Qwen3.8-27B, GPT-5.6 Luna’yı yakaladı: Açık ağırlıklı model ne kadar güçlü?

Ayrıca, bazı haberlerde gündeme gelen olası gelir paylaşımı şartları 27B sürümüyle ilgili değil. Bu tartışma, Qwen ailesinin 2,4 trilyon parametreli amiral gemisi Qwen3.8-Max için kullanılan ayrı ticari lisansla bağlantılı. Bu nedenle lisans ve ticari kullanım koşulları, Qwen ailesinin tamamı için tek bir paket gibi değerlendirilmemeli; her model özelinde incelenmeli.

Bazı platformlarda modelin girdi ve çıktı token’ları için fiyatı sıfır dolar olarak görünse de bu değer, Alibaba Cloud’un kalıcı ve tüm sağlayıcılar için geçerli resmi fiyatı olarak okunmamalı. Qwen3.8-27B’nin barındırılan uç noktasının henüz genel kullanıma tamamen açılmadığı ve fiyatların sağlayıcıya göre değişebildiği bildiriliyor.

Intelligence Index karşılaştırması

Artificial Analysis Intelligence Index; kodlama, bilim, akıl yürütme, profesyonel görevler ve benzeri alanları kapsayan dokuz farklı değerlendirmeden oluşan bileşik bir gösterge. Yararlı bir genel karşılaştırma sunsa da her gerçek dünya iş akışını veya her yapay zekâ ajanı kullanımını tek başına temsil etmiyor.

Bu tabloya göre Qwen3.8-27B, aynı testte GPT-5.6 Luna ile puan eşitliğinde ve GPT-5.6 Terra’nın üzerinde. Buna karşılık Claude Opus 4.8, DeepSeek V4 Pro ve GLM-5.2’nin toplam puanını geçtiğini söylemek için yeterli kanıt bulunmuyor.

Qwen3.8-27B için bazı yayınlarda 51 puanlık Agentic Index sonucu da aktarılıyor. Ancak diğer veriler yalnızca τ²-Bench’te yüzde 48’lik bir bileşen sonucunu gösteriyor; bu oran, toplam Agentic Index puanıyla aynı şey değil. Bu nedenle tüm modeller için güvenilir ve aynı koşullarda hazırlanmış eksiksiz bir agentic performans sıralaması yapmak şu aşamada mümkün değil.

27 milyar parametre neden önemli?

Qwen3.8-27B’nin dikkat çekici tarafı yalnızca 52 puan alması değil. Açık ağırlıklı bir model olması, geliştiricilerin sistemi indirip kendi donanımlarında çalıştırmasına, quantization uygulamasına, fine-tuning yapmasına ve özel ürünlere entegre etmesine izin veriyor.

Bu özellikler özellikle şu kullanım alanlarında değer taşıyor:

• Özel kodlama asistanları,
• İnternet bağlantısı olmadan çalışan uygulamalar,
• Gecikmenin kritik olduğu servisler,
• Hassas verilerin dış bir API’ye gönderilmemesi gereken sistemler,
• Kurum içi fine-tuning ve özel yapay zekâ ajanları.

Apache 2.0 lisansı; lisans şartlarına uyulması koşuluyla modelin kullanılmasını, değiştirilmesini, yeniden dağıtılmasını ve birçok ticari projede değerlendirilmesini kolaylaştırıyor. Bu yapı, yalnızca bir bulut API’si üzerinden erişilebilen proprietary modellerden önemli ölçüde farklı.

Bununla birlikte “token başına ücretsiz” ifadesi, toplam maliyetin sıfır olduğu anlamına gelmiyor. Yerel kullanım için donanım, bellek, elektrik, optimizasyon, bakım ve sistem yönetimi maliyetleri bulunuyor. Bulut modeli kullanan şirketler ise bu yükleri sağlayıcıya bırakırken ölçeklenebilirlik, hazır altyapı, güncellemeler ve yönetilen güvenilirlik elde ediyor.

Parametre sayıları neden tek başına anlamlı değil?

Yapay zekâ modellerini yalnızca parametre sayılarına göre sıralamak kolay, ancak çoğu zaman yanıltıcı. Qwen3.8-27B dense bir model; yani çıkarım sırasında modelin tamamındaki parametreler kullanılıyor. Buna karşılık bazı rakip açık ağırlıklı modeller mixture-of-experts, yani MoE mimarisi kullanıyor. Bu modellerde toplam parametre sayısı ile her sorguda etkinleşen parametre sayısı birbirinden farklı olabiliyor.

Artificial Analysis, DeepSeek V4 Pro için 1,6 trilyon toplam ve çıkarım sırasında etkin 49 milyar parametre; GLM-5.2 için ise 753 milyar toplam ve 40 milyar etkin parametre bildiriyor.

