B\u00fcy\u00fck Dil Modelleri (LLM’ler) d\u00fcnyas\u0131nda ya\u015fanan h\u0131zl\u0131 geli\u015fmeler, geli\u015ftiriciler ve \u015firketler i\u00e7in hem heyecan verici f\u0131rsatlar hem de \u00f6nemli zorluklar sunmaktad\u0131r. OpenAI, Anthropic, Google, Meta gibi farkl\u0131 sa\u011flay\u0131c\u0131lardan gelen \u00e7ok say\u0131da modelin ortaya \u00e7\u0131kmas\u0131yla, hangi modelin belirli bir g\u00f6rev i\u00e7in en uygun oldu\u011funu belirlemek, performanslar\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak ve maliyetlerini y\u00f6netmek giderek karma\u015f\u0131k bir hal alm\u0131\u015ft\u0131r. LLM Registry, bu karma\u015fay\u0131 gidermek, model se\u00e7imini optimize etmek ve MLOps s\u00fcre\u00e7lerini kolayla\u015ft\u0131rmak amac\u0131yla tasarlanm\u0131\u015f, komut sat\u0131r\u0131 tabanl\u0131 (CLI) g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r. Bu makalede, LLM Registry’nin ne oldu\u011funu, temel \u00f6zelliklerini, nas\u0131l kurulup kullan\u0131laca\u011f\u0131n\u0131 ve i\u015f ak\u0131\u015flar\u0131n\u0131za nas\u0131l entegre edebilece\u011finizi detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
B\u00fcy\u00fck dil modelleri ekosisteminin h\u0131zla geni\u015flemesi, geli\u015ftiricileri ve i\u015fletmeleri bir dizi yeni zorlukla kar\u015f\u0131 kar\u015f\u0131ya b\u0131rakm\u0131\u015ft\u0131r. LLM Registry, bu zorluklara merkezi ve standartla\u015ft\u0131r\u0131lm\u0131\u015f bir \u00e7\u00f6z\u00fcm sunarak model y\u00f6netimini basitle\u015ftirmeyi hedefler.<\/p>\n
Son y\u0131llarda, do\u011fal dil i\u015fleme alan\u0131ndaki at\u0131l\u0131mlar sayesinde B\u00fcy\u00fck Dil Modelleri (LLM’ler) yapay zeka d\u00fcnyas\u0131nda devrim yaratm\u0131\u015ft\u0131r. Metin \u00fcretimi, \u00e7eviri, \u00f6zetleme, kod yazma ve karma\u015f\u0131k problem \u00e7\u00f6zme gibi geni\u015f bir yelpazede yeteneklere sahip olan bu modeller, bir\u00e7ok uygulaman\u0131n temelini olu\u015fturmaktad\u0131r. Ancak, bu modellerin say\u0131s\u0131, boyutlar\u0131 ve karma\u015f\u0131kl\u0131klar\u0131 artt\u0131k\u00e7a, onlar\u0131 etkili bir \u015fekilde y\u00f6netmek de zorla\u015fmaktad\u0131r. Her modelin kendine \u00f6zg\u00fc mimarisi, e\u011fitim verisi, performans karakteristikleri, ba\u011flam penceresi boyutu ve maliyet yap\u0131s\u0131 bulunmaktad\u0131r.<\/p>\n
