LLM Parametreleri: GPT-5 Yüksek, Orta, Düşük ve Minimal

Yeni LLM'ler, örneğin OpenAI'ın GPT-5 ailesi, farklı sürümlerle (örneğin, GPT-5, GPT-5-mini ve GPT-5-nano) ve yüksek, orta, düşük ve minimal dahil olmak üzere çeşitli parametre ayarlarıyla gelir.

Aşağıda, bu model sürümleri arasındaki farkları, performans ölçümlerini ve ölçümleri çalıştırma maliyetlerini toplayarak inceliyoruz.

Fiyat ve başarı: Temel çıkarımlar

Analizimizde GPT-5 ailesini kullandık. Akıl yürütme, kodlama, talimat izleme ve matematik dahil olmak üzere çeşitli alanlarda altı farklı ölçüm kullandık.

Analizimiz şunları ortaya koydu:

• Ortalama olarak ölçümler arasında, GPT-5 (yüksek) ve GPT-5 (orta) neredeyse aynı başarı oranlarını (%65'e karşı %64) sunar, ancak GPT-5 (yüksek) neredeyse iki katı maliyete mal olur (511$'a karşı 280$). Onları, sırasıyla %62, %61 ve %60 başarı oranlarına ve 105$, 90$ ve 28$ gibi çok daha düşük fiyatlarına sahip GPT-5-mini (yüksek), GPT-5 (düşük) ve GPT-5-mini (orta) izler. Bu, başarı oranında yalnızca ~%5'lik bir düşüşü kabul ederek, görevlerin GPT-5 (yüksek)'ten GPT-5-mini (orta)'ya geçişle maliyetin 18 kata kadar daha düşük olmasıyla tamamlanabileceğini gösterir.
• GPT-5-mini (yüksek), neredeyse her ölçümde GPT-5 (düşük)'ten daha iyi performans gösterir ve bunu aynı veya daha düşük maliyetle yapar. IFBench'te başarı oranları %75'e karşı %67'dir; AIME 2025'te %97'ye karşı %83; Humanity's Last Exam'de %20'ye karşı %18; ve GPQA Diamond'da %83'e karşı %81. SciCode'da %39'da eşitler, ancak GPT-5-mini (yüksek) yine de daha düşük bir maliyetle gelir.
• En pahalı model olan GPT-5 (yüksek), yalnızca üç ölçümde ikinci en iyi performans gösterenden daha iyi performans gösterir ve o zaman bile marj %3'ten daha büyük değildir. Diğer tüm ölçümlerde, daha ucuz alternatifler tarafından geride bırakılır.

Yüksek-orta-düşük-minimal parametre ayarları

LLM parametreleri genellikle sayısal ayarlar açısından tanımlanmasına rağmen, yüksek, orta ve düşük gibi niteliksel aralıklar olarak da ifade edilebilir. Bu aralıklar sabit standartlar değildir; bunun yerine, bir parametrenin model çıktısı üzerindeki etkisinin ne kadar olduğunu tanımlayan kavramsal kategorilerdir.

Bu üç seviyeyi kullanmak, yaratıcılık, determinizm veya uzunluk seviyesine bağlı olarak farklı görevler için ayarları hızlıca seçmeye yardımcı olur. Bu seviyeler, top-P, max token'lar ve ceza parametrelerini ayarlarken faydalıdır.

Orta parametre, bir modelin düzenli (parametrelenmemiş) sürümüne atıfta bulunur.

Minimal ayar:

• Top-p / Top-k: Çok düşük (top-p ≈ 0.1–0.2, top-k = 1–5)
• Max token'lar: Kısa sınır
• Cezalar: Çok düşük veya yok
• Etkiler:
  • Yüksek derecede deterministik, her seferinde neredeyse aynı çıktılar.
  • Çok öz, gerçekçi ve katı.
  • Kod, matematik, veritabanı sorguları veya sıkı uyum yanıtları için en iyisi.
  • Düşük rastgelelikle, öngörülebilirliği ve hassasiyeti tercih eden çok kısıtlanmış.

