Finansta 40+ LLM Karşılaştırması: Claude Fable 5 & GPT-5

Finansta 40+ LLM'i, tablo analizi, tahminleme ve oran hesaplamaları gibi karmaşık finansal muhakeme görevlerinde hangi modellerin üstün olduğunu belirlemek için FinanceReasoning benchmark'ındaki 238 zor soru üzerinde değerlendirdik.

LLM finans benchmark'ına genel bakış

LLM'leri FinanceReasoning benchmark'ındaki (Tang ve diğerleri) 238 zor soru üzerinde değerlendirdik.¹ Bu alt küme, finansal kavramları ve formülleri içeren karmaşık, çok adımlı nicel muhakemeyi değerlendirerek en zorlu finansal muhakeme görevlerini hedefler. Değerlendirmemizde özel bir prompt tasarımı ve doğruluk ile token tüketiminden oluşan puanlama kriterleri kullanılmıştır.

Bu metriklerin nasıl hesaplandığına ve bu değerlendirme için kullanılan framework'e dair ayrıntılı açıklama için lütfen finansal benchmark metodolojimize bakın.

Sonuçlar: Finans için en iyi LLM hangisi?

En üst seviye performans gösterenler (>%83 doğruluk):

claude-fable-5, benchmark'ta %90,34 doğruluk ve 183.258 token ile en yüksek doğruluğa ulaşmıştır. Bu benchmark'ta %90'ı aşan ilk model olup, claude-opus-4.8'in (%89,08) önünde yer almaktadır.

claude-opus-4.8, %89,08 doğruluk ve 113.434 token ile ikinci en yüksek sonucu ve %88 üzerindeki modeller arasında en düşük çıktı token sayısını elde etmiştir.

gpt-5-2025-08-07, %88,23 doğruluk ve 829.720 token ile benchmark'taki üçüncü en yüksek sonuca ulaşmıştır.

claude-opus-4.6, %87,82 doğruluk ve 164.369 token ile gpt-5'in token sayısının çok altında, zirveye yakın bir performans sergilemektedir.

gpt-5-mini-2025-08-07, %87,39 doğruluk ve 595.505 token ile GPT-5 ailesi içinde güçlü bir alternatif sunmaktadır.

gemini-3.5-flash, %86,97 doğruluk ve 1.191.757 token ile Google'ın Flash serisindeki en yüksek doğruluğa ulaşırken aynı zamanda ailenin en yoğun token kullanan modelidir.

gemini-3.1-pro-preview, %86,55 doğruluk ve 475.148 token ile öncülü gemini-3-pro-preview'i (%86,13) geride bırakırken %35 daha az token (730.759 token) tüketmektedir.

glm-5.2, %86,13 doğruluk ve 735.988 token elde etmiştir. glm-4.5'e (%64,29) göre 21,84 puanlık bir iyileşme sağlayarak, benchmark'ta aynı model ailesinin iki sürümü arasındaki en büyük sıçramayı gerçekleştirmiştir; bir sonraki en büyük sıçrama 3,79 puandır. 735.988 token sayısı, gemini-3.5-flash ve gpt-5-2025-08-07'nin ardından üst seviyedeki üçüncü en yüksek değerdir.

gemini-3-pro-preview ve gpt-5.2, %86,13 doğrulukta eşitlenmiştir. gpt-5.2, aynı doğruluğa 247.660 token ile ulaşarak, 730.759 token kullanan gemini-3-pro-preview'e kıyasla çıktı token'ları açısından yaklaşık üç kat daha verimlidir.

claude-opus-4.7 , %85,29 doğruluk ve 103.268 token ile üst seviyedeki token açısından en verimli modeldir (claude-opus-4.6'ya göre %37 daha az çıktı token'ı ile %83 eşiğini aşmaktadır).

