Kimi K3 Fable 5'i Geçti: Türk Geliştirici Çin Modellerine Güvenebilir mi?

16 Temmuz 2026 akşamı X akışına bakanlar tuhaf bir manzarayla karşılaştı. Moonshot AI adında Pekin merkezli bir startup, Frontend Code Arena leaderboard'unda 1.679 Elo puanıyla birinci sıraya oturmuştu. İkinci sırada Claude Fable 5 vardı: 1.631 Elo. Aradaki fark 48 puandı. Kimi K2.6, sadece bir nesil önce aynı listede 18. sıradaydı.

San Francisco'daki mühendis gruplarında "ABD yapay zeka üstünlüğü bitti mi?" tartışması hemen başladı. Yerli ve yabancı teknoloji medyası haberi büyük başlıklarla geçti. Kimi K3 gerçekten o kadar iyi mi, yoksa büyük modellerde sık görülen benchmark oyunu mı oynandı? Ve bütün bunların Türkiye'de yazılım geliştiren, döviz kuruna bakan, KVKK'ya uymak zorunda olan biri için ne anlamı var?

Bu makale o soruları yanıtlamak için yazıldı. Haber özeti yapmıyorum; zaten onu herkes yapıyor. Burada yapacağım şey şu: veriye dayalı bir karar kılavuzu sunmak.

---

Kimi K3 Nedir, Neden Bu Kadar Konuşuluyor?

Kimi K3, Moonshot AI'ın üçüncü nesil amiral gemisi modelidir. Toplam 2.8 trilyon parametreden oluşuyor. Bu sayıyı duyunca akla gelen ilk şey genellikle "o zaman çok pahalı ve yavaş olmalı" oluyor; ancak bu modelin çalışma biçimi beklentilerin tam aksine işliyor.

Kimi K3 bir Mixture-of-Experts (MoE) modelidir. MoE mimarisini anlamak için şöyle düşünün: 896 farklı uzmandan oluşan bir danışmanlık firmanız var. Her soruda yalnızca 16 uzman masaya çağrılıyor, geri kalanı salonda beklemiyor bile. Firma devasa büyüklükte, ama toplantı odası küçük ve verimli. Kimi K3 tam olarak bu şekilde çalışıyor: her token için 896 uzmandan sadece 16'sı aktif oluyor. Pratikte bu, yaklaşık 50 milyar aktif parametre anlamına geliyor. Toplam ağırlık büyüklüğü 2.8 trilyon olsa da çıkarım maliyeti çok daha düşük seyrediyor.

Moonshot bu modele birkaç mimari yenilik de eklemiş. Bunların en önemlisi Kimi Delta Attention (KDA): hibrit bir dikkat mekanizması. Standart dikkat hesaplama maliyeti, dizi uzunluğunun karesiyle büyür. 1 milyon tokenlik bir bağlamda bu maliyet teorik olarak felç edici seviyelere çıkabilir. KDA bu problemi doğrusal ve standart dikkati harmanlayarak çözüyor ve Moonshot'ın kendi ölçümlerine göre 1 milyon tokenlik bağlamlarda çözüm hızını 6.3 kat artırıyor. İkinci yenilik Attention Residuals: eğitim verimliliğini yüzde 25 artırıyor, ek maliyet yüzde 2'nin altında kalıyor. Bu iki değişiklik, modelin K2 ailesine kıyasla 2.5 kat daha verimli ölçeklenmesini sağlıyor.

---

Benchmark Gerçeği: Ne Kazandı, Ne Kaybetti?

Herkes Frontend Code Arena liderliğini konuşuyor. Bu gerçek bir başarı. Ama tam tablo bundan ibaret değil ve dürüst bir değerlendirme için tam tabloya bakmak gerekiyor.

Kimi K3'ün güçlü olduğu alanlar şöyle:

Frontend Code Arena'da 1.679 Elo ile birinci sırada. Aynı listede Fable 5'in 1.631 Elo ile ikinci sırada olduğunu hatırlatalım. Yüz yüze karşılaştırmalarda kazanma oranı yüzde 76.