Piyasada OpenAI’nin GPT serisi, Anthropic’in Claude’u, Google’\u0131n Gemini’si, Meta’n\u0131n Llama’s\u0131 ve Hugging Face \u00fczerinde bar\u0131nd\u0131r\u0131lan y\u00fczlerce a\u00e7\u0131k kaynak model gibi bir\u00e7ok farkl\u0131 LLM sa\u011flay\u0131c\u0131s\u0131 bulunmaktad\u0131r. Her sa\u011flay\u0131c\u0131 kendi API’sini, fiyatland\u0131rma modelini ve kullan\u0131m ko\u015fullar\u0131n\u0131 sunar. Bir uygulama geli\u015ftirirken veya bir i\u015f s\u00fcrecini otomatize ederken, hangi modelin belirli bir g\u00f6rev i\u00e7in en uygun oldu\u011funu belirlemek, farkl\u0131 API’ler aras\u0131nda ge\u00e7i\u015f yapmak, maliyet-performans dengesini kurmak ve modellerin yeteneklerini zaman i\u00e7inde takip etmek \u00f6nemli bir y\u00f6netim y\u00fck\u00fc olu\u015fturur. Bu durum, “model da\u011f\u0131n\u0131kl\u0131\u011f\u0131” olarak adland\u0131r\u0131labilecek bir soruna yol a\u00e7ar.<\/p>\n
LLM Registry, bu da\u011f\u0131n\u0131kl\u0131\u011f\u0131 ortadan kald\u0131rmak ve LLM y\u00f6netimini standartla\u015ft\u0131rmak i\u00e7in tasarlanm\u0131\u015f bir CLI arac\u0131d\u0131r. Temel misyonu, farkl\u0131 sa\u011flay\u0131c\u0131lardan gelen b\u00fcy\u00fck dil modellerini tek bir merkezi yerde kaydetmek, metadatalar\u0131n\u0131 tutmak, performans metriklerini izlemek ve yeteneklerini kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in tutarl\u0131 bir aray\u00fcz sunmakt\u0131r. Bu sayede, geli\u015ftiriciler ve MLOps ekipleri:<\/p>\n
LLM Registry, karar verme s\u00fcre\u00e7lerini veri odakl\u0131 hale getirerek, LLM’lerin potansiyelinden tam olarak yararlan\u0131lmas\u0131n\u0131 sa\u011flar.<\/p>\n
LLM Registry, model y\u00f6netimini basitle\u015ftirmek ve optimize etmek i\u00e7in tasarlanm\u0131\u015f bir dizi temel \u00f6zellikle gelir. Bu \u00f6zellikler, kullan\u0131c\u0131lar\u0131n farkl\u0131 LLM’ler \u00fczerinde tam kontrol sahibi olmas\u0131n\u0131 sa\u011flar.<\/p>\n
LLM Registry’nin en \u00f6nemli \u00f6zelliklerinden biri, farkl\u0131 LLM sa\u011flay\u0131c\u0131lar\u0131n\u0131 tek bir aray\u00fcz alt\u0131nda desteklemesidir. OpenAI, Anthropic, Google AI, Hugging Face gibi pop\u00fcler platformlar\u0131n yan\u0131 s\u0131ra, \u00f6zel veya \u015firket i\u00e7i modelleri de sisteme entegre etme esnekli\u011fi sunar. Bu sayede, geli\u015ftiriciler tek bir komut setiyle t\u00fcm modellerini y\u00f6netebilir ve farkl\u0131 API’leri \u00f6\u011frenme y\u00fck\u00fcnden kurtulur.<\/p>\n
Her kay\u0131tl\u0131 model i\u00e7in kapsaml\u0131 metadatalar tutulur. Bu metadatalar \u015funlar\u0131 i\u00e7erebilir:<\/p>\n
Bu detayl\u0131 bilgiler, model se\u00e7imi s\u0131ras\u0131nda kritik \u00f6neme sahiptir.<\/p>\n