Güçlü performans gösterenler (%80-83 doğruluk):

grok-4.3 , %84,87 doğruluk ve 309.781 token ile xAI'ın benchmark'taki en güçlü sonucuna ulaşmış ve önceki grok-4-0709'dan bir toparlanma sergilemiştir.

claude-opus-4.5, %84,03 doğruluk ve 144.505 token sunarak Claude'un güçlü performans ve verimlilik dengesini korumaktadır.

claude-sonnet-4.6 ve gemini-3-flash-preview, %83,61 doğrulukta eşitlenmiştir. Claude Sonnet 4.6 161.035 token kullanırken, Gemini 3 Flash Preview bunu 118.530 token ile başararak tüm yüksek performanslı modeller arasında token açısından en verimli seçenek olmaktadır.

kimi-k2.5, %82,77 doğruluk elde etmekte ancak 877.868 token gerektirerek bu performans seviyesindeki modeller arasında en yüksek tüketime sahiptir.

Orta seviye (%70-80 doğruluk):

o3-pro-2025-06-10 (%78,15 doğruluk, 473.659 token) ve kimi-k2 (%78,15 doğruluk, 100.323 token) eşitlenmiştir. Kimi-k2, bu gruptaki en verimli modeldir.

o3-mini-2025-01-31 (%77,31 doğruluk, 376.929 token), gpt-5-nano-2025-08-07 (%76,89 doğruluk, 1.028.909 token) ve claude-sonnet-4-20250514 (%76,05 doğruluk, 135.462 token) yakından takip etmektedir.

Düşük performans gösterenler (<%70 doğruluk):

claude-3-5-sonnet-20241022 (%67,65 doğruluk, 90.103 token) ve gpt-oss-20b (%67,65 doğruluk, 515.041 token) bu seviyeye öncülük etmektedir.

gemini-2.5-flash (%65,55 doğruluk, 286.603 token), glm-4.5 (%64,29 doğruluk, 692.662 token) ve gpt-4.1-nano-2025-04-14 (%63,45 doğruluk, 171.096 token) bunları takip etmektedir.

Performans içgörüleri:

Benchmark, token tüketimi ile doğruluk arasında net bir korelasyon olmadığını göstermektedir. deepseek-r1-0528 en fazla token'ı (1.251.064) tüketmesine rağmen %62,18 doğruluk elde ederken, claude-opus-4-20250514 132.274 token ile %80,25 doğruluk elde etmiştir.

Token verimliliği, yüksek performanslı modeller arasında bile değişiklik göstermektedir. gemini-3-flash-preview, %83,61 doğruluğa ulaşmak için 118.530 token kullanırken, kimi-k2.5 %82,77 için 877.868 token tüketmektedir (0,84 puan daha az doğruluk için 7,4 kat daha fazla token).

Yukarıdaki tablo, bu benchmark için kullanılanlar da dahil olmak üzere diğer yapay zeka modeli benchmark'larını sunmaktadır.

Benchmark çalıştırması başına maliyet

Çıktı token'ları tek başına harcamayı belirlemez, çünkü çoğu sağlayıcıda girdi token oranları ve çıktı token oranları bir kat farklılık gösterir. Her modeli 238 soru üzerinde çalıştırmanın dolar maliyetini, çalıştırma anındaki sağlayıcının listelenen token başına oranını kullanarak hesapladık.

Öncü seviyede doğruluk başına en iyi maliyet. grok-4.3, %84,87 doğruluğa toplam 0,86$ harcama ile ulaşarak >%83 doğruluk bandındaki en düşük dolar maliyetini elde etmektedir. Maliyet açısından bir sonraki en yakın öncü model, %83,61 için 0,39$ ile gemini-3-flash-preview'dir.

Yeni doğruluk lideri bir prim ödemektedir. claude-fable-5, benchmark'ın en yüksek doğruluğu olan %90,34'e çalıştırma başına 10,05$ ile ulaşmaktadır; bu, claude-opus-4.8'in maliyetinin yaklaşık üç katıdır (%89,08 için 3,28$). claude-opus-4.8, benchmark'ta %88 doğruluğu aşan en ucuz model olmaya devam etmektedir.

Premium fiyata premium muhakeme. o1-pro, %80,67 doğruluk için 381$ ile benchmark'taki en yüksek maliyetli modeldir (150$/M girdi ve 600$/M çıktı oranlarından kaynaklanmaktadır). o3-pro %78,15 için 39,23$, o1 %74,79 için 46,59$ maliyete sahiptir. Bunların hiçbiri üst seviyeyi geçememekte; üçü de doğrulukta claude-opus-4.7'nin altında ve maliyette 10 kat üzerinde kalmaktadır.

