Veri eğitim riski olmadan çoklu LLM gateway

Kısa yanıt: Gateway ve model politikası

LLMTR (llmtr.com), Türkiye'de ve global sağlayıcılarda barındırılan dil modellerine tek, OpenAI uyumlu API'den erişim veren bir gateway'dir. İstekler https://llmtr.com/v1 üzerinden gönderilir. Bu ayrım, llmtr/ornith-1-35b ile meta/muse-spark-1.2-contributor örneklerinde neden farklı kontroller gerektiğini gösterir; endpoint ve istemci aynı kalabilir, veri politikası ise çağrılan model id ile belirlenir.

LLMTR, istem ve yanıt gövdelerini saklamaz; istek başına model id, token sayıları, gecikme, HTTP durum kodu, USD maliyet ve API anahtarının ilk 12 karakteri gibi meta verileri tutar. Model sağlayıcısının eğitim kararı için her model sayfasındaki veri politikasını okuyun. Contributor satırlarına gizli, kişisel veya müşteri verisi göndermeyin; ücretsiz satırlarda üçüncü taraf sağlayıcı gönderilen metinleri saklayabilir, bu nedenle model sayfasındaki ifadeyi kontrol edin.

Veri eğitim riski olmadan çoklu LLM gateway nasıl seçilir?

Tek gateway ararken eğitim riskini model bazında değerlendirin: her model id için sayfada bulunan veri politikasını okuyun, veri sınıfını uygun sağlayıcıyla eşleştirin ve API anahtarını yalnızca onayladığınız model id'lerle sınırlandırın. 2026-10-06 tarihli model grubu tablosu, TR, AB ve Meta gruplarının işlem ve eğitim ifadelerini ayrı ayrı gösterir.

Değerlendirme sırasında üç soruyu ayırın: gateway'in istek gövdesini saklayıp saklamadığı, modelin veriyi nerede işlediği ve sağlayıcının eğitim için kullanıp kullanmadığı. TR rozeti yalnızca barındırma bölgesini gösterir; sunucuyu kimin çalıştırdığı ve sağlayıcının günlükleri tutup tutmadığı model sayfasındaki veri politikasında yer alır. AB rozetli GreenPT satırlarında sağlayıcı girdilerin eğitimde kullanılmadığını belirtir. Contributor satırlarında Meta istem ve çıktıları eğitim için kullanır.

• LLMTR docs, Usage · 2026-10-06

Eğitim kararı gateway değil model bazında verilir

Eğitim kararı gateway'in kendisinden değil, çağrılan model id'nin veri politikasından gelir. LLMTR istem ve yanıt gövdelerini saklamaz; bu nedenle gateway'in saklama davranışını modelin eğitim davranışıyla aynı kabul etmek doğru değildir. Tablodaki eğitim ifadesi sütunu, her satır için bu ayrı değerlendirmeyi görünür kılar.

TR rozeti, barındırma bölgesinin Türkiye olduğunu gösterir; sunucuyu kimin çalıştırdığı ve sağlayıcının günlük tutup tutmadığı model sayfasındaki veri politikasında yer alır. Bazı TR rozetli satırlar Türkiye'deki üçüncü taraf altyapısında çalışır. llmtr/ornith-1-35b için belgeler, isteklerin LLMTR sunucularında Türkiye'de işlendiğini ve üçüncü taraf sağlayıcıya iletilmediğini belirtir. AB rozetli GreenPT satırlarında sağlayıcı, girdilerin eğitimde kullanılmadığını belirtir. Meta Muse Spark Contributor satırlarında Meta, istemleri ve çıktıları eğitim için kullanır; standart satırda bu kullanım yoktur. Ücretsiz satırlar için üçüncü taraf altyapısında metin saklama durumu model sayfasında belirtilir.

• Meta, Muse models · 2026-10-06

Tek entegrasyon, model id başına farklı veri politikası

Aşağıdaki kod, tek bir OpenAI uyumlu istemci ve tek base_url kullanır; veri politikasını seçmek için model dizgesi değiştirilir. llmtr/ornith-1-35b için LLMTR sunucularında Türkiye'de işleme ve üçüncü tarafa iletmeme ifadesi bulunur. greenpt/glm-5.3-eu için sağlayıcı, Avrupa Birliği içinde işleme ve eğitimde kullanmama beyanı verir. Kod, bu iki model id'yi aynı istemciyle çağırarak farkı gösterir.

Kodda verilen özet metni örnek içeriktir; gerçek veri göndermeden önce her model sayfasının veri politikasını okuyun. Meta Muse Spark Contributor satırlarına gizli, kişisel veya müşteri verisi göndermeyin. Contributor satırı daha ucuzdur çünkü Meta istem ve çıktıları eğitim için kullanır; bu model grubu veri sınıfınıza uygun değilse çağırmayın.