LLM’ler s\u00fcrekli geli\u015fmekte ve yeni s\u00fcr\u00fcmleri yay\u0131nlanmaktad\u0131r. LLM Registry, modellerin farkl\u0131 s\u00fcr\u00fcmlerini kaydetme ve y\u00f6netme yetene\u011fi sunar. Bu, bir modelin performans\u0131n\u0131n zaman i\u00e7inde nas\u0131l de\u011fi\u015fti\u011fini izlemeyi, eski s\u00fcr\u00fcmlere geri d\u00f6nmeyi veya yeni bir s\u00fcr\u00fcm\u00fcn mevcut bir uygulamay\u0131 nas\u0131l etkileyece\u011fini de\u011ferlendirmeyi kolayla\u015ft\u0131r\u0131r. Her s\u00fcr\u00fcm i\u00e7in performans metriklerini ve di\u011fer metadatalar\u0131 ayr\u0131 ayr\u0131 tutmak, daha bilin\u00e7li karar verme s\u00fcre\u00e7lerine olanak tan\u0131r.<\/p>\n
LLM Registry, kay\u0131tl\u0131 modellerin API eri\u015fim bilgilerini (API anahtarlar\u0131, u\u00e7 noktalar vb.) g\u00fcvenli bir \u015fekilde merkezi olarak y\u00f6netir. Bu, geli\u015ftiricilerin uygulamalar\u0131nda farkl\u0131 LLM’lere sorunsuz bir \u015fekilde ge\u00e7i\u015f yapmas\u0131n\u0131 sa\u011flar. Uygulama kodu, belirli bir sa\u011flay\u0131c\u0131n\u0131n API’sine do\u011frudan ba\u011f\u0131ml\u0131 olmak yerine, LLM Registry \u00fczerinden model kimli\u011fini kullanarak \u00e7a\u011fr\u0131 yapabilir. Bu soyutlama katman\u0131, gelecekteki model de\u011fi\u015fikliklerinde veya sa\u011flay\u0131c\u0131 ge\u00e7i\u015flerinde kod taban\u0131n\u0131 daha esnek hale getirir.<\/p>\n
LLM Registry’yi kullanmaya ba\u015flamak olduk\u00e7a basittir. Python tabanl\u0131 bir CLI arac\u0131 oldu\u011fu i\u00e7in kurulum s\u00fcreci tan\u0131d\u0131k ve h\u0131zl\u0131d\u0131r.<\/p>\n
LLM Registry, Python 3.8 veya daha yeni bir s\u00fcr\u00fcm\u00fcn\u00fc gerektirir. Kurulum i\u00e7in Python paket y\u00f6neticisi LLM Registry CLI arac\u0131n\u0131 kurmak i\u00e7in terminalinizde a\u015fa\u011f\u0131daki komutu \u00e7al\u0131\u015ft\u0131rman\u0131z yeterlidir:<\/p>\n <\/code><\/p>\n Kurulum tamamland\u0131ktan sonra, LLM Registry'yi kullanmaya ba\u015flamadan \u00f6nce, model metadatalar\u0131n\u0131z\u0131n nerede saklanaca\u011f\u0131n\u0131 ve hangi LLM sa\u011flay\u0131c\u0131lar\u0131n\u0131 kullanaca\u011f\u0131n\u0131z\u0131 yap\u0131land\u0131rman\u0131z gerekir.<\/p>\n \u00d6ncelikle, depolama t\u00fcr\u00fcn\u00fc ve yolunu ayarlayal\u0131m. Varsay\u0131lan olarak, LLM Registry verileri yerel bir dosyada saklayabilir:<\/p>\n <\/code><\/p>\n Bu komut, model verilerinin Ard\u0131ndan, kullanmak istedi\u011finiz LLM sa\u011flay\u0131c\u0131lar\u0131n\u0131 API anahtarlar\u0131yla birlikte eklemeniz gerekir. API anahtarlar\u0131, LLM Registry taraf\u0131ndan g\u00fcvenli bir \u015fekilde y\u00f6netilir ve do\u011frudan CLI komutlar\u0131nda kullan\u0131lmaz, bu da g\u00fcvenlik risklerini azalt\u0131r.<\/p>\n <\/code><\/p>\n Bu komutlar, OpenAI, Anthropic ve Google gibi sa\u011flay\u0131c\u0131lar\u0131 LLM Registry'ye ekler ve ilgili API anahtarlar\u0131n\u0131 g\u00fcvenli bir \u015fekilde kaydeder. Art\u0131k LLM Registry, bu sa\u011flay\u0131c\u0131lardan gelen modelleri y\u00f6netmeye haz\u0131rd\u0131r.