Bütçe seviyesi doğruluk açısından hâlâ rekabetçidir. gpt-oss-120b, benchmark'taki en ucuz çalıştırma olan toplam 0,06$ ile %81,09 doğruluğa ulaşmakta ve %83 eşiğine oldukça yakındır. llama-4-maverick, 0,10$ ile %75,21'e ulaşmaktadır. %80 doğruluğun yeterli olduğu iş yükleri için bu modeller, öncü amiral gemilerinin %1'inden daha az maliyetlidir.

Finansal muhakeme benchmark metodolojisi

Benchmark'ımız, Büyük Dil Modellerinin (LLM) karmaşık finansal muhakeme görevlerindeki performansının adil, şeffaf ve tekrarlanabilir bir değerlendirmesini sunmaktadır.

Test kurulumu ve veri külliyatı

• Benchmark paketi: FinanceReasoning benchmark'ındaki verileri, kodu ve değerlendirme script'lerini kullandık. Nicel ve çıkarımsal finansal problemlere olan özel odağı nedeniyle onu seçtik.
• Bilgi külliyatı ve test sorguları: Analizimizi, 238 zorlu sorudan oluşan zor alt kümeye odakladık. Benchmark tarafından tanımlandığı şekliyle, her veri noktası şunları içerir:
  1. Çok adımlı mantıksal ve sayısal çıkarım gerektiren bir soru.
  2. Genellikle Markdown tabloları gibi yapılandırılmış formatlarda sunulan yoğun bilgiler içeren bir bağlam (örneğin bilançolar, hisse senedi performans verileri).
  3. Nesnel puanlama için kesin bir doğru cevap.

• Örnek sorgu türleri: Benchmark'ın zorluğu, modellerin çeşitli ve karmaşık finansal muhakeme görevlerini ele almasını gerektirmesinden kaynaklanmaktadır. Bu kapsamı göstermek için test setinden iki temsili örneği vurguluyoruz:

Örnek: Algoritmik ve zaman serisi muhakemesi (teknik analiz)

Bağlam: Bir yatırımcı, 10 günlük EMA periyodu ve 10 günlük ATR periyodu ile 1,5 çarpan kullanarak Keltner Kanalı'nı hesaplamak için son 25 gündeki hisse senedi fiyatlarını analiz ediyor...

Soru: Keltner Kanalı'ndaki son üst bandın değeri nedir...? İki ondalık basamağa kadar cevaplayın.

Bu sorgu, bir modelin nicel analist olarak hareket etme yeteneğini şu şekilde test eder:

1. Bileşik bir göstergenin yapısını çözme: "Keltner Kanalı"nın iki diğer karmaşık göstergeden türetildiğini fark etme:
   • üstel hareketli ortalama (EMA)
   • ortalama gerçek aralık (ATR).
2. Algoritmik mantığı uygulama: 25 veri noktasından oluşan bir zaman serisi üzerinde hem EMA hem de ATR için yinelemeli algoritmaları sıfırdan doğru şekilde uygulama.
3. Sonuçları sentezleme: Hesaplanan değerleri nihai Keltner Kanalı formülüne göre birleştirme (Üst Bant = EMA + (Çarpan × ATR)).

Temel değerlendirme ilkeleri

• İzole ve standartlaştırılmış API çağrıları: Her model için, ilgili API uç noktaları (örneğin OpenRouter, OpenAI) aracılığıyla programatik olarak değerlendirme gerçekleştirdik. Bu, her modelin aynı koşullar altında tam olarak aynı girdiyi almasını sağlayarak kullanıcı arayüzü etkileşimlerinden kaynaklanan değişkenliği ortadan kaldırdı.
• Serbest biçimli üretim: Modelleri çoktan seçmeli bir formata kısıtlamadık. Bunun yerine, kapsamlı, free-form bir yanıt üretmeleri istendi; bu da muhakeme yeteneklerinin daha otantik bir değerlendirmesine olanak tanıdı.
• Düşünce Zinciri (CoT) prompt'laması: Modellerin muhakeme sürecini ortaya çıkarmak ve değerlendirmek için bir Düşünce Zinciri (CoT) prompt'lama stratejisi kullandık. Sistem prompt'u, her modele nihai bir cevapla sonuçlandırmadan önce "önce problemi adım adım düşünmesini" açıkça belirtti. Bu yaklaşım, bir modelin sonucuna nasıl ulaştığının, nihai çıktının ötesinde daha derin bir analizine olanak tanır.