Bu yüzden Qwen3.8-Max için bildirilen 2,4 trilyon parametre, Kimi K3 için öne sürülen 2,8 trilyon parametre ve boyutu açıklanmayan ABD modelleri arasında yalnızca rakamlara bakarak bir güç sıralaması yapmak mümkün değil. Mimari, eğitim verileri, post-training, reasoning bütçesi, araç kullanımı ve serving altyapısı nihai performansı en az parametre sayısı kadar etkileyebilir.

ABD’nin dev yapay zekâ yatırımları için ne ifade ediyor?

Qwen3.8-27B’nin performansı, ABD’deki büyük veri merkezi ve yapay zekâ altyapısı yatırımlarının düşük getirili olduğunu kanıtlamıyor. Frontier sistemler; eğitim kapasitesi, hızlı araştırma döngüleri, çok modlu yetenekler, güvenlik, yüksek erişilebilirlik, büyük ölçekte servis sunumu ve en zor görevlerde yüksek performans için kapsamlı altyapıya ihtiyaç duyuyor.

Ancak model, ölçeğin tek başına kalıcı bir rekabet avantajı olmadığını gösteriyor. Daha iyi post-training, verimli çıkarım, distillation, özel veri hatları ve açık dağıtım stratejileri; daha küçük bir modelin gerçek dünyadaki birçok görevde son derece rekabetçi olmasını sağlayabiliyor.

Bu da yatırım sorusunu değiştiriyor. Mesele yalnızca “en büyük modeli kim kurdu?” değil. Aynı zamanda şu soruların da yanıtlanması gerekiyor:

• Hangi model daha iyi performans-maliyet dengesi sunuyor?
• Kim dağıtım kanallarını kontrol ediyor?
• Hangi model geliştiriciler için daha kolay özelleştiriliyor?
• Hangi ekosistem donanım ve yazılım ortaklarıyla daha hızlı büyüyor?

Alibaba’nın açık model stratejisi

Alibaba, Qwen ailesi kapsamında 460’tan fazla açık model yayımlandığını ve modellerin altı ay içinde dünya genelinde 3 milyardan fazla indirildiğini belirtiyor. Bunlar şirket tarafından açıklanan ekosistem verileri; benzersiz aktif kullanıcı, gelir veya üretim ortamındaki gerçek kullanım sayısı olarak değerlendirilmemeli.

Hugging Face verilerine dayanan daha dar ve bağımsız ölçüm ise Qwen modellerinin yalnızca 2026 içinde platformda yaklaşık 2,045 milyar indirmeye ulaştığını gösteriyor.

Açık ağırlık stratejisinin gücü burada ortaya çıkıyor. Geliştiriciler, donanım üreticileri, bulut sağlayıcıları ve bölgesel sistem entegratörleri; Alibaba’nın her özelliği kendi API’si üzerinden sunmasını beklemeden Qwen ağırlıkları etrafında fine-tune edilmiş, quantized veya belirli sektörlere uyarlanmış ürünler geliştirebiliyor.

Cihaz ve hızlandırıcı üreticileriyle yapılabilecek iş birlikleri de yerel çıkarımı daha kolay ve verimli hâle getirebilir. Böylece rekabet yalnızca en iyi kapalı modeli üretme yarışına dönüşmüyor; geliştirici ilgisi, dağıtım kanalları, optimize donanım yığınları ve model çevresindeki türev ürünler de kritik hâle geliyor.

Lisans yapısındaki ayrım da bu stratejiyi yansıtıyor: 27B modelinde Apache 2.0 kullanılması mümkün olduğunca geniş benimsemeyi teşvik ederken, Qwen3.8-Max için ayrı ticari şartlar büyük ölçekli ticari kullanımlardan değer elde etme olanağı bırakıyor.

Geliştiriciler ve şirketler için sonuç

Veri kontrolü, yerel çalışma, fine-tuning veya kapalı API’lere daha az bağımlılık isteyen ekipler için Qwen3.8-27B ciddi bir seçenek. Artificial Analysis’teki 52 puan, modeli GPT-5.6 Luna’ya yaklaştırıyor ve GPT-5.6 Terra’nın önüne yerleştiriyor.

Buna karşılık doğrudan ölçeklenebilirlik, yönetilen güvenilirlik, hazır altyapı veya daha geniş bağlam penceresi isteyen işletmeler için barındırılan frontier modelleri hâlâ daha uygun olabilir. Karar yalnızca benchmark puanına ya da parametre sayısına göre verilmemeli; toplam sahip olma maliyeti, gizlilik gereksinimleri, donanım, lisans ve kullanılacak iş akışı birlikte değerlendirilmelidir.

Qwen3.8-27B, frontier yapay zekânın tamamen metalaştığını kanıtlamıyor. Fakat daha pratik ve önemli bir şeyi gösteriyor: güçlü açık ağırlıklı modeller yeterince hızlı yayılıyor. Bu nedenle yerel dağıtım, özelleştirme ve tek bir bulut sağlayıcısına bağımlı olmama, yapay zekâ pazarında giderek daha merkezi rekabet avantajları hâline geliyor.