<\/p>\n LLM Registry'nin kalbinde, B\u00fcy\u00fck Dil Modellerini sisteme kaydetme ve y\u00f6netme yetene\u011fi yatar. Bu b\u00f6l\u00fcm, yeni modellerin nas\u0131l eklenece\u011fini, mevcut modellerin nas\u0131l g\u00fcncellenece\u011fini ve silinece\u011fini, ayr\u0131ca model gruplama ve etiketleme \u00f6zelliklerini detayland\u0131r\u0131r.<\/p>\n Yeni bir LLM'yi sisteme kaydetmek i\u00e7in <\/code><\/p>\n Bu komutta, modelin ad\u0131, sa\u011flay\u0131c\u0131s\u0131, s\u00fcr\u00fcm\u00fc, ba\u011flam penceresi boyutu, giri\u015f\/\u00e7\u0131k\u0131\u015f token maliyetleri, a\u00e7\u0131klamas\u0131, etiketleri ve destekledi\u011fi diller gibi \u00f6nemli bilgiler belirtilmi\u015ftir. Bu bilgiler, daha sonra model kar\u015f\u0131la\u015ft\u0131rmalar\u0131 ve filtrelemeler i\u00e7in kullan\u0131lacakt\u0131r.<\/p>\n Bir modelin \u00f6zellikleri zamanla de\u011fi\u015febilir (\u00f6rn. fiyatland\u0131rma, yeni s\u00fcr\u00fcm). LLM Registry, kay\u0131tl\u0131 modelleri kolayca g\u00fcncellemenizi sa\u011flar. \u00d6rne\u011fin, bir modelin a\u00e7\u0131klamas\u0131n\u0131 veya maliyetini g\u00fcncellemek i\u00e7in <\/code><\/p>\n Bir modeli sistemden kald\u0131rmak istedi\u011finizde ise <\/code><\/p>\n Bu komutlar, model ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc y\u00f6netmede esneklik sa\u011flar.<\/p>\n B\u00fcy\u00fck \u00f6l\u00e7ekli projelerde veya birden fazla kullan\u0131m senaryosunda, modelleri organize etmek hayati \u00f6nem ta\u015f\u0131r. LLM Registry, modelleri etiketler arac\u0131l\u0131\u011f\u0131yla gruplaman\u0131za olanak tan\u0131r. \u00d6rne\u011fin, \"generative\", \"summarization\", \"coding\", \"low-cost\" gibi etiketler kullanarak modelleri kolayca filtreleyebilir ve ilgili modelleri bir araya getirebilirsiniz. Bu, belirli bir g\u00f6rev i\u00e7in en uygun modeli h\u0131zl\u0131ca bulman\u0131za yard\u0131mc\u0131 olur.<\/p>\n <\/code><\/p>\n Bu komutlar, etiketlere veya sa\u011flay\u0131c\u0131lara g\u00f6re filtreleme yaparak ilgili modelleri listelemenizi sa\u011flar.<\/p>\n LLM Registry'nin en g\u00fc\u00e7l\u00fc y\u00f6nlerinden biri, farkl\u0131 modellerin yeteneklerini ve performanslar\u0131n\u0131 izleme ve kar\u015f\u0131la\u015ft\u0131rma yetene\u011fidir. Bu, bilin\u00e7li model se\u00e7imi i\u00e7in temel olu\u015fturur.