Değerlendirme metrikleri ve framework

Model çıktılarını puanlamak için FinanceReasoning benchmark'ının kendi tam otomatik değerlendirme framework'ünü kullandık. Bu framework, hem kavramsal doğruluğu hem de hesaplama maliyetini ölçmek için tasarlanmıştır.

1. Birincil metrik: Doğruluk

Bu metrik şu kritik soruyu yanıtlar: "Model finansal problemi doğru şekilde çözebiliyor mu?" Puanlama süreci, sofistike iki adımlı bir pipeline içerir:

• Adım 1: LLM tabanlı cevap çıkarma: Bir modelin ham çıktısı, hem muhakeme hem de nihai cevabı içeren yapılandırılmamış metindir. Sayısal veya boolean değeri güvenilir şekilde ayrıştırmak için, ayrıştırıcı olarak bir denetleyici model (anthropic/claude-sonnet-4.5) kullandık.
• Adım 2: Tolerans tabanlı karşılaştırma: Basit bir "tam eşleşme" sayısal problemler için yetersizdir. Bu nedenle, çıkarılan cevap programatik olarak doğru cevapla karşılaştırıldı. Script, küçük kayan nokta veya yuvarlama farklılıklarını adil şekilde ele almak için bir sayısal tolerans eşiği (%0,2 göreli fark) uygulayarak, kavramsal olarak doğru çözümlerin doğru olarak işaretlenmesini sağlar.

2. İkincil metrik: Token tüketimi

Bu metrik şu soruyu yanıtlar: "Modelin bu problemleri çözmesi hesaplama açısından ne kadar maliyetlidir?" 238 cevabın üretilmesiyle ilişkili toplam maliyeti ölçer.

• Token hesaplaması: Her API çağrısı için sağlayıcının kullanım nesnesinden prompt_tokens ve completion_tokens değerlerini topladık. Model başına token puanı, 238 sorunun tamamındaki completion_tokens toplamıdır. Girdi aynı veri kümesini paylaşan modeller arasında neredeyse sabit olduğundan (tokenizer'a bağlı olarak çalıştırma başına 66k-92k girdi token'ı), toplam token'ları değil completion token'larını raporluyoruz.
• Maliyet hesaplaması: Dolar maliyetini, 238 sorunun tamamında toplanan prompt_tokens × prompt_price_per_M + completion_tokens × completion_price_per_M olarak hesapladık. Fiyatlar, modelin çalıştırıldığı tarihteki OpenRouter /api/v1/models uç noktasındaki listelenen token başına oranlardır.

FinanceReasoning benchmark'ının kendisi tarafından sağlanan bu iki metrikli yaklaşım, bir modelin ham problem çözme yeteneğini (doğruluk) operasyonel verimliliği (token tüketimi) ile dengeleyerek bütünsel bir değerlendirmeye olanak tanır.

Geri Getirme ile Artırılmış Üretim (RAG) ile finansal muhakeme

Bağımsız modelleri aşmak için, benchmark'ın orijinal uygulamasından farklı özel bir RAG framework'ü tasarladık ve uyguladık. Yaklaşımımız, LLM'lere çıkarım zamanında ilgili, alana özgü bilgi sağlamak ve eğitim verilerinin ötesindeki problemleri çözmelerine yardımcı olmak için modern bir vektör veritabanı yığını (Qdrant) üzerine inşa edilmiştir. Etkisini ölçmek için bunu gpt-4o-mini üzerinde test ettik.

Sonuçlar ve analiz: RAG ödünleşimi

RAG'ın kullanıma alınması, gpt-4o-mini'nin performansı üzerinde önemli ve ölçülebilir bir etki yarattı.