Düşük ayar:

• Top-p / Top-k: Düşük (top-p ≈ 0.3–0.5, top-k = 5–10)
• Max token'lar: Kısa ile orta arası
• Cezalar: Düşükten orta seviyeye
• Etkiler:
  • Çoğunlukla deterministik ancak küçük varyasyonlara izin verir.
  • Minimal'e kıyasla robotik tekrarı azaltır.
  • Sürekli bir stile sahip özetler, yapılandırılmış açıklamalar veya profesyonel yazım için uygundur.

Orta ayar:

• Top-p / Top-k: Orta (top-p ≈ 0.7–0.9, top-k = 20–50)
• Max token'lar: Orta uzunluk
• Cezalar: Tekrarı önlemek ancak biraz yaratıcılığa izin vermek için orta seviye
• Etkiler:
  • Hassasiyet ve yaratıcılık arasında dengeli.
  • Çalışmalar arasında biraz değişen doğal yanıtlar üretir.
  • Genel S&C, taslak oluşturma ve beyin fırtınası için uygundur.

Yüksek ayar:

• Top-p / Top-k: Yüksek (top-p ≈ 0.95–1.0, top-k = 50–100)
• Max token'lar: Daha uzun çıktılar için büyük sınır
• Cezalar: Çeşitliliği ve yeniliği teşvik eden orta ile yüksek arası
• Etkiler:
  • Yüksek derecede yaratıcı ve çeşitli çıktılar.
  • Daha az öngörülebilir, halüsinasyon riski daha yüksek.
  • Hikaye anlatımı, fikir üretimi, rol yapma ve yaratıcı yazım için en iyisi.

Hangi seviyeyi kullanacağınıza karar vermek için şunları göz önünde bulundurun:

• Görev türü/amacı: Hassasiyete ihtiyacınız varsa (hukuki, tıbbi, kod, gerçekçi), minimal veya orta seçin. Yaratıcılık, ses, yenilik ihtiyacınız varsa, yüksek daha iyi olabilir.
• Hatalara tolerans: Arada bir tuhaflıklar veya hatalar ne kadar kötü? Düşükse, yüksek rastgelelikten kaçının.
• Hesaplama kısıtlamaları: Yüksek çıktı uzunlukları ve yüksek rastgelelik genellikle daha fazla hesaplama gücü ve bellek gerektirir.
• Model boyutu: Daha büyük modeller yüksek rastgelelikle daha iyi başa çıkma eğilimindedir, daha küçük modeller ise yüksek ayarlar altında önemli ölçüde bozulabilir.
• İstenen çıktı uzunluğu: Daha uzun oluşturulan metin sapabilir, bu nedenle yüksek rastgelelik artı uzun uzunluk daha risklidir.

GPT-5

GPT-5, daha yüksek akıl yürütme yeteneğini orta hızla dengeler, hassasiyet ve uyum sağlamanın kritik olduğu karmaşık, çok adımlı görevler için uygun hale getirir.

• Bağlam penceresi: 400,000
• Max çıktı token'ları: 128,000
• Bilgi kesim tarihi: 30 Eylül 2024
• Akıl yürütme: Akıl yürütme token desteği ile daha yüksek

Fiyatlandırma (1M token başına)

• Girdi: 1.25$
• Önbelleğe alınmış girdi: 0.125$
• Çıktı: 10.00$

Modlar

• Metin: girdi ve çıktı
• Görsel: yalnızca girdi
• Ses: desteklenmiyor

GPT-5 mini

GPT-5 mini, GPT-5'in daha küçük, daha hızlı ve daha uygun fiyatlı bir sürümüdür. İyi tanımlanmış görevler için daha uygun olurken güçlü bir akıl yürütme yeteneğini korur.

• Bağlam penceresi: 400,000
• Max çıktı token'ları: 128,000
• Bilgi kesim tarihi: 31 Mayıs 2024
• Özellikler: Web araması, dosya araması ve kod yorumlayıcısını destekler.

1M token başına fiyatlandırma:

• Girdi: 0.25$
• Önbelleğe alınmış girdi: 0.025$
• Çıktı: 2.00$

GPT-5 nano

GPT-5 nano, sınıflandırma ve özetleme gibi hafif görevler için tasarlanmış en hızlı ve en ucuz seçenektir.

