Terminal-Bench

Özet: 30 Saniyede DeepSeek V4.1 Flash DeepSeek-V4.1-Flash, 10 Eylül 2026’da yayınlandı. Lisans MIT, ağırlıklar Hugging Face’te. 552 milyar gövde parametresi, ama token başına yalnızca 8 milyar aktif (girdi işlerken) / 16 milyar aktif (üretim yaparken). Bu asimetri modelin bütün fikri. Yeni mimari: Causal Encoder-Decoder (CED). 40 katman, 20’si nedensel kodlayıcı, 20’si kod çözücü. Kod çözücünün KV önbelleği kendi katmanlarından değil, kodlayıcının son gizli durumlarından türetiliyor. Sonuç: global KV önbelleği token başına 890 bayt. V4-Flash’ın dörtte biri, DeepSeek-V1’in 437’de biri. Doğuştan çok modlu: görsel girdiyi kendi eğitilmiş DeepSeek-ViT kodlayıcısıyla, dil modelinin ön eğitiminin en başından itibaren işliyor. Ön eğitim 45 trilyon token. Ajan testlerinde Claude Opus 5’i geçiyor: Terminal-Bench 2.1’de 90,6‘ya 89,1, DeepSWE v1.1’de 74,2‘ye 74,0, AutomationBench’te 54,8’e 50,3. Akıl yürütme çabası 1-100 arası sürekli ayarlanabiliyor. Açık/kapalı düşünme kademesi değil, kaydırma çubuğu. API fiyatı 1 milyon token başına yoğun olmayan saatte $0,15 girdi / $0,60 çıktı, yoğun saatte iki katı. Claude Opus 5’in çıktı fiyatının kabaca yirmide biri. DeepSeek V4 Pro’yu emekliye ayırıyor: 14 Eylül 2026’dan itibaren deepseek-v4-pro istekleri V4.1 Flash’a yönlendirilip Flash fiyatından faturalanacak. Bu yılın açık ağırlıklı model yarışında herkes aynı iki rakamı kovalıyor: aktif parametre ve KV önbelleği. Birincisi her token’ın kaça mal olduğunu, ikincisi uzun bağlamın ne kadar bellek yediğini belirliyor. GLM-5.3-Flash hibrit dikkatle, Qwen3.8-Flash-Next ise 6 milyar aktif parametreyle cevap vermişti. ...

Meta, 2 Eylül 2026’da Muse Spark 1.3‘ü yayınladı. Uzun soluklu ajan iş akışları, çok ajanlı kurgular ve kodlama için tasarlanmış çok modlu bir akıl yürütme modeli. Manşetlerde iki rakam dolaşıyor: DeepSWE v1.1’de 75,4 ile Claude Opus 5’i geçiyor ve 1 milyon token’lık bağlamda geri getirme testinde %98,1 alıyor. İkisi de doğru. Ama ikisinin de altında birer dipnot var ve bu yazının asıl konusu o dipnotlar. Muse Spark 1.3 Nedir? 🧠 Muse Spark, Meta Superintelligence Labs’ın kapalı kaynak amiral gemisi serisi. 1.3, 1.2’nin ardılı ve serinin ana vaadi tek bir cevap üretmek değil, uzun süren görevleri sonuna kadar götürmek. ...

İki model, aynı fiyat etiketi: 1 milyon token için 10 dolar girdi, 50 dolar çıktı. GPT-6 Astra 3 Eylül’de, Claude Fable 5.1 1 Eylül’de çıktı. Etiketler birebir aynı olduğu için karşılaştırma kolay görünüyor. Değil. Çünkü etiket aynı, fatura değil. Aynı işi ikisine de yaptırdığınızda ödeyeceğiniz para, iş yükünüzün şekline göre iki katına çıkabiliyor ya da yarıya inebiliyor. Bu yazıda önce o farkın nereden geldiğini, sonra benchmark tablosunu, en sonda da üç gerçek senaryodaki faturayı hesaplıyoruz. ...

Özet: 30 Saniyede Gemini 3.8 Flash Gemini 3.8 Flash, Google’ın 2 Eylül 2026‘da duyurduğu yeni Flash modeli. Bir öncekinin üzerinden yine sadece üç hafta geçti; bu, üç ayda çıkan üçüncü Flash sürümü. Fiyat aynı kaldı: 1 milyon token için 0,75 dolar girdi, 3,75 dolar çıktı. Tanıtım fiyatı yine 31 Aralık 2026‘da bitiyor, sonrasında ikiye katlanıyor. Yanında Gemini 3.8 Flash Cyber geldi: zafiyet avcılığı için ayrı bir sürüm, herkese açık değil, Fairwind Programı üzerinden veriliyor. Benchmark tablosu karışık. Finans, hukuk, uzun video ve belge işlerinde tabloda birinci; uzun soluklu terminal ve bilgisayar kullanımı işlerinde Claude Opus 5’in çok gerisinde. Model “daha çok çalışıyor”: fazladan akıl yürütme adımı atıyor ve araçları döngüde çağırıyor. Aynı fiyat etiketi, daha yüksek token tüketimi demek olabilir. Google’ın Flash serisindeki tempo artık şaka gibi. 3.6 Flash 21 Temmuz’da, 3.7 Flash 13 Ağustos’ta çıkmıştı. Gemini 3.8 Flash bugün, 2 Eylül 2026’da geldi. Üç ayda üç sürüm. ...

Anthropic, 1 Eylül 2026’da Claude Fable 5.1 ve Claude Mythos 5.1 modellerini yayınladı. Haziran ayındaki Claude Fable 5 çıkışının üzerinden yaklaşık üç ay geçti ve bu kez hikâyenin merkezinde ne bir hükümet müdahalesi ne de sürpriz bir kapatılma var. 🙂 Bu sefer asıl mesele şu: etiket fiyatı hiç değişmedi ama modeli çalıştırma maliyeti ciddi biçimde düştü. Üstelik model, geçen ay yayınlanan Claude Opus 5 ‘i test edilen kıyaslamaların tamamında geride bırakıyor. Gelin detaylara bakalım. 👇🏻 ...