---
title: "Kelime başına token: Arapça ve İngilizce, nasıl ölçülür"
description: "Arapça aynı anlam için neden çoğu zaman İngilizceden fazla LLM token'ı kullanır, kelime başına token neden yanıltır; usage alanından oranınızı ölçen bir betik."
url: https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/
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/tokens-per-word-arabic-english/) (güncelleme: 2026-11-16).

# Arapça ve İngilizcede kelime başına token: Arapça neden pahalı?

BroadNet Inference ekibi · 6 dk okuma · Yayımlandı 2026-11-14 · Güncellendi 2026-11-16

Tek bir rakam yok: her modelin tokenizer'ına bağlı. BroadRouter'ın ölçülmüş veri setinde aynı Modern Standart Arapça metin, İngilizce çevirisinin 1.31× (Qwen3.8 27B) ile 1.77× (GLM 5.3) katı token gerektiriyor; 1.000 kelimelik İngilizce düzyazı ise ortalama yaklaşık 1,290 token ediyor. Kendi oranınızı usage.prompt\_tokens ile ölçün.

## Öne çıkanlar

-   Kelime başına token, yalnızca dilin değil, her modelin tokenizer'ının bir özelliğidir.
-   Birçok tokenizer üzerine yapılan araştırmalar, aynı içeriğin Arapçada çoğu zaman İngilizceden daha fazla token tuttuğunu buluyor.
-   Kelime başına token'ı değil, paralel metni (iki dilde aynı anlam) karşılaştırın: bir Arapça kelime birkaç İngilizce kelimeyi taşıyabilir.
-   Kullanacağınız modelin kendisinde usage.prompt\_tokens ile ölçün ve mesaj ek yükü için bir taban değeri çıkarın.
-   Harekeler, tatvil ve karışık yazı sistemleri sayıları değiştirir; girdiyi tutarlı biçimde normalleştirin.

**Bu sayfada**

1.  Arapça kaç kat daha fazla token gerektirir? Ölçülmüş sayılar
2.  Tokenizer ne yapar?
3.  Arapça neden çoğu zaman daha fazla token kullanır?
4.  Kelime başına token neden yanlış metrik?
5.  Kendi oranınızı nasıl ölçersiniz?
6.  Maliyet ve bağlam için ne anlama gelir?
7.  Arapça token sayıları nasıl azaltılır?

Bir LLM API üzerine Arapça bir ürün kuruyorsanız faturanız kelimeyle değil, token’la sayılır. Ve aynı mesaj Arapça yazıldığında çoğu zaman İngilizce çevirisinden daha fazla token’a dönüşür. Bu maliyeti, bağlam sınırlarını ve gecikmeyi etkiler. Bu yazı bunun neden olduğunu, “kelime başına token”ın neden yanıltıcı bir sayı olduğunu ve kendi içeriğiniz için gerçek oranı kullandığınız modelde nasıl ölçeceğinizi anlatıyor.

## Arapça kaç kat daha fazla token gerektirir? Ölçülmüş sayılar

Bunu her modelin gerçek tokenizer’ıyla, paralel metinler (İngilizce ve Arapçada aynı anlam) üzerinde ölçtük. Tablonun tamamı, %95 aralıkları ve yöntem ücretsiz [tokenizer verimliliği veri setinde](https://broadrouter.com/data/tokenizer-efficiency/) (CSV ve JSON, CC BY 4.0, sürüm 4, ölçüm tarihi 2026-11-15):

| Tokenizer | Arapça ÷ İngilizce, Modern Standart (2,009 FLORES-200 cümlesi) | Arapça ÷ İngilizce, Körfez lehçesi (49 Tatoeba cümlesi) |
| --- | --- | --- |
| Qwen3.8 27B | 1.31× | 1.21× |
| GPT (o200k) | 1.38× | 1.32× |
| Gemma 4 VL 26B | 1.47× | 1.22× |
| DeepSeek V4.1 Flash | 1.62× | 1.44× |
| GLM 5.3 | 1.77× | 1.57× |

İngilizce düzyazı (Wikipedia ve Project Gutenberg) beş tokenizer genelinde 100 kelime başına yaklaşık 127 ile 132 token arası tuttu. Modern Standart Arapça oranları, iki dilde de aynı 2,009 FLORES-200 cümlesinden geliyor (İngilizce Wikimedia makalelerinden alınmış, profesyonelce çevrilmiş resmî haber, seyahat ve ansiklopedi metni). FLORES-200’de Körfez Arapçası yok; bu yüzden Körfez sütunu 49 kısa Tatoeba cümle çifti kullanıyor ve çok daha az kesin; veri seti sayfası her değer için bir aralık veriyor. Bunların hiçbiri sizin trafiğiniz değil; oranları planlama için kullanın ve bütçelemeden önce kendi içeriğinizi ölçün. [Arapça token sayacı](https://broadrouter.com/tools/arabic-token-counter/) yapıştırılan bir metni her tokenizer’da sayar, [token’dan kelimeye](https://broadrouter.com/tools/tokens-to-words/) aracı da iki yönde çevirir.