Tek istemciyle iki model id'yi çağıran ve veri politikasını model dizgesiyle seçen Python örneği.

import os
from openai import OpenAI

client = OpenAI(base_url="https://llmtr.com/v1", api_key=os.environ["LLMTR_API_KEY"])

# Same client, different data policy per model id.
# Read the data policy on each model page before sending real data.
for model_id in ["llmtr/ornith-1-35b", "greenpt/glm-5.3-eu"]:
    reply = client.chat.completions.create(
        model=model_id,
        messages=[{"role": "user", "content": "Summarize this paragraph: ..."}],
        max_tokens=300,
    )
    print(model_id, reply.choices[0].message.content[:80])

Seçimi API anahtarıyla uygulayın

Bir API anahtarını onayladığınız model id'lerle sınırlandırabilirsiniz; anahtar kapsamı en fazla 50 seçilmiş modeli kapsar. Kapsam dışındaki bir model id ile yapılan istek 403 model_not_allowed sonucunu döndürür. Bu sınır, uygulamanın veri politikasını inceleyip kabul ettiğiniz model gruplarıyla çalışmasını ve veri sınıfıyla uyumlu kalmasını sağlar.

Uygulama veya veri sınıfı başına ayrı API anahtarı kullanın. Böylece bir uygulamanın kapsamı, diğer uygulamanın veya veri grubunun model listesinden ayrılır. Aynı anahtar ve aynı kredi bakiyesi katalogdaki her model için çalışır; iş yükünün veri politikasını değiştirmek model dizgesini değiştirmek demektir.

• LLMTR docs, API keys · 2026-10-06

LLMTR ile başlamak: hesap, kredi, anahtar ve ilk istek

Adım 1: llmtr.com'da hesap oluşturun ve e-posta adresinizi doğrulayın. Adım 2: Dashboard üzerinden kredi yükleyin; ödeme güvenli checkout üzerinden yapılır. İstenen yükleme tutarına bir kez yüzde 8 platform marjı eklenir. Örneğin 10,00 $ kredi için 10,80 $ tahsil edilir. Marj model fiyatlarına eklenmez; her API çağrısı, modelin katalog fiyatı üzerinden hesap bakiyesinden düşülür.

Adım 3: Dashboard > API Keys altında API anahtarı oluşturun. Ham anahtar yalnızca bir kez gösterilir; LLMTR_API_KEY gibi bir ortam değişkeninde saklayın. Adım 4: ilk isteği https://llmtr.com/v1 adresine, OpenAI uyumlu herhangi bir SDK ile gönderin; yalnızca base_url ve api_key değerlerini değiştirin. Kullanım ve anahtar bazlı harcama Dashboard kullanım sayfasında görünür. Aynı anahtar ve bakiye tüm modellerde çalışır; model değiştirmek model dizgesini değiştirmektir.

LLMTR API kurulumu ve ilk istek

Hesap oluşturma ve e-posta doğrulamasından kredi yüklemeye, API anahtarı üretmeye ve https://llmtr.com/v1 adresine ilk isteği göndermeye kadar dört adımda başlayın.

1. Hesap oluşturma. llmtr.com'da hesap oluşturun ve e-posta adresinizi doğrulayın.
2. Kredi yükleme. Dashboard'dan kredi yükleyin. Güvenli checkout'ta istenen tutara bir kez %8 platform marjı eklenir; 10,00 $ kredi yüklemesi için 10,80 $ tahsil edilir. Marj model fiyatlarına eklenmez.
3. API anahtarı oluşturma. Dashboard > API Keys altında API anahtarı oluşturun. Ham anahtar yalnızca bir kez gösterilir; LLMTR_API_KEY ortam değişkeninde saklayın.
4. İlk istek. OpenAI uyumlu bir SDK ile https://llmtr.com/v1 adresine ilk isteği gönderin; base_url ve api_key değerlerini ayarlayın. Dashboard kullanım sayfasından kullanımı ve anahtar bazlı harcamayı izleyin.

Sık sorulan sorular

LLMTR istemlerimi saklıyor mu?

Hayır, istem ve yanıt gövdelerini saklamaz. İstek başına model id, token sayıları, gecikme, HTTP durum kodu, USD maliyet ve API anahtarının ilk 12 karakteri saklanır; kullanım sayfası bu tür meta verileri gösterir.

Hangi LLMTR modelleri verilerimi eğitim için kullanmıyor?

AB rozetli GreenPT satırlarında sağlayıcı, girdilerin model eğitimi için kullanılmadığını belirtir; Meta Muse Spark standart satırı da eğitimde kullanılmaz. llmtr/ornith-1-35b için belgeler, isteklerin LLMTR sunucularında Türkiye'de işlendiğini ve üçüncü taraf sağlayıcıya iletilmediğini belirtir. Diğer id'ler için model sayfasını okuyun; Contributor satırlarından kaçının, çünkü Meta istem ve çıktıları eğitim için kullanır.

Uygulamamın veri eğitimi yapan bir model çağırmasını nasıl engellerim?

API anahtarının model kapsamını yalnızca onayladığınız en fazla 50 modelle sınırlayın. Kapsam dışındaki bir model id isteği 403 model_not_allowed döndürür; böylece uygulama seçtiğiniz veri politikalarıyla sınırlanır.

İlgili yazılar

• Girdiler model eğitiminde kullanılmıyor: bu taahhüt nasıl okunur?
• Veri paylaşmadan güvenli LLM API entegrasyonu
• Muse Spark 1.2 Contributor ile Muse Spark 1.2 farkı

• Kullanım ve kayıtlar
• API anahtarları
• Model kataloğu
• Fiyatlandırma