<\/p>\n LLM Registry, do\u011frudan model performans\u0131n\u0131 \u00f6l\u00e7mez; bunun yerine, kullan\u0131c\u0131lar\u0131n harici de\u011ferlendirme ara\u00e7lar\u0131ndan veya test setlerinden elde ettikleri performans metriklerini kaydetmelerine olanak tan\u0131r. Bu metrikler, modelin belirli bir g\u00f6revdeki ba\u015far\u0131s\u0131n\u0131, h\u0131z\u0131n\u0131 veya maliyet etkinli\u011fini yans\u0131tabilir. \u00d6rnek metrikler \u015funlar olabilir:<\/p>\n Bu metrikler, <\/code><\/p>\n Kay\u0131tl\u0131 modelleri \u00e7e\u015fitli kriterlere g\u00f6re kar\u015f\u0131la\u015ft\u0131rmak, do\u011fru se\u00e7imi yapman\u0131n anahtar\u0131d\u0131r. LLM Registry, bu kar\u015f\u0131la\u015ft\u0131rmalar\u0131 kolayla\u015ft\u0131ran komutlar sunar. \u00d6rne\u011fin, belirli etiketlere sahip modelleri veya belirli sa\u011flay\u0131c\u0131lardan gelen modelleri kar\u015f\u0131la\u015ft\u0131rabilirsiniz:<\/p>\n <\/code><\/p>\n Bu komut, \"generative\" etiketine sahip modelleri \"accuracy_on_qa\" ve \"cost_input\" metrikleri \u00fczerinden kar\u015f\u0131la\u015ft\u0131r\u0131r. \u00c7\u0131kt\u0131, okunabilir bir tablo format\u0131nda sunularak modellerin g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nlerini g\u00f6rselle\u015ftirir:<\/p>\n Bu tablo, farkl\u0131 modellerin anahtar \u00f6zelliklerini ve performans metriklerini tek bir bak\u0131\u015fta g\u00f6rmenizi sa\u011flar, b\u00f6ylece ihtiya\u00e7lar\u0131n\u0131za en uygun modeli se\u00e7me konusunda bilin\u00e7li kararlar verebilirsiniz.<\/p>\n Her kullan\u0131m senaryosu farkl\u0131 \u00f6nceliklere sahip olabilir. Bir uygulama i\u00e7in maliyet kritikken, di\u011feri i\u00e7in h\u0131z veya do\u011fruluk \u00f6n planda olabilir. LLM Registry, bu senaryo bazl\u0131 optimizasyonu destekler. Etiketleme ve detayl\u0131 metrik takibi sayesinde, belirli bir senaryonun gereksinimlerine (\u00f6rn. \"d\u00fc\u015f\u00fck maliyetli \u00f6zetleme\", \"y\u00fcksek do\u011fruluklu kod \u00fcretimi\") en uygun modeli h\u0131zl\u0131ca bulabilirsiniz. Bu, kaynaklar\u0131n daha verimli kullan\u0131lmas\u0131n\u0131 ve uygulama performans\u0131n\u0131n maksimize edilmesini sa\u011flar.<\/p>\n LLM Registry, sadece temel model y\u00f6netimiyle kalmay\u0131p, daha karma\u015f\u0131k MLOps i\u015f ak\u0131\u015flar\u0131na ve geli\u015ftirme s\u00fcre\u00e7lerine de entegre edilebilir.<\/p>\n Modern yaz\u0131l\u0131m geli\u015ftirme pratiklerinde S\u00fcrekli Entegrasyon\/S\u00fcrekli Da\u011f\u0131t\u0131m (CI\/CD) s\u00fcre\u00e7leri vazge\u00e7ilmezdir. LLM Registry, bu s\u00fcre\u00e7lere kolayca entegre edilebilir. \u00d6rne\u011fin:<\/p>\n Bu entegrasyon, model y\u00f6netimini otomatize eder ve insan hatas\u0131n\u0131 azalt\u0131r.