• Bağlam penceresi: 400,000
• Max çıktı token'ları: 128,000
• Bilgi kesim tarihi: 31 Mayıs 2024
• Özellikler: Dosya araması, görsel oluşturma ve kod yorumlayıcısını destekler (ancak web aramasını desteklemez).

1M token başına fiyatlandırma:

• Girdi: 0.05$
• Önbelleğe alınmış girdi: 0.005$
• Çıktı: 0.40$

GPT-5 serisi özellikleri

GPT-5 serisi, kontrolü, biçimlendirmeyi ve verimliliği iyileştiren birkaç yetenek sunar. Bu özellikler GPT-5, GPT-5 Mini ve GPT-5 Nano için geçerlidir.

Ayrıntı seviyesi parametresi

Ayrıntı seviyesi parametresi, geliştiricilerin prompt'u değiştirmeden model çıktılarındaki ayrıntı seviyesini etkilemelerine olanak tanır.
Üç değer kabul eder:

• Düşük: kısa ve öz sonuçlar
• Orta: dengeli sonuçlar (varsayılan)
• Yüksek: açıklama, dokümantasyon veya inceleme için uygun ayrıntılı çıktılar

Daha yüksek ayrıntı seviyesi, daha uzun yanıtlara ve çıktı token'larının daha yüksek kullanımına yol açar.

Serbest biçimli fonksiyon çağrısı

GPT-5 serisi, yapılandırılmış JSON yerine ham metin çıktısı kabul eden özel araç çağrılarını destekler. Bu, doğrudan dış çalışma zamanlarına aktarılan kod, SQL sorguları veya yapılandırma metni oluşturmayı mümkün kılar, örneğin:

• Kod sandalyeleri
• SQL motorları
• Shell ortamları
• Yapılandırma sistemleri

Özel araç türü, paralel araç çağrılarını desteklemez. Doğal metnin katı bir JSON şemasına tercih edildiği durumlar için tasarlanmıştır.

Bağlamdan bağımsız dilbilgisi (CFG) desteği

Modeller, Lark veya regex sözdizimi ile tanımlanan bir dilbilgisi ile kısıtlanmış metin üretebilir. Bu, oluşturulan metnin katı yapı kurallarına uyduğunu sağlar. Yaygın kullanım durumları şunlardır:

• Belirli SQL lehçelerini zorlama
• Zaman damgalarını veya tanımlayıcıları kısıtlama
• Yapılandırma formatlarını doğrulama

CFG'leri kullanırken, geliştiriciler kabul edilebilir dizelerin kümesini tanımlayan terminaller ve kurallar tanımlar. Model yalnızca bu kurallarla eşleşen çıktılar üretir.

Minimal akıl yürütme modu

Minimal akıl yürütme modu, akıl yürütme token'larını azaltır veya kaldırır. Bu, gecikmeyi azaltır ve ilk token'a olan süreyi iyileştirir.
Şu tür görevler için uygundur:

• Sınıflandırma
• Kısa yeniden yazımlar
• Yapılandırılmış çıkarma
• Temel biçimlendirme işlemleri

Hiçbir akıl yürütme ayarı sağlanmadığında, varsayılan çaba seviyesi ortadır.

Temel farklar

Üç model, öncelikle akıl yürütme derinliği, hız ve maliyet açısından farklılık gösterir. Yeni özellikler tüm modellerde kullanılabilir, ancak etkileri modele göre değişir.

Akıl yürütme

• GPT-5 en güçlü akıl yürütme yeteneğini sağlar. Kodlama, bilimsel analiz veya karar desteği alanındaki karmaşık, çok adımlı sorunlar için uygundur.
• GPT-5 mini, öngörülebilir görev sınırlarına sahip yapılandırılmış prompt'lar için güçlü akıl yürütme sunar.
• GPT-5 nano, orta düzeyde akıl yürütme performansı sergiler ve derin analiz gerektirmeyen görevlerde en iyi sonucu verir.
• Minimal akıl yürütme modu tüm modellerle kullanılabilir ve hız avantajları göz önüne alındığında GPT-5 nano ve GPT-5 mini için en önemli faydayı sağlar.