SWE-bench Verified'da yüzde 76.8. Gerçek GitHub sorunlarını çözdüğü bu testte ciddi bir performans.

GPQA Diamond'da yüzde 93.5. Doktora seviyesi bilim sorularını içeren bu testte de güçlü bir sonuç.

BrowseComp'ta 91.2: o tarihteki en yüksek yayınlanmış puan. Web gezinme ajan görevlerinde lider.

Program Bench ve SWE Marathon'da da birinci sırada.

Şimdi tam tablonun diğer tarafı:

Artificial Analysis Intelligence Index'te dördüncü sırada, 57 puanla. Üstünde Claude Fable 5 ve GPT-5.6 Sol seviyeleri var. Genel zeka ve muhakeme görevlerinde K3, mevcut kapalı kaynak devlerin gerisinde kalıyor.

Konuşma kalitesi ve kullanıcı deneyimi açısından Fable 5 ve GPT-5.6 Sol hâlâ önde. Benchmark olmayan, subjektif etkileşimde fark hissediliyor.

Belirsiz durumlarda K3 açıklama istemek yerine harekete geçmeyi tercih ediyor. Bu bir kodlama oturumunda bazen işe yarıyor, bazen de istenmeyen değişikliklere yol açıyor.

Açık kaynak ağırlıklarına henüz ulaşılamıyor. Yazının yayın tarihinde ağırlıklar hâlâ gelmemişti; Moonshot 27 Temmuz'u taahhüt etmişti. Ağırlıklar gelmeden bağımsız doğrulama yapılması mümkün değil.

Sonuç şu: Kimi K3, frontend kodlama ve uzun soluklu ajan görevlerinde gerçek anlamda en iyi açık kaynak model. Genel amaçlı muhakemede ise kapalı kaynak modellerin gerisinde kalıyor. Bu iki cümleyi aynı anda doğru kabul etmek gerekiyor.

---

Açık Kaynak Olması Türk Geliştirici İçin Ne Anlama Geliyor?

Türkiye'de yazılım geliştirmenin kendine özgü bir ekonomik çerçevesi var. API maliyetleri dolar üzerinden faturalanıyor. Claude Fable 5'in çıktı fiyatı milyonda 50 dolar seviyesinde. Kimi K3'ün API fiyatı: giriş için milyonda 3 dolar, önbelleğe alınmış giriş için milyonda 0.30 dolar, çıktı için milyonda 15 dolar. Fable 5'e kıyasla çıktıda yüzde 70 ila 80 daha ucuz.

Önbellekleme fiyatı özellikle dikkat çekici. Sistem istemi ve kod tabanı bağlamı tekrar tekrar gönderilen kodlama iş akışlarında, giriş maliyeti milyonda 0.30 dolara iniyor. Bu rakam dolar bazında bile düşük; kur farkı hesaplandığında Türk geliştirici için erişilebilirlik anlamında ciddi bir fark yaratıyor.

Asıl önemli nokta ise şu: 27 Temmuz'dan itibaren ağırlıklar herkesin erişimine açılacak. Açık ağırlık modeli, gerçek anlamıyla şunu ifade ediyor: modeli indiriyorsun, kendi sunucunda çalıştırıyorsun, token başına ödeme yapmıyorsun. Çalıştırma maliyetin yalnızca hesaplama gücünden ibaret.

Bu noktada Kimi K3'ün self-host gerçekliğine dönmek gerekiyor.

---

Self-Host Gerçeği: 1.4 TB ve 64 GPU

Açık kaynak duyurularının heyecanında sık düşülen bir yanılgı var. "Ağırlıklar açık, demek indirebilirim ve kendi bilgisayarımda çalıştırabilirim" sonucuna atlamak çekici geliyor. Kimi K3 için bu mümkün değil, en azından şimdilik.

