---
title: "Göndermeden önce token sayma: tahmin, pay ve diller | BroadRouter"
description: "LLM API'sini çağırmadan önce istem token'larını dile ve modele göre tahmin edin: tokenizer farkları, beş dilde ölçümler ve güvenli max_tokens payları."
url: https://broadrouter.com/tr/blog/count-tokens-before-sending/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/count-tokens-before-sending/) (güncelleme: 2026-11-16).

# LLM isteği göndermeden önce token sayısı nasıl hesaplanır?

BroadNet Inference ekibi · 5 dk okuma · Yayımlandı 2026-11-14 · Güncellendi 2026-11-16

Çağırdığınız modelin tokenizer'ı herkese açıksa token'ları onunla sayın; değilse gerçek isteklerin usage alanından dile ve içerik türüne göre karakter/token oranı çıkarın. %10 ile %20 pay ekleyin, ardından istem token'ları ile max\_tokens toplamının bağlam penceresine sığdığını kontrol edin; düşünen modellerde akıl yürütme token'larına yer bırakın.

## Öne çıkanlar

-   Tokenizer'lar modele göre değişir. Testimizde aynı Arapça cümle cl100k\_base ile 102, o200k\_base ile 46, açık modellerin tokenizer'larında ise 48 ile 58 token tuttu.
-   Bu kısa testte İngilizce düz metin her tokenizer'da token başına yaklaşık 4,5 karakterdi; kod, JSON ve Latin dışı yazıların çoğu karakter başına daha fazla token kullanır.
-   Bir modelin tokenizer'ı herkese açık değilse kalibre edin: örnekler gönderin, usage.prompt\_tokens değerini okuyun ve dile ve içerik türüne göre bir oran saklayın.
-   Bağlam penceresi istemi ve çıktıyı birlikte kapsar. Bütçeyi hiçbir zaman yalnızca isteme göre değil, istem + max\_tokens + pay olarak hesaplayın.
-   Akıl yürüten modellerde düşünme max\_tokens'tan düşülür; BroadNet en az 1.000 veya reasoning\_effort low öneriyor.

**Bu sayfada**

1.  Token sayıları modelden modele neden farklı?
2.  Token’lar tam olarak nasıl sayılır?
3.  Tokenizer herkese açık değilse token’lar nasıl tahmin edilir?
4.  max\_tokens ve bağlam için hangi payları kullanmalısınız?
5.  Token tahminlerinde neler ters gider?
6.  BroadNet Inference’ın yeri

Bir isteği göndermeden önce [token](https://broadrouter.com/tr/glossary/token/) sayısını bilmeniz üç nedenle gerekir: [bağlam penceresinin](https://broadrouter.com/tr/glossary/context-window/) içinde kalmak, makul bir [max\_tokens](https://broadrouter.com/tr/glossary/max-tokens/) değeri seçmek ve maliyeti tahmin etmek. Kesin sayıyı yalnızca modelin kendi tokenizer’ı verir. İyi tahminler ise kalibrasyondan gelir. Bu yazı ikisini de gerçek ölçümlerle gösteriyor.

## Token sayıları modelden modele neden farklı?

Tokenizer, metni sabit bir sözlükten alınan parçalara böler. Her model ailesi kendi tokenizer’ını eğitir. Daha büyük bir sözlük ya da belirli bir dilde daha fazla veriyle eğitilmiş bir sözlük, o dil için daha az token üretir. Dolayısıyla “bu istem kaç token” sorusunun yanıtı her modelde farklıdır.