Hız

• GPT-5 nano en hızlı seçenektir ve gerçek zamanlı veya büyük ölçekli iş yükleri için etkilidir.
• GPT-5 mini, hızı akıl yürütme ile dengeler, bu da onu düzenli üretim iş yükleri için uygun hale getirir.
• GPT-5 daha fazla dahili akıl yürütme gerçekleştirdiği için daha yavaştır, ancak bu daha hassas çıktı ile sonuçlanır.
• Minimal akıl yürütme modu, özellikle nano için gecikmeyi daha da azaltabilir.

Maliyet

• GPT-5 nano, token başına en düşük maliyete sahiptir. Toplu sınıflandırma veya özetleme gibi yüksek hacimli görevler için tercih edilir.
• GPT-5 mini, yetenek ve maliyet arasında bir denge sunan orta aralıkta yer alır.
• GPT-5 en pahalı modeldir ve genellikle hassasiyet ve tutarlılık öncelikli olduğunda kullanılır.
• Ayrıntı seviyesi ayarları maliyeti etkiler çünkü daha yüksek ayrıntı seviyesi daha fazla çıktı token'ı üretir.

LLM parametreleri nedir?

LLM parametreleri, büyük dil modellerinin (LLM'lerin) çıkarım sırasında metin nasıl oluşturduğunu etkileyen ayarlardır. Bu parametre kontrolleri, önceden eğitilmiş bir modelin öğrenilmiş ağırlıklarını değiştirmez. Bunun yerine, yanıtları oluştururken olasılık dağılımından nasıl örnek aldığını şekillendirirler.

Büyük dil modelleri, genellikle transformer model mimarisi üzerine inşa edilmiş sinir ağı sistemleridir. Eğitim sırasında model, ağırlıklar ve bias'lar adı verilen sayısal değerler öğrenir. Ağırlıklar, modelin kelimeler, kavramlar ve bağlam arasındaki ilişkileri yakalamasına izin veren farklı girdilere atanan önemi temsil eder. Bias'lar, belirli koşullar altında nöronları aktive etmeye yardımcı olan katmanlar içinde eklenen sabit değerlerdir. Birlikte, bu değerler modelin dildeki karmaşık desenleri tanıma yeteneğini tanımlar.

Buna karşılık, çıkarım parametreleri eğitimden sonra çalışır. Modelin öğrenilmiş bilgisinin nasıl kullanıldığını şekillendirirler, ancak altta yatan ağırlıkları değiştirmezler. LLM parametrelerini ayarlamak, kullanıcıların çıktı çeşitliliğini, öngörülebilirliği, tekrarı ve çıktı uzunluğunu etkilemelerine olanak tanır; bu, yaratıcı yazım, yapılandırılmış oluşturma veya teknik açıklamalar gibi belirli görevler için model performansını optimize etmek için önemlidir.

Temel parametreler arasında top-p çekirdek örnekleme, max token'lar, frekans cezası, varlık cezası ve durma dizeleri yer alır. Birlikte, bu örnekleme parametreleri, çıktı kalitesi, hesaplama maliyeti ve çıkarım verimliliği arasında denge kurarak oluşturulan çıktıyı kontrol eder.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

Model boyutu, parametreler ve eğitim temelleri

Büyük dil modellerindeki parametre sayısı milyarlarca seviyesine ulaşabilir. Daha büyük modeller genellikle nüanslı dil, uzun menzilli bağımlılıklar ve karmaşık akıl yürütme ile başa çıkma konusunda daha güçlü bir yeteneğe sahiptir. Bu iyileştirilmiş model performansı, hem eğitim hem de çıkarım sırasında daha yüksek hesaplama gücü gereksinimi maliyetiyle gelir.

Daha küçük modeller daha az hesaplama kaynağı gerektirir ve daha iyi hesaplama verimliliği sunar, ancak daha karmaşık desenler veya daha uzun bağlam pencereleriyle mücadele edebilirler. Daha büyük modeller ile daha küçük modeller arasında seçim yapmak, göreve, kabul edilebilir gecikmeye ve mevcut altyapıya bağlıdır. Model boyutu, veri kalitesi ve eğitim stratejisinin etkisini nasıl değerlendirdiklerini öğrenmek için LLM ölçekleme yasalarına bakın.