RAG değerlendirmesinden temel çıkarımlar:

• Önemli doğruluk iyileşmesi: RAG, modelin problem çözme yeteneğini belirgin şekilde artırarak doğruluğu 10 puanın üzerinde yükseltti. Bu, harici, ilgili bağlam sağlamanın karmaşık, alana özgü muhakeme görevleri için oldukça etkili olduğunu doğrulamaktadır.
• Doğruluğun maliyeti: Bu performans kazancı yüksek bir maliyetle geldi. Toplam token tüketimi yaklaşık 18 kat arttı ve toplam yürütme süresi 20 kat arttı. Bu, embedding için ek API çağrılarından ve daha da önemlisi, LLM'nin işlemesi gereken çok daha büyük ve karmaşık prompt'lardan kaynaklanmaktadır.
• Daha büyük modeller için çıkarımlar: gpt-4o-mini'den elde edilen sonuçlar, RAG'ın daha yüksek performansı ortaya çıkarabileceğini, ancak bu yöntemi GPT-4o veya Claude Opus gibi daha büyük, daha pahalı modellere uygulamanın önemli ölçüde daha maliyetli ve zaman alıcı olacağını göstermektedir. Bu, üretim sınıfı finansal yapay zeka sistemleri tasarlarken doğruluk, maliyet ve gecikme arasındaki kritik ödünleşimi vurgulamaktadır.

Finansal muhakeme RAG metodolojisi

RAG pipeline'ımız, vektör veritabanı olarak Qdrant ve anlamsal vektör temsilleri oluşturmak için OpenAI'nin text-embedding-3-small modelini kullanan modern bir yığın üzerine inşa edilmiştir. Süreç iki ana aşamadan oluşur: çevrimdışı bir indeksleme aşaması ve çevrimiçi bir geri getirme-üretim aşaması.

1. Bilgi külliyatı indeksleme

• Külliyat oluşturma: Benchmark tarafından sağlanan iki kaynaktan özel bir bilgi tabanı oluşturduk:
  1. Finansal belgeler: Çeşitli finansal kavramları ve terimleri açıklayan bir makale koleksiyonu (financial_documents.json).
  2. Finansal fonksiyonlar: Belirli finansal hesaplamaları çözmek için tasarlanmış kullanıma hazır Python fonksiyonlarından oluşan bir kütüphane (functions-article-all.json).
• Akıllı parçalama ve embedding: Bu külliyatı verimli geri getirme için hazırlamak amacıyla, her belge ve fonksiyon işlendi ve indekslendi:
  1. Parçalama: Belgeler, bölümlerine göre daha küçük, anlamsal olarak tutarlı parçalara ayrıldı. Her Python fonksiyonu tek bir atomik parça olarak ele alındı. Bu, geri getirilen bağlamın odaklı ve ilgili olmasını sağlar.
  2. Embedding: Her parça daha sonra text-embedding-3-small modeli kullanılarak 1536 boyutlu bir vektöre dönüştürüldü.
  3. İndeksleme: Bu vektörler, kosinüs benzerlik araması için optimize edilmiş yerel Qdrant örneğimizdeki iki ayrı koleksiyonda (financial_documents_openai_small ve financial_functions_openai_small) indekslendi.

2. RAG destekli çıkarım

238 sorunun her biri için, modelin muhakeme süreci aşağıdaki otomatik adımlarla artırıldı:

1. Embedding oluşturma (API çağrıları 1 ve 2): Kullanıcının sorgusu (soru + bağlam) bir embedding vektörüne dönüştürüldü. Bu, her iki koleksiyonda da aramaya hazırlanmak için OpenAI'nin embedding API'sine iki çağrı gerektirdi.
2. Çok kaynaklı geri getirme: Sorgu vektörü, en ilgili bilgileri getirmek için her iki Qdrant koleksiyonunda eşzamanlı olarak anlamsal arama yapmak için kullanıldı:
   • financial_documents koleksiyonundan en ilgili 3 belge parçası.
   • financial_functions koleksiyonundan en ilgili 2 Python fonksiyonu.
3. Prompt artırımı: Getirilen belgeler ve fonksiyonlar, prompt'a dinamik olarak enjekte edilerek zengin, bağlam farkında bir "bilgi paketi" oluşturuldu. Bu, girdi prompt boyutunu önemli ölçüde artırdı (~300-500 token'dan ~3.000-5.000+ token'a).
4. Nihai cevap üretimi (API çağrısı 3): Bu artırılmış prompt, nihai, gerekçeli cevabı üretmesi için gpt-4o-mini modeline gönderildi.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Finans benchmark'ındaki LLM'lerin sınırlamaları