Dört dile çevrilmiş aynı kısa müşteri hizmetleri mesajını, küçük bir Python fonksiyonunu ve bir fatura JSON nesnesini ölçtük. OpenAI sayımları [tiktoken](https://github.com/openai/tiktoken) ile yapıldı (GPT-4 dönemine ait `cl100k_base` ve GPT-4o dönemine ait `o200k_base`). Açık model sayımları, her ailenin Hugging Face’te yayımladığı tokenizer dosyalarıyla, sohbet şablonu olmadan, 14 Kasım 2026’da yapıldı.

| Metin (aynı anlam) | Karakter | cl100k\_base | o200k\_base | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B | Gemma 4 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| İngilizce, 31 kelime | 173 | 37 | 37 | 37 | 38 | 39 | 39 |
| İspanyolca | 160 | 47 | 40 | 50 | 45 | 43 | 42 |
| Arapça | 142 | 102 | 46 | 55 | 58 | 48 | 49 |
| Çince | 54 | 51 | 37 | 34 | 35 | 36 | 38 |
| Python fonksiyonu | 94 | 33 | 33 | 35 | 33 | 35 | 38 |
| Fatura JSON’u | 140 | 59 | 60 | 63 | 60 | 72 | 72 |

Her satır tek bir örnek; bu yüzden sayıları bir kıyaslama (benchmark) değil, bir örnek olarak görün. Yine de üç ders geçerli. Tokenizer kuşağı önemlidir: Arapça metin `cl100k_base`’den `o200k_base`’e geçince yarıdan fazla küçüldü. Açık modeller de birbirinden farklıdır: aynı Arapça metin 48 ile 58 token, JSON ise 60 ile 72 token arasında değişti. Yapılandırılmış içerik de her yerde token yoğundur: JSON her tokenizer’da token başına yaklaşık 2 karakterdi.

Bunu kendi metninizle ücretsiz [token sayacında](https://broadrouter.com/tools/token-counter/) ya da [DeepSeek](https://broadrouter.com/tools/deepseek-token-counter/), [Qwen](https://broadrouter.com/tools/qwen-token-counter/) ve [GPT](https://broadrouter.com/tools/gpt-token-counter/) için aileye özel sayaçlarda tekrarlayabilirsiniz. Bir istemde yaptığınız düzenlemenin ne kazandırdığını görmek için iki sürümü [istem token farkı](https://broadrouter.com/tools/prompt-token-diff/) aracında karşılaştırın. Özellikle Arapçanın neden daha fazla token tuttuğu, daha uzun metinlerle ölçülerek [Arapça ve İngilizcede kelime başına token](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/) yazısında ele alınıyor.

## Token’lar tam olarak nasıl sayılır?

Modelin tokenizer’ı herkese açıksa yükleyin ve yerelde sayın. OpenAI modelleri için:

```python
import tiktoken
enc = tiktoken.encoding_for_model("gpt-4o")
n = len(enc.encode(text))
```

Açık ağırlıklı ailelerde tokenizer genellikle Hugging Face’te modelle birlikte gelir ve `AutoTokenizer.from_pretrained(...)` ile yüklenir. İki uyarı var: sohbet şablonu roller ve ayırıcılar için token ekler, ayrıca bir API sağlayıcısının kullandığı sürüm herkese açık dosyalardan farklı olabilir. BroadNet’in API referansı bir token sayma uç noktası veya her modelin tokenizer’ını belgelemiyor; bu yüzden herkese açık tokenizer yakın bir tahmin verir, kesin sayı ise çağrıdan sonra `usage.prompt_tokens` değeridir.

## Tokenizer herkese açık değilse token’lar nasıl tahmin edilir?

Her model için bir kez kalibre edin, sonra yerelde tahmin edin:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def prompt_tokens(model, text):
    r = client.chat.completions.create(
        model=model, max_tokens=1000,  # room for reasoning on thinking models
        messages=[{"role": "user", "content": text}],
    )
    return r.usage.prompt_tokens

def measure(model, samples: dict[str, list[str]]):
    base = prompt_tokens(model, "hi")  # chat-template overhead plus one short word
    ratios = {}
    for kind, texts in samples.items():
        chars = toks = 0
        for t in texts:
            chars += len(t)
            toks += prompt_tokens(model, t) - base
        ratios[kind] = chars / toks
    return ratios  # e.g. {"english": 4.1, "arabic": 2.9, "json": 2.3}

