Haftanın Yapay Zeka Modelleri: Nemotron Kaydı Yazıya Döküyor

Pazar akşamı önünüzde bir saatlik toplantı kaydı, bir yığın taranmış sınav kâğıdı ve yarın için hazırlanması gereken bir ders materyali var. Üçü de hâlâ elle yapılan işler. Hugging Face'te bu hafta öne çıkan modeller arasından bu işlere en çok yaklaşan beşini seçtik. Ölçütümüz iki tane: Model denenebilir mi ve bir öğretmenin ya da eğitim ekibinin gündelik işine dokunuyor mu?

Bilgilerin tamamı modellerin Hugging Face sayfalarındaki model kartlarından geliyor; hiçbirini biz çalıştırıp sınamadık. İki terim sık geçecek. Açık ağırlık, modelin eğitilmiş dosyalarının indirilip kendi donanımınızda çalıştırılabilmesi demek. Lisans ise modeli hangi koşullarda kullanabileceğinizi söyleyen izin metni; kartta yazmıyorsa 'kaynakta belirtilmiyor' diyoruz.

Nemotron 3.5 Transcribe: Kaydı Yazıya Döker

NVIDIA'nın model kartına göre Nemotron 3.5 Transcribe, 40 dilde konuşmayı yazıya çeviren açık ağırlıklı, çevrimdışı bir model ve bir saate kadar süren kayıtları işleyebiliyor. Kart, modelin her adımda yaklaşık 4,3 milyar parametreyi çalıştırdığını yazıyor. Parametre, modelin eğitimde öğrendiği ayar değerlerinin sayısı; 'etkin' olanlar o an gerçekten kullanılan kısım. Komutla kelimesi kelimesine döküm ya da dolgu sözcükleri atılmış temiz döküm isteyebiliyor, isim ve terim listesi ekleyebiliyorsunuz. Konuşmacı etiketleri aynı kayıttaki sesleri birbirinden ayırıyor, kimlik belirlemiyor.

Değerlendirmemize göre en doğal iş, uzun ve dağınık konuşmaların dökümü: Veli toplantısı, saatlik çalıştay, mülakat kaydı. Önce ham döküm alınır, karar maddeleri sonra elle ayıklanır. Öğrenci sesi içeren bir kaydı herhangi bir araca vermeden önce izin ve saklama kurallarınızı kontrol edin.

Tarayıcıdan denenebilecek bir demo kaynakta yok, kurulum gerekiyor; kartın örneği tek bir H100 80 GB grafik işlemcide çalışıyor. Lisans OpenMDW-1.1. Sınırlar açık: Bu çevrimdışı bir model, canlı altyazı servisi değil; ses anlama yalnız İngilizcede değerlendirilmiş. Türkçenin 40 dil içinde olup olmadığı elimizdeki metinden anlaşılmıyor. Geliştiricinin açıklamasına göre optimize sürümle tek bir RTX PRO 6000 Blackwell kartı saniyede 2.238 saniyelik ses yazıya çeviriyor. Bu optimizasyonlar açık sürümde henüz yok ve açık sürümün yaklaşık iki kat yavaş olması bekleniyor.

Unlimited OCR 2: Uzun Belgeyi Metne Çevirir

Baidu'nun model kartına göre Unlimited OCR 2, sayfa görüntülerini metne çeviren bir belge okuma (optik karakter tanıma, OCR) modeli. Kart, belge uzadıkça adım başına gecikme ve bellek kullanımının neredeyse sabit kaldığını yazıyor. Çok sayfalı kullanımda belgenin bütün sayfaları tek istekte veriliyor ve model sayfalar arası bağlamı kullanabiliyor. Sayfa penceresi küçültülürse bellek düşüyor ama bir sayfadan ötekine geçen blokların bağlamı kayboluyor. Model 27 Ekim'de yayımlandı.

Değerlendirmemize göre bu, okul arşivi ya da ders kitabı sayısallaştıran ekipler için anlamlı: Yüz sayfalık taranmış bir ders notu klasörünü aranabilir metne çevirmek, sayfa sayfa uğraşmaktan daha az iş çıkarır. Sınav kâğıtlarında dikkatli olun: Kart Türkçe desteğinden de el yazısından da söz etmiyor. Kâğıtlarınız el yazısıysa kendi örneklerinizle deneyin.