MXFP4 formatında 2.8 trilyon parametre, ham ağırlık verisi olarak yaklaşık 1.4 terabayt yer kaplıyor. Bu rakam modelin yüklenmesi için gereken belleğin alt sınırı; önbellekleme durumu, aktivasyonlar ve uzun bağlam belleği bu hesaba dahil değil.

Moonshot, K3'ü üretim ortamında en az 64 ivmelendirici içeren süpernode konfigürasyonlarda çalıştırıyor. 8 adet H100 GPU'su olan tek bir sunucu bu modeli çalıştırmak için yeterli değil.

Peki küçük ölçekli kullanım için ne yapılabilir? Topluluktan nicemleme (quantization) sürümlerinin gelmesi bekleniyor. Llama, Mistral ve Qwen modellerinde görüldüğü gibi, büyük açık kaynak modellerin 4-bit ya da 8-bit sıkıştırılmış sürümleri genellikle haftalar içinde ortaya çıkıyor. Bu sürümler daha az bellekle çalışabiliyor; ancak performans kaybı kabul edilebilir mi, bunu gerçek testler gösterecek.

Şu an için en gerçekçi self-host senaryosu şu: Bulut GPU kiralama. AWS, Lambda Labs ya da RunPod gibi platformlarda saatlik kiralanan H100 kümesi üzerinde K3 çalıştırılabilir. Bu yol hem daha ucuz hem daha erişilebilir. Ancak bu seçeneği değerlendirmeden önce bir sonraki bölümü okumak önemli.

---

Çin Modeline Güvenebilir misin? KVKK ve Veri Akışı

Bu bölümü atlamak isteyenleri anlıyorum. Siyasi boyutu olan konular yorucu. Ama bu soru, özellikle Türkiye'deki geliştiriciler için teknik bir sorudan çok daha fazlası.

Kimi K3'ü Moonshot'ın kendi API'si üzerinden kullanırken ne olduğunu düşün: gönderdiğin her prompt Çin'de bulunan sunuculara gidiyor. Moonshot'ın gizlilik politikası bu veriyi nasıl işlediğini ve sakladığını açıklıyor; ancak bu politika Çin hukuku çerçevesinde geçerli. KVKK'ya tabi Türk şirketler için ya da AB pazarına hizmet verenler için bu bir uyumluluk sorunu yaratıyor.

Şunu da net söylemek gerekiyor: bu risk Kimi K3'e özgü değil. OpenAI API'si de verini ABD sunucularına gönderiyor. Gemini de Google altyapısına. Her kapalı kaynak API seçiminde benzer bir güven kararı veriyorsun; değişen yalnızca hangi ülkenin hukuku altında olduğu.

Açık ağırlık seçeneği bu denklemi değiştiriyor. Modeli kendi kontrolündeki sunucuda çalıştırdığında, hiçbir prompt Moonshot'a gitmiyor. Veri işleme tamamen senin altyapında kalıyor. Bu, özellikle hassas verilerle çalışanlar için en güçlü gerekçe.

Peki hangi senaryo için hangisi doğru?

Herkese açık, hassas olmayan verilerle prototip geliştiriyorsan: Moonshot API'si denemeye değer. Fiyatı rekabetçi, API entegrasyonu basit.

Müşteri verisi, sağlık kaydı ya da finansal bilgi işliyorsan: API seçeneği riskli. Self-host ya da kendi kontrolünde bir bulut bölgesi şart.

KVKK kapsamında faaliyet gösteren bir Türk şirketi olarak dış servise veri gönderiyorsan: hangi API'yi kullandığından bağımsız olarak hukuki zemine bakmak gerekiyor.

---

Ne Zaman Kimi K3, Ne Zaman Değil?

Benchmark çizelgelerini bir kenara bırakıp pratik senaryo bazında konuşalım.

Kimi K3 mantıklı:

Frontend bileşenleri yazıyorsan ve bütçen kısıtlıysa. Frontend Code Arena liderliği rastgele değil; bu modelin özellikle arayüz kodunda iyi olduğunu gösteriyor. Hem ucuz hem iyi.