def estimate(text, kind, ratios, overhead=10):
    return int(len(text) / ratios[kind]) + overhead
```

İçerik türü başına 20 veya daha fazla gerçek örnek kullanın (lorem ipsum değil, gerçek istemleriniz). Tek kelimelik temel istek, sohbet şablonunun sabit ek yükünü ayıklar; `estimate` bunu `overhead` olarak geri ekler, bu değeri ölçtüğünüz temel değere ayarlayın. BroadNet’in en ucuz modeliyle kalibre etmeyi yalnızca çağıracağınız model oysa yapın: [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) oranları [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) modeline aktarılmaz. Görseller de girdi token’ı olarak faturalandırılır ve büyük görseller daha fazla token kullanır; bu yüzden onları çözünürlüğe göre ayrıca kalibre edin.

## max\_tokens ve bağlam için hangi payları kullanmalısınız?

Pencere istemi **ve** çıktıyı kapsar. Akıl yürüten modellerde çıktı, [akıl yürütme token’ları](https://broadrouter.com/tr/glossary/reasoning-tokens/) olarak raporlanan gizli düşünmeyi de içerir. Bütçeyi şöyle kurun:

1.  **İstem tahmini** = kalibre edilmiş sayı × 1,15 (%15 güvenlik payı).
2.  **Yanıt bütçesi** = kabul ettiğiniz en uzun yanıt.
3.  **Akıl yürütme bütçesi** = düşünen modeller için en az 1.000 token; BroadNet’in belgeleri en az 1.000 veya `reasoning_effort: "low"` öneriyor, çünkü küçük bir sınır boş yanıt döndürebilir.
4.  **max\_tokens** = yanıt bütçesi + akıl yürütme bütçesi.
5.  **Kontrol**: istem tahmini + max\_tokens ≤ bağlam penceresi. Sığmıyorsa yanıtı değil, istemi kısaltın.

Yayımlanan fiyat dosyasına göre BroadNet Inference’taki bağlam pencereleri:

| Model | Bağlam penceresi | 16K çıktı ve %15 payla pratik istem tavanı |
| --- | --- | --- |
| DeepSeek V4.1 Flash | 1.048.576 | yaklaşık 897.000 |
| [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) | 1.048.576 | yaklaşık 897.000 |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | 262.144 | yaklaşık 213.000 |
| Gemma 4 VL 26B | 32.768 | yaklaşık 14.000 |

Tavan sütunu (pencere − 16.384) ÷ 1,15 formülüyle hesaplanıp aşağı yuvarlandı. 16.384 yerine kendi max\_tokens değerinizi koyun.

## Token tahminlerinde neler ters gider?

-   **Token yerine kelime saymak.** Token başına 0,75 kelime kuralı İngilizce içindir. 29 kelimelik Arapça örneğimiz tokenizer’a göre 46 ile 102 token arasında tuttu.
-   **Araçları ve sistem istemini unutmak.** Araç şemaları JSON’dur ve JSON token yoğundur. Onları istemin parçası olarak sayın.
-   **Sessiz kırpma olacağını varsaymak.** Bazı araçlar eski mesajları size haber vermeden atar. BroadNet bağlamınızı kırpmadığını söylüyor; bu yüzden sunucunun kesmesine güvenmek yerine göndermeden önce boyutu kontrol edin. [Bağlam penceresi hesaplayıcısı](https://broadrouter.com/tools/context-window-calculator/) bu kontrolü sizin için yapar.
-   **Geçmişin büyümesini göz ardı etmek.** Bir sohbet veya ajan döngüsünde istem her turda büyür. Bütçeyi oturum başına bir kez değil, her çağrıda yeniden kontrol edin. Sabit bir geçmiş önbelleğe de daha iyi alınır; bkz. [önbellekleme için istem yapısı](https://broadrouter.com/tr/blog/prompt-structure-for-caching/).