Karttaki 27 Ekim tarihli satır, AK'nin hazırladığı yeni bir demoyu 'Try it at Unlimited-OCR-2' diye duyuruyor; demonun ayrıntısı kaynakta yok. Yerelde Transformers (hızlı test için) ve SGLang (sunum için önerilen) seçenekleri var; PDF'lerin önce görsele çevrilmesi gerekiyor. Lisans kaynakta belirtilmiyor. Geliştiricinin açıklamasına göre model, onlarca ve yüzlerce sayfalık karşılaştırma setlerinde en üst düzey başarıya ulaşıyor.

LFM3-1.7B: Dizüstünde Çalışan Küçük Model

Liquid AI'ın model kartına göre LFM3-1.7B, yerel çalışan ajanlar ve özel uygulamalar için tasarlanmış bir metin modeli. Ajan, araç çağırarak çok adımlı iş yürüten yazılım demek. Model 1,7 milyar parametreli ve bağlam penceresi, yani aynı anda önünde tutabildiği metin miktarı, 256 bin belirteç. Şirketin iddiasına göre 4 bitlik sıkıştırmada yaklaşık 1 GB bellek tutuyor. Kart bilgi ağırlıklı işlerde arama ya da belge getirme kullanılmasını, ajan olarak kod yazma ve karmaşık çok adımlı muhakeme için ise modelin kullanılmamasını öneriyor.

Öğretmen ya da eğitim ekibi için en gerçekçi iş sohbet değil, düzenleme: Yüzlerce öğrenci geri bildirim formundan konu başlıklarını bir tabloya çıkarmak ya da ders notlarını sabit bir şablona oturtmak. Kartın ince ayar örnekleri arasında dağınık belgelerden düzenli veri biçimi (JSON) çıkarma da var. Çalışma kendi bilgisayarınızda kalacağı için öğrenci verisi dışarı çıkmaz.

Türkçede dikkat: Kartın dil listesinde 16 dil var ve Türkçe yok. İnce ayar örnekleri arasında ise 'Learn a new language (Turkish) from raw text' geçiyor; yani Türkçe hazır gelmiyor, öğretilebilir görünüyor. Tarayıcıdan denenebilecek bir demo kaynakta yok, kurulum gerekiyor. Kart işlemci ve grafik işlemcide yerel çalışma, Apple Silicon ve ONNX Runtime için ayrı sürümler sıralıyor. Lisans kaynakta belirtilmiyor. Geliştiricinin açıklamasına göre model daha önce 9 milyar parametre gereken ajan uygulamalarını çalıştırabiliyor ve karşılaştırılan modellerden en az 2,5 kat hızlı istem işliyor. Bu, şirketin kendi sınaması.

Mage-VL-Cowork: Bilgisayarı Kullanan Küçük Model

Microsoft'un model kartına göre Mage-VL-Cowork, 4 milyar parametreli bir görsel-metin modeli; ama görevi görsel yorumlamak değil, bir bilgisayarı kullanmak. Kart grafik ya da diyagram yorumlamayı bu modelin işi olarak anlatmıyor. Model ekran görüntüsüne bakıp tıklıyor, gerektiğinde terminalde kod çalıştırıyor. Kartın gerekçesi pratik: Tek bir ekran görüntüsü binlerce belirteç tüketiyor, dosya düzenlemelerini onlarca tıklamayla yapmak ise en hızlı yolu bırakmak demek. Model bu yüzden görsel düzen için ekranı, tablo, belge ve sunum düzenlemeleri için terminali seçiyor. Kartta yayın tarihi belirtilmiyor.

Bu, bir eğitim ekibinin tekrarlayan masa başı işlerine yakın: Aynı sunum şablonunu otuz birime uyarlamak, bir not çizelgesinin biçimini düzeltmek. Ama bu bir sohbet aracı değil, bilgisayarınızı yönetebilen bir ajan. İlk denemeyi ayrı bir sanal makinede, kişisel veri içermeyen dosyalarla yapın.