Bu oranları paraya çevirmek için [dile göre gerçek maliyet veri setimiz](https://broadrouter.com/data/real-cost-by-language/), her dilin 1M karakterini ölçülmüş bir tokenizer’la eşleştirebildiğimiz her modelde, sağlayıcılar arasında fiyatlandırıyor. Token başına daha ucuz fiyat her zaman daha ucuz bir Arapça faturası anlamına gelmez.

## Tokenizer ne yapar?

Bir model metni görmeden önce, bir tokenizer metni sabit bir sözlükten alınan token’lara böler. Modern tokenizer’ların çoğu, Hugging Face’in [tokenizer özeti](https://huggingface.co/docs/transformers/tokenizer_summary) sayfasında anlatılan bayt çifti kodlaması (BPE), WordPiece ya da SentencePiece gibi alt kelime yöntemleri kullanır. Eğitim verisinde sık geçen dizeler tek bir token olur; nadir dizeler daha küçük parçalara, gerekirse tek tek baytlara kadar bölünür.

Sözlük bir eğitim derleminden öğrenilir. O derlemde hangi diller baskınsa, en verimli kodlamayı onlar alır. Her model ailesinin kendi tokenizer’ı vardır; bu yüzden DeepSeek, Qwen, GLM ve Gemma modelleri aynı Arapça cümleyi oldukça farklı sayıda token’a bölebilir.

## Arapça neden çoğu zaman daha fazla token kullanır?

### 1\. Eğitim verisi dengesizliği

Birçok tokenizer, İngilizcenin aşırı temsil edildiği metinlerle eğitildi. Yaygın İngilizce kelimeler birer token olur; birçok yaygın Arapça kelime ise birkaç parçaya bölünür. Petrov vd. (2023) bunu birçok tokenizer ve dilde ölçtü ve aynı içeriğin ne kadar token gerektirdiği konusunda büyük farklar buldu; İngilizce genellikle en ucuzlar arasındaydı. Ahia vd. (2023) ticari API’ler için benzer bir sonuca ulaştı ve bunun farklı dilleri konuşanların ödediği ücrete doğrudan etkisine dikkat çekti.

### 2\. Arapça biçimbilimi

Arapça bağlaçları, edatları, harfi tarifi ve zamirleri doğrudan kelimelere ekler. Yazılı tek bir kelime, İngilizcenin birkaç kelimeye yaydığı şeyi taşıyabilir:

| Arapça | Kabaca İngilizce |
| --- | --- |
| وسيكتبونها | and they will write it |
| بالمدرسة | in the school |
| فقلنا | so we said |

Belirli bir kombinasyonu yeterince sık görmemiş bir tokenizer onu parçalara böler. Bu, **anlam** başına token makul olsa bile **kelime** başına token’ı artırır.

### 3\. Yazı sistemi ayrıntıları

Harekeler (teşkil), tatvil (uzatma karakteri), elif ve hemzenin farklı biçimleri ve Arap-Hint rakamları, tokenizer’ın kodlaması gereken ek karakterler ya da varyantlardır. Karışık Arapça ve Latin metin ve Arabizi (rakamlarla birlikte Latin harfleriyle yazılan Arapça) da beklenmedik biçimlerde bölünebilir. Bkz. [LLM’ler Arabizi’yi nasıl işler](https://broadrouter.com/tr/blog/arabizi-llm-handling/).

## Kelime başına token neden yanlış metrik?

Bir Arapça kelime çoğu zaman birkaç İngilizce kelimeye denk geldiği için, “Arapça kelime başına N token kullanır” ile “İngilizce kelime başına M token kullanır” karşılaştırılamaz. Daha adil soru şudur: **aynı içerik her dilde kaç token gerektirir?** Paralel metin, yani iki dilde yazılmış aynı mesajı kullanın ve toplam token’ları karşılaştırın. Faturanızı değiştiren oran budur.