Arapça çalışıyorsanız tokenizer, modelleri kendi metninizle test etmeniz için bir neden daha; gerisini [Arapça için LLM seçimi](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/) yazısı ele alıyor. Token sayılarını aylık faturaya çevirmek için [lansmandan önce LLM API maliyetini tahmin etme](https://broadrouter.com/tr/blog/estimate-llm-api-cost-before-launch/) yazısına bakın.

## BroadNet Inference’ın yeri

BroadNet Inference her yanıtta `prompt_tokens`, `completion_tokens` ve model raporladığında önbellekli ve akıl yürütme token sayılarını döndürür; kalibrasyon için ihtiyacınız olan her şey bu. Bir sayma uç noktası veya modele özel tokenizer’lar yayımlamıyor; bu yüzden gönderim öncesi sayımlar tahmindir. 1M token’lık modellerde uzun bağlamla çalışma [bağlam penceresi rehberinde](https://broadrouter.com/tr/blog/million-token-context-window-guide/), 1M token başına fiyatlar ise [fiyatlandırma sayfasında](https://broadrouter.com/tr/pricing/) yer alıyor.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Tokenizer](https://broadrouter.com/tr/glossary/tokenizer/)

Tokenizer, metni bir dil modelinin okuduğu tam sayı token kimlikleri dizisine dönüştüren ve üretilen kimlikleri tekrar metne çeviren bileşendir. Her model kendi tokenizer'ıyla gelir; bu yüzden aynı metin farklı modellerde farklı sayıda token üretebilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[max\_tokens](https://broadrouter.com/tr/glossary/max-tokens/)

max\_tokens, bir modelin tek bir yanıtta üretebileceği en yüksek token sayısını belirleyen bir LLM API parametresidir. Üretim bu sınıra ulaştığında durur ve yanıt kesilmiş olarak işaretlenir; örneğin finish\_reason değeri "length" olur.

[Bağlam penceresi (context window)](https://broadrouter.com/tr/glossary/context-window/)

Bağlam penceresi, bir dil modelinin tek bir istekte işleyebileceği en fazla token sayısıdır. Sistem istemini, konuşma geçmişini, araç tanımlarını, görselleri ve akıl yürütme token'ları dahil üretilen çıktıyı kapsar. Sığmayan her şey kesilmeli, özetlenmeli veya birden fazla isteğe bölünmelidir.

[Sohbet şablonu (chat template)](https://broadrouter.com/tr/glossary/chat-template/)

Sohbet şablonu (chat template), genellikle Jinja ile yazılan ve modelin tokenizer'ıyla birlikte gelen, rollere sahip sohbet mesajlarından oluşan bir listeyi modelin beklediği tek token dizisine, özel kontrol token'larıyla birlikte dönüştüren biçimlendirme kuralıdır. Yanlış şablon, modelin cevaplarını ciddi biçimde bozabilir.

[Açık ağırlıklı model (open-weight model)](https://broadrouter.com/tr/glossary/open-weight-model/)

Açık ağırlıklı model (open-weight model), eğitilmiş ağırlıkları herkesin indirip çalıştırabileceği şekilde, genellikle koşullar içeren bir lisansla yayımlanan bir makine öğrenimi modelidir. Eğitim kodunu ve eğitim verileri hakkında ayrıntılı bilgiyi de yayımlayan, böylece başkalarının modeli incelemesine ve yeniden üretmesine imkân veren tam açık kaynak yapay zekadan farklıdır.

[Akıl yürütme token'ları (reasoning tokens)](https://broadrouter.com/tr/glossary/reasoning-tokens/)

Akıl yürütme token'ları, bir akıl yürütme modelinin görünür yanıtını yazmadan önce problemi çözmek için ürettiği token'lardır. Genellikle çıktı token'ı olarak faturalandırılır, çıktı sınırına ve bağlam penceresine sayılır; API tarafından gizlenebilir veya özetlenebilir.

