalar mevcuttur (örn. rakip model eğitiminde kullanmak yasaktır, aylık 700M+ aktif kullanıcısı olan ürünler için ek lisans gerekebilir). Lisans metnini Meta'nın resmi Llama sayfasından okuyun.

Llama 4 fiyatı nedir? expand_more

Llama 4 açık kaynak olduğundan model ağırlıkları ücretsiz indirilebilir ve self-host maliyeti yalnızca donanım/enerjidir. API erişimi için Groq (~$0,05/1M token), Together AI veya AWS Bedrock gibi sağlayıcılar kullanılabilir; bu sağlayıcılardaki fiyatlar değişkendir. Meta.ai üzerinden tüketici arayüzü ücretsizdir. Maliyet karşılaştırması için Token Hesaplayıcı'yı kullanın.

Llama 4 Scout ile Maverick arasındaki fark nedir? expand_more

Scout, araştırma odaklı 10 milyon token bağlam penceresine sahip varyantdır — tüm büyük veri setleri veya uzun döküman koleksiyonları için idealdir, ancak bu kadar uzun bağlamlarda dikkat kalitesi pratik kullanımda düşebilir. Maverick, 128K token bağlamla genel amaçlı kullanım için optimize edilmiş dengeli varyantdır. İkisi de 17B aktif parametre kullanır.

Llama 4'ü self-host yapmak için ne gerekiyor? expand_more

Llama 4 Maverick (17B aktif/toplam ~109B parametre MoE) için: en az 2-4 adet A100 80GB GPU önerilir. Küçük quantize versiyonları için tek A100 veya güçlü tüketici GPU'su (4090) yeterli olabilir. Llm.cpp veya vLLM gibi çerçeveler ile kurulum yapılabilir. Tam kurulum rehberi için Meta'nın Llama GitHub deposunu inceleyin.

Llama 4 hangi ajanlar veya çerçevelerle kullanılabilir? expand_more

Llama 4, LangChain, LlamaIndex, CrewAI ve AutoGen gibi popüler ajan çerçeveleriyle sorunsuz entegre olur. Açık kaynak olması, özel araç ve eklenti geliştirimi için tam esneklik sağlar. API uyumluluğu sayesinde OpenAI SDK'sı kullanan uygulamalar minimal değişiklikle Llama 4'e geçebilir.

history Sürüm Geçmişi

Sürüm notları içerik ekibimiz tarafından doldurulduğunda burada listelenecek.

source Kaynaklar

Benchmark ve fiyat kaynakları içerik ekibi tarafından eklendiğinde burada listelenecek.