Birkaç eğitim parametresi, modelin çıkarımdan önce nasıl öğrendiğini şekillendirir:

• Toplu boyut, modelin ağırlıklarını güncellemeden önce işlenen eğitim örneklerinin sayısını ifade eder. Daha büyük toplu boyutlar eğitim verimliliğini artırır ancak bellek kullanımını artırır.
• Öğrenme oranı, modelin ağırlıklarını ve bias'larını ne kadar hızlı ayarladığını kontrol eder. Daha yüksek değerler öğrenmeyi hızlandırır ancak istikrarsızlık riski taşır, daha düşük değerler ise istikrarlı yakınsamayı teşvik eder.
• Hiperparametreler, model boyutu, toplu boyut ve öğrenme oranı gibi dış ayarları tanımlar ve genel eğitim sürecini şekillendirir.

Ön eğitimden sonra, ince ayar ve hizalama önemlidir. İnce ayar, önceden eğitilmiş bir modeli alan özel verilere veya görevlere uyarlar, hizalama ise oluşturulan metnin insan niyetini yansıtmasını sağlar.

Parametre verimli ince ayar (PEFT), çoğu parametreyi dondurarak ve yalnızca küçük bir görevle ilgili parametre alt kümesini güncelleyerek hesaplama verimliliğini artırır.

Top-p örnekleme

Top-p örnekleme, çekirdek örnekleme olarak da bilinir, token seçimini kümülatif olasılığı verilen eşik p'yi aşan en küçük gruba sınırlar. Sabit bir token sayısından seçmek yerine, model, birlikte belirtilen olasılık kütlesini oluşturan olası tokenlardan dinamik olarak seçer.

• Daha düşük değerler (örneğin, p = 0.5), örnekleme en yüksek olasılıklı tokenların dar bir kümesiyle sınırlar, tutarlı ancak daha az çeşitli metinle sonuçlanır.
• Daha yüksek değerler (örneğin, p = 0.9), daha geniş bir havuzdan örnekleme yapmaya izin verir, çıktı çeşitliliğini artırır ancak konudan sapma riskini de artırır.

Top k örnekleme

Top k örnekleme, modelin seçimini metin oluşturmada sonraki adım için k en yüksek olasılıklı token ile sınırlar. Aday kümesini daraltarak, bu parametre doğrudan öngörülebilirliği ve çeşitliliği etkiler.

• Daha düşük top-k değerleri, seçimi yüksek olasılıklı tokenların küçük bir kümesiyle sınırlar, daha öngörülebilir ve odaklanmış çıktılar üretir.
• Daha yüksek değerler, aday havuzunu genişletir, değişkenliği artırır ve daha çeşitli dil desteği sağlar.

Top-p örnekleme olasılık kütlesine göre dinamik olarak uyum sağlarken, top-k örnekleme sabit bir kesme noktası kullanır. İki, belirli görevler için optimal ayarları belirlemek için model değerlendirmesi sırasında sık sık karşılaştırılır.

Max token'lar (Token sayısı)

max_tokens parametresi, modelin tek bir yanıtta oluşturabileceği maksimum token sayısını tanımlar. Doğrudan çıktı uzunluğunu belirler ve hesaplama maliyetini etkiler.

• Daha düşük maksimum değerler öz yanıtları zorlar ancak önemli ayrıntıları kesebilir.
• Daha yüksek değerler daha ayrıntılı açıklamalara izin verir ancak daha fazla hesaplama kaynağı gerektirir ve çıkarım süresini artırır.

Maksimum token sayısı, hem girdi verilerini hem de oluşturulan çıktıyı içeren bağlam penceresi ile sınırlıdır. Toplam token sayısı modelin token limitini aşarsa, max token ayarından bağımsız olarak oluşturma durur.

Frekans cezası parametresi

Frekans cezası, tokenların oluşturulan metinde ne sıklıkla göründüğüne bağlı olarak tokenların olasılığını ayarlar.