## Sık sorulan sorular

### Bir kelime kaç token eder?

BroadRouter'ın beş tokenizer'ı (dört BroadNet sohbet modelininkiler ve OpenAI'ın o200k\_base'i; yazıdaki örnek tablo cl100k\_base'i de ekliyor) bir araya getiren tokenizer veri setinde 1.000 İngilizce kelime yaklaşık 1,290 token, yani kelime başına yaklaşık 1.29 token ediyor. Yaygın pratik kural olan token başına 0,75 kelime, İngilizce düz metin için buna yakındır. Arapça, diğer Latin dışı yazılar ve kod kelime başına daha fazla token kullanır. Kendi metninizi çağırdığınız modelle ölçün.

### DeepSeek, Qwen veya Gemma için token saymada tiktoken kullanabilir miyim?

Yalnızca kaba bir tahmin için. tiktoken, OpenAI kodlamalarını uygular. Diğer model aileleri kendi tokenizer'larını yayımlar (çoğu zaman Hugging Face'te) ve sayımlar farklıdır. usage alanına göre kalibre edin.

### DeepSeek, Qwen, GLM veya Gemma için ücretsiz bir token sayma aracı var mı?

Evet. BroadRouter'ın ücretsiz token sayacı, bu model ailelerinin yayımlanmış tokenizer'larını tarayıcınızda çalıştırır; metin bilgisayarınızdan çıkmaz. Sohbet şablonları birkaç token eklediği için sonucu API'nin raporlayacağı sayının bir tahmini olarak görün.

### İstemim bağlam penceresinden uzunsa ne olur?

Çoğu API hata döndürür. Bazı araçlar eski mesajları sessizce kırpar. BroadNet bağlamınızı kırpmaz; bu yüzden göndermeden önce istem ile max\_tokens toplamını pencereye göre kontrol edin.

### max\_tokens için ne kadar pay bırakmalıyım?

Beklediğiniz en uzun yanıtı tahmin edin, düşünen modeller için akıl yürütme bütçesini ekleyin ve tahmin hatalarına karşı pencerenin %10 ile %20'sini boş tutun.

## Okumaya devam edin

-   [Arapça ve İngilizcede kelime başına token: Arapça neden pahalı?](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/)
-   [1M token'lık bağlam penceresi ne zaman değer (ve ne zaman değmez)?](https://broadrouter.com/tr/blog/million-token-context-window-guide/)
-   [Bir özelliği yayına almadan önce LLM API maliyeti nasıl hesaplanır](https://broadrouter.com/tr/blog/estimate-llm-api-cost-before-launch/)
-   [Önek önbelleğe alınsın diye istem nasıl yapılandırılır?](https://broadrouter.com/tr/blog/prompt-structure-for-caching/)
-   [İstem token sayısını azaltma: istem, araç ve veride ölçülen kazanç](https://broadrouter.com/tr/blog/reduce-prompt-tokens/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-count-tokens-before-sending&utm_content=page-cta) ·

**Kaynaklar**

-   [tiktoken README, kodlamalar ve token başına yaklaşık 4 bayt (2026-11-14 tarihinde erişildi)](https://github.com/openai/tiktoken)
-   [BroadNet Inference API referansı, max\_tokens ve akıl yürütme (2026-11-14 tarihinde erişildi) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-count-tokens-before-sending&utm_content=sources)
-   [BroadNet Inference makine tarafından okunabilir fiyatlar ve bağlam uzunlukları (pricing.json, 2026-11-14 tarihinde erişildi) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-count-tokens-before-sending&utm_content=sources)
-   [Hugging Face Transformers, tokenizer belgeleri (2026-11-14 tarihinde erişildi)](https://huggingface.co/docs/transformers/main_classes/tokenizer)