<\/p>\n Her projenin kendine \u00f6zg\u00fc de\u011ferlendirme ihtiya\u00e7lar\u0131 olabilir. LLM Registry, kullan\u0131c\u0131lar\u0131n kendi \u00f6zel de\u011ferlendirme betiklerini entegre etmelerine olanak tan\u0131yan esnek bir yap\u0131ya sahiptir. Bu betikler, belirli bir modelin belirli bir veri seti \u00fczerindeki performans\u0131n\u0131 \u00f6l\u00e7ebilir ve sonu\u00e7lar\u0131 LLM Registry'ye kaydedebilir. \u00d6rne\u011fin, bir modelin hukuki metinleri anlama veya t\u0131bbi raporlar\u0131 \u00f6zetleme yetene\u011fini \u00f6l\u00e7en \u00f6zel bir betik yaz\u0131labilir ve sonu\u00e7lar Registry'ye i\u015flenebilir. Bu, model de\u011ferlendirme s\u00fcrecini projenin \u00f6zel gereksinimlerine g\u00f6re \u00f6zelle\u015ftirmeyi sa\u011flar.<\/p>\n CLI<\/p>\n","protected":false},"excerpt":{"rendered":"LLM Registry: Sa\u011flay\u0131c\u0131lar Aras\u0131 B\u00fcy\u00fck Dil Modeli Yeteneklerini Takip Etmek \u0130\u00e7in Bir CLI Arac\u0131\nB\u00fcy\u00fck Dil Modelleri (LLM’ler) d\u00fcnyas\u0131nda ya\u015fana…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-39185","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\npip<\/code> kullan\u0131lacakt\u0131r. Herhangi bir \u00f6zel veritaban\u0131 veya karma\u015f\u0131k sunucu kurulumu gerektirmez; model metadatalar\u0131 varsay\u0131lan olarak yerel dosya sisteminizde veya yap\u0131land\u0131r\u0131labilir bir depolama \u00e7\u00f6z\u00fcm\u00fcnde saklan\u0131r.<\/p>\nCLI Kurulumu<\/h4>\n
\npip install llm-registry-cli\n<\/pre>\nllm-registry --version<\/code> komutunu \u00e7al\u0131\u015ft\u0131rarak kurulumun ba\u015far\u0131l\u0131 olup olmad\u0131\u011f\u0131n\u0131 ve arac\u0131n s\u00fcr\u00fcm\u00fcn\u00fc kontrol edebilirsiniz.<\/p>\n\u0130lk Yap\u0131land\u0131rma ve Sa\u011flay\u0131c\u0131 Ekleme<\/h4>\n
\nllm-registry config set-storage --type local --path ~\/.llm_registry\n<\/pre>\n~\/.llm_registry<\/code> dizininde saklanmas\u0131n\u0131 sa\u011flar. \u0130sterseniz bu yolu de\u011fi\u015ftirebilir veya gelecekte veritaban\u0131\/bulut depolama entegrasyonlar\u0131 eklendi\u011finde farkl\u0131 bir depolama t\u00fcr\u00fc se\u00e7ebilirsiniz.<\/p>\n\nllm-registry config add-provider --name openai --api-key sk-xxxxxx\nllm-registry config add-provider --name anthropic --api-key sk-yyyyyy\nllm-registry config add-provider --name google --api-key AIzaSy-zzzzzz\n<\/pre>\nModel Kayd\u0131 ve Y\u00f6netimi<\/h3>\n
Yeni Bir Model Nas\u0131l Kaydedilir?<\/h4>\n