Geliştiricinin açıklamasına göre model, OSWorld-Verified testinde 50 adım sınırıyla yüzde 66,0 başarıya ulaşıyor ve 4 milyar parametreli modeller arasında en iyi sonucu veriyor. Sonuç, 361 görevde iki tam geçişin ortalaması. Bu, şirketin kendi ölçümü; kendi ofis dosyalarınızda aynı oran çıkacağının garantisi değil. Demo, çalıştırma örneği ve lisans kaynak metinde yok.

Pika H3 Flex: Referanstan Sesli Video

Pika'nın model kartına göre Pika H3 Flex, altı örnekleme adımında senkron sesli video üretiyor ve 12 referans girdiye kadar destekliyor. MiniMax-H3 üzerine kurulu. Girdi olarak metin, ilk ve son kare, görsel, video ve ses referansı verilebiliyor; istenen süre 5 ile 15 saniye. Referans kipinde en fazla 9 görsel, 3 video ve 3 ses klibi kabul ediliyor, en az bir görsel ya da video şart.

En somut kullanım, elinizdeki bir çizimi ya da diyagramı kısa bir hareketli anlatıma çevirmek: Hücre bölünmesinin çizimini referans yapıp komutta kameranın nereye gideceğini yazmak gibi. Üretilen videonun bilimsel olarak doğru olduğunu varsaymayın; derse koymadan önce kare kare izleyin.

Yerel çalıştırma 480p ve 768p üretiyor. 1080p, 2K ve 4K için Pika'nın barındırılan yazılım arayüzü (API) var; kart bunun yerel paketten ayrı bir hizmet olduğunu söylüyor. Fiyatı ve Türkiye'den erişimi kaynakta yok. Tarayıcıdan üretim yapabileceğiniz bir demo da yok; kartta yalnız hazır örnek klipler var ve kart bunların doğrulama ya da hız ölçümü olmadığını belirtiyor. Kurulum gerekiyor: Pika komut satırı paketi, ComfyUI ya da Diffusers. Temel bileşenler yaklaşık 210 GB tutuyor, örnek istekler H100 80GB üzerinde geçmiş. Bu, bir öğretmen dizüstü bilgisayarı için değil, kurum sunucusu ya da barındırılan hizmet için. Adaptörler, yani temel modelin üstüne ayrıca uygulanan ağırlıklar, MiniMax H3 Community License Agreement kapsamında.

Bu hafta tek bir şey deneyecekseniz Unlimited OCR 2 ile başlayın, çünkü kart Transformers ve SGLang ile yerelde çalıştırma yolunu açıkça anlatıyor. Kartta bir demo duyurusu da var ama kapsamı kaynakta yazmıyor. Öğrenci bilgisi içermeyen, kendi hazırladığınız birkaç sayfalık bir belgeyle deneyin; Türkçe karakterlerin, tabloların ve sayfa geçişlerinin nasıl çıktığına bakın. PDF'lerin önce görsele çevrilmesi gerekiyor.

Kaynak: NVIDIA, 'NVIDIA-Nemotron-3.5-Transcribe-30B-A4B', 28 Ekim 2026; Baidu, 'Unlimited OCR Works 2', 27 Ekim 2026; Liquid AI, 'LFM3-1.7B', 28 Ekim 2026; Microsoft, 'Mage-VL-Cowork', tarih belirtilmiyor; Pika, 'Pika H3 Flex', tarih belirtilmiyor.

Bu yazı EdTech Türkiye yayın masasında, yapay zeka desteğiyle birincil kaynaklardan hazırlandı; olgular kaynaklarla karşılaştırılarak denetlendi. Editörlerimiz yazıyı yayından sonra da izler; hata bildirimlerini düzeltme politikamıza göre ele alırız.

Bu içerik, Edtech Türkiye Editörlüğü'nün yapay zeka destekli yayın hattında kaynak taraması ve otomatik editör denetiminden geçirilerek hazırlanmıştır. Süreç için Editöryal İlkelerimize bakabilir, hata bildirimini iletişim sayfasından iletebilirsiniz.