Uzun soluklu ajan oturumları çalıştırıyorsan. 1 milyon tokenlik bağlam penceresi ve önbellekleme fiyatı bu kullanım için ideal. Uzun oturumlarda maliyet Claude ya da GPT'ye kıyasla ciddi oranda düşüyor.

Kapalı kaynak API'ye bağımlılığını azaltmak istiyorsan. Ağırlıklar açık olduğunda alternatif bir yedek model olarak konumlandırılabilir.

Kimi K3 mantıklı olmayabilir:

Karmaşık çok adımlı muhakeme gerektiren işlerde. Intelligence Index'te dördüncü sırada olmak, genel akıl yürütmede Fable 5 ve Sol'un gerisinde kaldığını gösteriyor.

Müşteri desteği ya da doğal dil anlayışı ağırlıklı uygulamalarda. Konuşma kalitesi kapalı kaynak modellerin gerisinde kalıyor; bu fark kullanıcı tarafından hissediliyor.

Belirsizlik toleransı düşük, hassas uygulamalarda. Modelin sormak yerine harekete geçme eğilimi bu tür senaryolarda sorun yaratabilir.

Veri gizliliği kritik ve self-host kapasiten yoksa. Moonshot API'sini bu koşulda seçmek risk yaratıyor.

---

Piyasadaki Asıl Kırılma Noktası

Kimi K3'ün leaderboard birinciliği haberi çok gürültü yarattı. Ama asıl önemli olan o değil.

Asıl önemli olan şu: Amerika'nın en gelişmiş GPU'larına erişimi kısıtlanmış Pekin merkezli bir startup, dünyanın en büyük açık ağırlıklı modelini üretti ve kodlama testinde Anthropic'i geçti. Bu, hesaplama kısıtlamalarının Çin'in yapay zeka geliştirme kapasitesini beklenen ölçüde sınırlamadığını gösteriyor.

DeepSeek ile birlikte Kimi K3, ABD-Çin yapay zeka rekabetinin tek taraflı olmadığını bir kez daha ortaya koydu. Açık kaynak cephede rekabet gerçekten kızışıyor.

Bunun Türk geliştirici için anlamı şu: seçenek sayısı artıyor. İki yıl önce pratik olarak yalnızca OpenAI ve Google vardı. Bugün Anthropic, Meta, Mistral, DeepSeek ve artık ciddi anlamda Kimi de masada. Rekabet fiyatları aşağı çekiyor, kaliteyi yukarı itiyor.

---

Şimdi Ne Yapmalısın?

27 Temmuz'dan itibaren ağırlıklar yayınlandıkça, topluluktan nicemleme sürümleri ve dağıtım rehberleri gelecek. Bu sürümleri takip etmek için Hugging Face'de Moonshot AI sayfasını ve K3 açık kaynak deposunu izlemek mantıklı.

Bu aşamada denenebilecek en düşük riskli adım: Moonshot API'sini ücretsiz katmanda, hassas olmayan bir test projesiyle denemek. Frontend bileşen üretimi ya da teknik döküman yazımı için model gerçekten değer sunuyor mu, bunu kendi verlerinle test etmeden bir karara varmak doğru olmaz.

Ama şunu söylemeliyim: 2.8 trilyon parametre ve "Çin modeli" gibi büyük kelimeler etrafında dönen tartışmanın gürültüsünde gerçek soru kaybolup gidebiliyor. Gerçek soru şu: hangi iş yükünde, hangi bütçeyle, hangi gizlilik koşullarında, hangi model daha iyi hizmet veriyor? Kimi K3 bu sorunun cevabında artık ciddi bir seçenek. Ama ne dünyanın en iyi modeli ne de sandbox dışında güvenle kullanılabilecek tek seçenek.

Belirsizlikle yaşamayı öğrenmek yapay zeka araç seçiminin en önemli becerisi olmaya devam ediyor.

Aykan KÖMÜRCÜ NeonDijital NeonCore