add model<\/code> komutu kullan\u0131l\u0131r. Bu komut, modelin temel metadatalar\u0131n\u0131 belirtmenizi sa\u011flar. A\u015fa\u011f\u0131daki \u00f6rnek, OpenAI'nin gpt-4-turbo<\/code> modelini kaydetmeyi g\u00f6stermektedir:<\/p>\n\nllm-registry add model \\\n --name gpt-4-turbo \\\n --provider openai \\\n --version 2024-04-09 \\\n --context-window 128000 \\\n --cost-input 0.01 \\\n --cost-output 0.03 \\\n --description \"OpenAI'nin en yeni, g\u00fc\u00e7l\u00fc ve maliyet-etkin modeli. Geni\u015f ba\u011flam penceresi ve g\u00fcncel bilgilerle \u00f6ne \u00e7\u0131kar.\" \\\n --tags \"generative, coding, creative, multimodal\" \\\n --supported-languages \"en, tr, fr\"\n<\/pre>\nMevcut Modelleri G\u00fcncelleme ve Silme<\/h4>\n
update model<\/code> komutunu kullanabilirsiniz:<\/p>\n\nllm-registry update model \\\n --name gpt-4-turbo \\\n --version 2024-04-09 \\\n --cost-input 0.005 \\\n --description \"Maliyetleri d\u00fc\u015f\u00fcr\u00fclen ve performans\u0131 optimize edilen GPT-4 Turbo s\u00fcr\u00fcm\u00fc.\"\n<\/pre>\nremove model<\/code> komutunu kullanabilirsiniz:<\/p>\n\nllm-registry remove model --name gpt-4-turbo --version 2024-04-09\n<\/pre>\nModel Gruplar\u0131 ve Etiketleme<\/h4>\n
\nllm-registry list models --tags \"low-cost\"\nllm-registry list models --provider anthropic --tags \"creative\"\n<\/pre>\nYetenek Takibi ve Kar\u015f\u0131la\u015ft\u0131rma<\/h3>\n
Performans Metriklerinin Tan\u0131mlanmas\u0131<\/h4>\n
\n
llm-registry update model<\/code> komutuyla veya \u00f6zel bir add metric<\/code> komutuyla modellere eklenebilir.<\/p>\n\nllm-registry add metric \\\n --model-name gpt-4-turbo \\\n --model-version 2024-04-09 \\\n --metric-name accuracy_on_qa \\\n --value 0.92 \\\n --timestamp \"2024-05-15T10:00:00Z\" \\\n --description \"Soru-Cevap veri setindeki do\u011fruluk oran\u0131.\"\n<\/pre>\nModel Kar\u015f\u0131la\u015ft\u0131rma Raporlar\u0131<\/h4>\n
\nllm-registry compare models --tags \"generative\" --metric \"accuracy_on_qa\" --metric \"cost_input\"\n<\/pre>\n\n\n
\n \nModel Ad\u0131<\/th>\n Sa\u011flay\u0131c\u0131<\/th>\n S\u00fcr\u00fcm<\/th>\n Ba\u011flam Penceresi<\/th>\n Giri\u015f Maliyeti (1K token)<\/th>\n \u00c7\u0131k\u0131\u015f Maliyeti (1K token)<\/th>\n Do\u011fruluk (QA)<\/th>\n Ortalama Gecikme (ms)<\/th>\n<\/tr>\n<\/thead>\n \n gpt-4-turbo<\/td>\n OpenAI<\/td>\n 2024-04-09<\/td>\n 128K<\/td>\n $0.01<\/td>\n $0.03<\/td>\n 92%<\/td>\n 800<\/td>\n<\/tr>\n \n claude-3-opus<\/td>\n Anthropic<\/td>\n 2024-02-29<\/td>\n 200K<\/td>\n $0.05<\/td>\n $0.15<\/td>\n 95%<\/td>\n 1200<\/td>\n<\/tr>\n \n gemini-1.5-pro<\/td>\n Google AI<\/td>\n Stable<\/td>\n 1M<\/td>\n $0.007<\/td>\n $0.021<\/td>\n 90%<\/td>\n 750<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Kullan\u0131m Senaryosuna G\u00f6re Optimizasyon<\/h4>\n
Geli\u015fmi\u015f Kullan\u0131m Senaryolar\u0131 ve Entegrasyonlar<\/h3>\n
CI\/CD S\u00fcre\u00e7lerine Entegrasyon<\/h4>\n
\n
\u00d6zel De\u011ferlendirme Betikleri<\/h4>\n
Web Aray\u00fcz\u00fc veya Dashboard Entegrasyonu<\/h4>\n