Model karşılaştırma · 2026-09-22

Türkçe embedding modelleri karşılaştırma: RAG ve arama için seçim

Türkçe metinlerle çalışan RAG ve arama sistemleri için embedding modeli seçerken boyut, bağlam uzunluğu, çok dillilik ve maliyeti kendi verinizle nasıl test edeceğinizi anlatır.

Türkçe belge kümesinin embedding modeli üzerinden vektöre dönüştürülüp arama ve yeniden sıralama adımlarından geçtiğini gösteren RAG hattı şeması.

Sohbet modeli karşılaştırması ile aynı soru değil

Türkçe LLM modelleri karşılaştırma rehberinde ele alınan kriterler, üretilen metnin kalitesine bakar. Embedding modeli seçiminde ise ölçülen şey farklıdır: aynı anlama gelen iki Türkçe cümlenin vektör uzayında ne kadar yakın durduğu ve alakasız bir cümleden ne kadar uzaklaştığı önemlidir. Üretim kalitesi yüksek bir sohbet modeli, iyi bir embedding modeli olmak zorunda değildir; ikisi ayrı bir eğitim hedefine sahiptir.

Bu yüzden RAG hattı kuran bir ekip, sohbet modelini ve embedding modelini birbirinden bağımsız iki karar olarak değerlendirmelidir; ikisinin aynı sağlayıcıdan gelmesi zorunlu değildir.

Kontrol edilecek dört başlık

Vektör boyutu (dimension) doğrudan depolama ve arama maliyetini etkiler; daha büyük boyut genellikle daha ayrıntılı temsil demektir ama vektör veritabanı maliyeti de artar. Bağlam uzunluğu, tek bir embedding çağrısına ne kadar metin sığdırabileceğinizi belirler; uzun belgeleri parçalara ayırma (chunking) stratejinizi bu sınıra göre kurarsınız.

Çok dillilik, karma içerikli (Türkçe-İngilizce bir arada) belge kümeleri için önemlidir; yalnızca Türkçe için eğitilmiş bir model, İngilizce terim geçen teknik dokümanlarda beklenmedik şekilde zayıf kalabilir. Maliyet ise milyon token başına fiyatla, ilk yükleme (indexing) aşamasında toplam belge hacmiyle çarpılarak hesaplanmalıdır; embedding maliyeti genellikle tek seferlik yükleme ile devam eden sorgu hacminin toplamıdır.

  • Vektör boyutu: depolama ve arama maliyetini etkiler.
  • Bağlam uzunluğu: chunking stratejinizin üst sınırını belirler.
  • Çok dillilik: karma Türkçe-İngilizce içerikte fark yaratır.
  • Maliyet: yükleme hacmi ile sorgu hacmini ayrı ayrı hesaba katın.

Kendi verinizle ölçmeden karar vermeyin

Genel amaçlı bir benchmark skoru, sizin belge kümenizdeki gerçek performansı garanti etmez. Küçük bir örnek sorgu-cevap seti hazırlayıp (örneğin 30-50 gerçek kullanıcı sorusu ve doğru belge eşleşmesi), adayları bu set üzerinde recall@k gibi basit bir metrikle karşılaştırmak, genel skorlara güvenmekten daha güvenilir bir seçim yöntemidir. Bir rerank adımı eklemek, embedding aramasının ilk sonuçlarını yeniden sıralayarak isabet oranını genellikle artırır.

Sık sorulan sorular

Sohbet modelinde iyi sonuç veren bir sağlayıcının embedding modelini de mi seçmeliyim?

Zorunlu değil. Embedding kalitesi ayrı bir değerlendirme gerektirir; sohbet modeli ve embedding modelini farklı sağlayıcılardan seçmek, tek API üzerinden erişim sağlandığı sürece teknik bir sorun oluşturmaz.

Rerank adımı embedding aramasının yerini alır mı?

Hayır, tamamlar. Embedding araması geniş bir aday kümesini hızlıca daraltır; rerank bu adayları daha ayrıntılı bir modelle yeniden sıralayarak en alakalı sonuçları öne çıkarır. İkisi birlikte kullanılır.

İlgili yazılar