OpenAI’nin sık alıntılanan pratik kuralı, yani token başına yaklaşık dört karakter ya da kelimenin dörtte üçü, OpenAI’nin kendi tokenizer’larında İngilizce için verilmiştir. Arapçaya ya da başka model ailelerine taşınmaz; bu yüzden Arapça bütçeler için kullanmayın.

## Kendi oranınızı nasıl ölçersiniz?

Usage alanı esas doğrudur: faturalandığınız şey odur. Bu betik paralel metinleri bir modele gönderir ve `usage.prompt_tokens` değerini okur. Sabit sohbet şablonu ek yükü kısa metinleri çarpıtmasın diye bir taban değeri çıkarır. Ücretsiz başlangıç kredisiyle çalışan ve akıl yürütmeyen [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) modelini kullanır; gerçekte kullanacağınız modeli yerine koyun.

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
MODEL = "broadnet/gemma-4-26b-a4b"

def prompt_tokens(text):
    r = client.chat.completions.create(
        model=MODEL, max_tokens=1,
        messages=[{"role": "user", "content": text}],
    )
    return r.usage.prompt_tokens

baseline = prompt_tokens(".")
pairs = [
    ("Your order has shipped and will arrive on Thursday.",
     "تم شحن طلبك وسيصل يوم الخميس."),
    ("Please send a photo of the invoice so we can check the total.",
     "يرجى إرسال صورة الفاتورة حتى نتحقق من المبلغ الإجمالي."),
]

en_total = ar_total = 0
for en, ar in pairs:
    en_t = prompt_tokens(en) - baseline
    ar_t = prompt_tokens(ar) - baseline
    en_total += en_t; ar_total += ar_t
    print(f"EN {en_t:4d} | AR {ar_t:4d} | ratio {ar_t / max(1, en_t):.2f}")

print(f"Overall Arabic/English token ratio: {ar_total / max(1, en_total):.2f}")
```

Güvenebileceğiniz bir sayı elde etmek için:

1.  Kendi alanınızdan **50–200 gerçek çift kullanın**: destek mesajları, ürün açıklamaları, faturalar. Kısa demo cümleleri gürültülüdür.
2.  **Kullanıcılarınızın yazdığı lehçeyi kullanın.** Körfez, Mısır ve Levant metinleri Modern Standart Arapçadan farklı token’lara bölünebilir.
3.  **Model başına çalıştırın.** Bir modelde ölçülen oran bir başkası hakkında pek az şey söyler. Modeller arasında seçim yapıyorsanız aynı çiftleri her birinde çalıştırın; token sayısı kadar önemli olan kaliteyi [Arapça için LLM seçimi](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/) yazısı ele alıyor.
4.  **Çıktıyı da ölçün.** Her modelden Arapça ve İngilizce yanıt vermesini isteyin ve `completion_tokens` değerlerini karşılaştırın. Her modelde çıktı token başına girdiden pahalıdır; bu yüzden çıktı oranı daha önemli olabilir.

Modelin tokenizer’ı yayımlanmışsa (örneğin Hugging Face’te), token’ları o tokenizer’la çevrimdışı da sayabilirsiniz. Yine de son söz API’nin usage alanındadır, çünkü sunucunun uyguladığı sohbet şablonunu içerir.

### Sonuçları okumak

Her model için bir oranınız olduğunda üç yaygın desen görülür:

-   **1’e yakın.** Tokenizer Arapçanızı iyi işliyor. Aynı içerik için Arapça ve İngilizce trafik yaklaşık aynı maliyettedir.
-   **Belirgin biçimde 1’in üzerinde.** Arapça mesaj başına daha pahalıdır. Bunu tahminlerinizde ve bağlam sınırlarında hesaba katın; benzer kalitede Arapçanızı daha verimli işleyen başka bir model olup olmadığını değerlendirin.
-   **Örnekleriniz arasında çok farklı.** Genellikle karışık içeriğin işaretidir: harekeli metin, Arabizi, sayılar, URL’ler ya da Arapça mesajların içinde kod. Örneklerinizi türe göre ayırın ve her birini ayrı ölçün.

Betiği saklayın ve model değiştirdiğinizde ya da bir sağlayıcı model sürümünü güncellediğinde yeniden çalıştırın, çünkü yeni bir tokenizer her sayıyı değiştirir.

## Maliyet ve bağlam için ne anlama gelir?

Maliyet token’la ölçeklenir; yani daha yüksek bir Arapça oranı, trafiğinizin Arapça kısmı için faturayı aynı katsayıyla artırır. BroadNet’in fiyatlarıyla [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) üzerinde Arapça girdi 1M token başına $0.175, çıktı $2.17 tutuyor; Gemma 4 VL 26B’de $0.10 ve $0.22. Token başına fiyat her dilde aynı; yalnızca token sayısı değişir. Ölçtüğünüz oranı [aylık maliyet yöntemine](https://broadrouter.com/tr/blog/estimate-llm-api-cost-before-launch/) girin.

Bağlam sınırları da aynı şekilde daralır. Gemma 4 VL 26B istek başına 32.768 token kabul eder; uzun bir Arapça belge bu sınırı İngilizce çevirisinden daha önce doldurur. DeepSeek V4.1 Flash ve GLM 5.3 1.048.576 token kabul eder.

## Arapça token sayıları nasıl azaltılır?

-   **Tutarlı biçimde normalleştirin.** Tatvili kaldırın, göreviniz ihtiyaç duymuyorsa harekeleri silin. Önbellekleme çalışmaya devam etsin diye her isteğe aynı normalleştirmeyi uygulayın.
-   **Talimatları kısa tutun.** Uzun bir sistem istemi her turda yeniden gönderilir; sıkı ifadeler iki dilde de token kazandırır.
-   **Sabit öneki önbelleğe alın.** Önbellekli fiyatı olan modellerde tekrarlanan sistem istemleri ve belgeler çok daha ucuza gelir. [Önbellekleme nasıl çalışır](https://broadrouter.com/tr/blog/cached-input-tokens-explained/).
-   **Kısa yanıtlar isteyin.** “İki cümleyle yanıtla” demek, herhangi bir tokenizer hilesinden daha fazla tasarruf sağlar.

Metin değil de Arapça konuşma söz konusuysa, transkripsiyon token başına değil ses dakikası başına fiyatlandırılır; yani tokenizasyon faturanın o kısmını etkilemez; bkz. [Arapça konuşmadan metne sayfası](https://broadrouter.com/tr/blog/arabic-speech-to-text-api-buyers-guide/).

Bu konu için ücretsiz araçlar (İngilizce)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

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

## Bu yazıdaki terimler

[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.

[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.

[Arabizi (Franco-Arabic)](https://broadrouter.com/tr/glossary/arabizi/)

Arabizi, Latin harfleriyle gayriresmî yazılan Arapçadır; Latin karşılığı olmayan Arapça sesler için ع yerine 3 gibi rakamlar kullanır. Sohbette ve sosyal medyada yaygındır, çoğunlukla lehçelidir, standart bir yazımı yoktur ve sık sık İngilizce veya Fransızcayla karışır.

[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.

[Byte pair encoding (BPE)](https://broadrouter.com/tr/glossary/bpe/)

Byte pair encoding (BPE), tek tek karakterlerden veya byte'lardan başlayıp en sık görülen bitişik çifti hedef sözlük boyutuna ulaşana kadar tekrar tekrar yeni bir sözlük girdisine birleştiren bir alt kelime tokenizasyon algoritmasıdır. Günümüz LLM tokenizer'larının çoğu BPE'yi veya byte düzeyi bir türevini kullanır.

[Modern Standart Arapça (MSA, Fusha)](https://broadrouter.com/tr/glossary/msa/)

Modern Standart Arapça (MSA), Arap dünyasında yazıda, haberlerde, eğitimde ve resmi konuşmada kullanılan standartlaşmış Arapçadır. Kimsenin günlük ana dili değildir: insanlar Mısır veya Körfez Arapçası gibi bölgesel lehçeleri konuşur ve resmi ortamlarda MSA'ya geçer.

[Arapça harekeler (tashkeel)](https://broadrouter.com/tr/glossary/arabic-diacritics/)

Arapça harekeler (tashkeel), kısa ünlüleri, ikizleşen ünsüzleri ve ünlü yokluğunu göstermek için harflerin üstüne veya altına yazılan küçük işaretlerdir. İsteğe bağlıdırlar: haberler dahil Arapça metinlerin çoğu onları yazmaz; okur da yazılım da ünlüleri bağlamdan çıkarır.

[Arapça lehçeler (dialectal Arabic)](https://broadrouter.com/tr/glossary/dialectal-arabic/)

Arapça lehçeler (dialectal Arabic), Mısır, Körfez, Levant veya Mağrip Arapçası gibi bir bölgenin ya da şehrin gündelik konuşulan Arapçasıdır. Lehçeler Modern Standart Arapçadan ses, kelime ve dilbilgisi bakımından ayrılır, standart bir yazımları yoktur ve internette giderek daha çok yazılırlar; bu da onları dil modelleri için zorlaştırır.

## Sık sorulan sorular

### Bir Arapça kelime kaç token eder?

Modele bağlı. BroadRouter'ın tokenizer veri setinde Modern Standart Arapça, beş tokenizer genelinde 100 kelime başına 183.0 (Qwen3.8 27B) ile 243.9 (GLM 5.3) arası token tuttu. Tek tek kelimeler yerine paralel metinleri karşılaştırın ve kullandığınız modelde ölçün.

### 1.000 İngilizce kelime kaç token eder?

BroadRouter'ın ölçülmüş veri setindeki beş tokenizer genelinde düz İngilizce düzyazı için yaklaşık 1,269 ile 1,320 token arası (ortalama 1,290). Teknik metin, kod ve başka diller daha fazlasını gerektirir; kendi metninizi sayın.

### Harekeleri kaldırmak token sayısını azaltır mı?

Genellikle evet, çünkü harekeler tokenizer'ın kodlaması gereken ek karakterlerdir. Yalnızca göreviniz onlara ihtiyaç duymuyorsa kaldırın; Kur'an, şiir ya da telaffuz için anlam taşırlar.

### Token başına 4 karakter kuralı Arapça için geçerli mi?

Hayır. OpenAI bu pratik kuralı kendi tokenizer'larında İngilizce metin için veriyor. Arapçaya ya da başka modellerin tokenizer'larına aktarılamaz.

### Arapça token'lar token başına daha mı pahalı?

Hayır. Bir token hangi dili kodlarsa kodlasın aynı fiyattır. Arapça yalnızca aynı içerik daha fazla token'a bölündüğünde daha pahalıya gelir.

## Okumaya devam edin

-   [Arapça için LLM API seçimi: neler test edilmeli?](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/)
-   [LLM API fiyatları: girdi, önbellekli girdi, çıktı ve akıl yürütme](https://broadrouter.com/tr/blog/llm-api-pricing-explained/)
-   [Arapça istem mühendisliği: dil düzeyi, RTL, rakamlar, karışık metin](https://broadrouter.com/tr/blog/arabic-prompt-engineering/)
-   [Arabizi ve LLM'ler: 3 ve 7 gibi rakamlarla Franko-Arapça](https://broadrouter.com/tr/blog/arabizi-llm-handling/)
-   [LLM ile Arapça metne hareke ekleme: istem, kontrol, DER](https://broadrouter.com/tr/blog/arabic-diacritization-llm/)
-   [Ekim 2026 LLM API fiyat değişiklikleri: 3 zam, hiç indirim yok](https://broadrouter.com/tr/blog/llm-api-price-changes-october-2026/)
-   [LLM API fiyatları ne sıklıkla değişir? 3 yıllık arşiv sayfaları](https://broadrouter.com/tr/blog/how-often-llm-api-prices-change/)
-   [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-tokens-per-word-arabic-english&utm_content=page-cta) ·

**Kaynaklar**

-   [Petrov vd., Language Model Tokenizers Introduce Unfairness Between Languages (arXiv 2305.15425, 2026-11-16'da kontrol edildi)](https://arxiv.org/abs/2305.15425)
-   [Ahia vd., Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models (arXiv 2305.13707, 2026-11-16'da kontrol edildi)](https://arxiv.org/abs/2305.13707)
-   [Hugging Face Transformers, tokenizasyon algoritmaları (2026-11-16'da kontrol edildi)](https://huggingface.co/docs/transformers/tokenizer_summary)
-   [OpenAI Yardım Merkezi, token nedir ve nasıl sayılır](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them)
-   [BroadRouter tokenizer verimliliği veri seti, sürüm 4 (ölçüm tarihi 2026-11-15)](https://broadrouter.com/data/tokenizer-efficiency/)
-   [FLORES-200 değerlendirme kıyaslaması (Meta, CC BY-SA 4.0), MSA oranlarının dayandığı paralel cümleler (sabitlenmiş commit, 2026-11-16'da kontrol edildi)](https://github.com/facebookresearch/flores/tree/a6c830c6e1051fb4ac1a44b32358f00463f332bd/flores200)
-   [BroadNet Inference API başvurusu, usage alanları (2026-11-16'da kontrol edildi) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-tokens-per-word-arabic-english&utm_content=sources)