• Pozitif değerler, tekrarı azaltır, daha uzun yanıtlarda çıktı kalitesini iyileştirir.
• Negatif değerler, tutarlı terminoloji gerektiren belgeler için yardımcı olabilecek yeniden kullanımı teşvik eder.

Aşırı yüksek cezalar tutarlılığı bozabilir, çünkü doğal tekrar genellikle insan benzeri metin için gereklidir. Bu parametre, uzun metin oluşturma için model performansını optimize ederken en etkilidir.

Varlık cezası

Varlık cezası, en az bir kez görünen tokenların olasılığını azaltır, frekanstan bağımsız olarak. Bu, modelin yeni fikirler sunmasını teşvik eder.

• Pozitif değerler, beyin fırtınası ve yaratıcı yazımda yardımcı olan yeniliği ve keşfi teşvik eder.
• Negatif değerler, mevcut terimleri pekiştirir, bu da yapılandırılmış veya kısıtlanmış çıktılarda yardımcı olabilir.

Varlık cezası, fikir çeşitliliğini yönlendirmek için değerli bir kontrolüdür, ancak anahtar terimlerin doğal olmayan kaçınmasını önlemek için dikkatli uygulanmalıdır.

Durma dizeleri

Durma dizeleri, modelin oluşturmayı durdurması için belirli tokenları veya dizeleri tanımlar. Yapılandırılmış uygulamalarda yaygın olarak kullanılırlar.

• Diyalog sistemlerinde veya kod oluşturmada şablonları zorlamak için yararlıdır.
• Çıktı uzunluğunu kontrol etmeye ve alakasız devam etmelerini önlemeye yardımcı olur.

Durma dizeleri, yalnızca token sınırlarına güvenmeden oluşturulan metin çıktılarında öngörülebilirliği artırır.

Seed ve determinizm

Bazı sistemler, kullanıcıların aynı girdi verileri ve parametre ayarlarının aynı oluşturulan çıktıyı üretmesini sağlayan rastgele bir seed belirtmelerine izin verir.

• Model değerlendirmesi ve test için yararlıdır.
• Rastgele varyasyonun sonuçları etkilemeden farklı parametre yapılandırmalarını karşılaştırmaya yardımcı olur.

Deterministik oluşturma tekrarlanabilirliği destekler, ancak kesin çıktılar farklı AI modelleri veya dağıtım ortamları arasında hala değişebilir.

Temel parametreler arasındaki farklar

Temel parametrelerin nasıl farklılaştığını anlamak, LLM parametrelerini optimal sonuçlar için ayarlarken yardımcı olur.

• Frekans cezası ile varlık cezası: Frekans cezası bir tokenın ne sıklıkla göründüğüne göre ölçeklenirken, varlık cezası bir token ilk göründükten sonra bir kez uygulanır.
• Top k ile top p örnekleme: Top k seçimi sabit bir token sayısıyla sınırlar, top p ise kümülatif olasılığa göre tokenları dinamik olarak seçer.
• Max token'lar ile bağlam penceresi: Max token'lar çıktı uzunluğunu sınırlar, bağlam penceresi ise hem girdi hem de çıktı tokenlarını kapsayan sabit bir üst sınırdır.

Bu parametrelerin dikkatli ayarlanması, uygulayıcıların geri alım artırılmış oluşturma, analitik görevler ve açık uçlu metin oluşturma gibi uygulamalarda çıktı kalitesi, hesaplama verimliliği ve LLM performansı arasında denge kurmalarına olanak tanır.

Bu araştırmayı kaynak gösterin

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

@misc{ermut2026,
  author = {Ermut, Sıla and Alper, Şevval},
  title  = {{LLM Parametreleri: GPT-5 Yüksek, Orta, Düşük ve Minimal}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-parameters}},
  note   = {AIMultiple. Erişim tarihi: 26 Haziran 2026}
}

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da e-posta pazarlama ve satış videoları üzerine odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Şevval Alper

Yapay Zeka Araştırmacısı

Takip Et

Şevval, AIMultiple'da yapay zeka kodlama araçları, yapay zeka ajanları ve kuantum teknolojileri konusunda uzmanlaşmış bir sektör analistidir.

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