Benchmark'ımız, kapsamlı olmakla birlikte, birkaç temel sınırlamaya tabidir:

• Veri kirliliği riski: Bu modellerin, veri kümesi herkese açık olduğu için benchmark'ın veri kümesi üzerinde eğitilmiş olması mümkündür. Bu, şişirilmiş puanlara yol açarak gerçek muhakeme yeteneğinin değerlendirilmesini zorlaştırabilir.
• Tek modelli RAG analizi: RAG değerlendirmesi tek bir model (gpt-4o-mini) üzerinde gerçekleştirilmiştir, bu nedenle performans ve maliyet arasında gözlemlenen ödünleşimler diğer tüm modeller için geçerli olmayabilir.

Değişiklik günlüğü

Her yeni sürümle bu benchmark'a modeller ekliyoruz.

22 Haziran 2026

• Zhipu AI: GLM-5.2 (z-ai/glm-5.2)

10 Haziran 2026

• Anthropic: Claude Fable 5 (anthropic/claude-fable-5)

2 Haziran 2026

• Anthropic: Claude Opus 4.8 (anthropic/claude-opus-4.8)

22 Mayıs 2026

• Google: Gemini 3.5 Flash (google/gemini-3.5-flash)
• xAI: Grok 4.3 (x-ai/grok-4.3)
• Benchmark çalıştırması başına maliyet sütunu ve doğruluk-maliyet grafiği düğmesi eklendi. Metodoloji, maliyet hesaplama formülü ve cevap çıkarıcı değişikliği (claude-sonnet-4.5) ile güncellendi.

20 Nisan 2026

• Anthropic: Claude Opus 4.7 (anthropic/claude-opus-4.7)

20 Şubat 2026

• Google: Gemini 3.1 Pro Preview (google/gemini-3.1-pro-preview)
• Anthropic: Claude Sonnet 4.6 (anthropic/claude-sonnet-4.6)

6 Şubat 2026

• Anthropic: Claude Opus 4.6 (anthropic/claude-opus-4.6)
• Anthropic: Claude Opus 4.5 (anthropic/claude-opus-4.5)
• Anthropic: Claude Sonnet 4.5 (anthropic/claude-sonnet-4.5)
• Google: Gemini 3 Pro Preview (google/gemini-3-pro-preview)
• Google: Gemini 3 Flash Preview (google/gemini-3-flash-preview)
• OpenAI: GPT-5.2 (openai/gpt-5.2)
• Moonshot AI: Kimi K2.5 (moonshotai/kimi-k2.5)

İleri okuma

Finansal analiz, hisse senedi analizi, finans hukuku yorumlaması ve finansal muhakeme gibi birden fazla yeteneğe atıfta bulunabilir. Benchmark'ımızda özellikle finansal muhakemeye odaklandık; diğer görevler ayrı makalelerde ele alınmıştır:

• Hisse senedi analizi için LLM: Bu modeller, yatırım fırsatlarını belirlemek için piyasa verilerini, şirket raporlarını ve haberleri işlemeye yardımcı olur. (Tam analize buradan bakın: Yapay Zeka Tabanlı Hisse Senedi Ticareti)
• Finans hukuku yapay zekası: Bazı LLM'ler, hukuki-finans görevlerine yardımcı olmak için finansal düzenlemeleri, sözleşmeleri ve uyumluluk gerekliliklerini yorumlayabilir. (Hukuki yapay zeka araçları listemize buradan bakın: Hukuki Yapay Zeka Araçları)

SSS'ler

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{sar2026,
  author = {Sarı, Ekrem},
  title  = {{Finansta 40+ LLM Karşılaştırması: Claude Fable 5 & GPT-5}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/finance-llm}},
  note   = {AIMultiple. Erişim tarihi: 30 Haziran 2026}
}

Referans Linkleri

1.

[2506.05828] FinanceReasoning: Benchmarking Financial Numerical Reasoning More Credible, Comprehensive and Challenging

Ekrem Sarı

Yapay Zeka Araştırmacısı

Takip Et

Ekrem, AIMultiple'da yapay zeka araştırmacısı olarak çalışmakta olup, akıllı otomasyon, GPU'lar, yapay zeka ajanları ve RAG çerçeveleri üzerine yoğunlaşmaktadır.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder