---
title: "Model damıtma (distillation) nedir? Öğretmen ve öğrenci"
description: "Damıtma, küçük bir öğrenci modeli büyük bir öğretmeni taklit etmesi için eğitir; çalıştırması ucuzlar. Yumuşak hedefler ve damıtılmış akıl yürütme modelleri."
url: https://broadrouter.com/tr/glossary/distillation/
lang: tr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/glossary/distillation/) (güncelleme: 2026-11-16).

# Damıtma (knowledge distillation)

Güncellendi 2026-11-16

Damıtma (distillation) ya da bilgi damıtma (knowledge distillation), daha küçük bir öğrenci modelin daha büyük bir öğretmen modelin olasılık dağılımları veya ürettiği yanıtlar gibi çıktılarını yeniden üretmeyi öğrendiği bir eğitim yöntemidir; böylece öğrenci, öğretmenin kalitesinin büyük kısmını daha düşük çalıştırma maliyetiyle korur.

Diğer adları: damıtma, bilgi damıtma, model damıtma, damıtılmış model, öğretmen-öğrenci eğitimi, distillation, knowledge distillation, model distillation, distilled model, teacher-student training

Büyük modelleri sunmak pahalıdır. Damıtma, büyük bir modelin bildiklerini küçük bir modele aktarır.

## Nasıl çalışır

Hinton, Vinyals ve Dean modern biçimi 2015’te tanımladı. Öğretmenin çıktı olasılıkları öğrenci için “soft targets” (çeviri: yumuşak hedefler) hâline gelir. Düz bir etiket yalnızca “bu bir 7” der. Öğretmenin olasılıkları ise ayrıca biraz 1’e benzediğini ve hiç 4’e benzemediğini söyler; bu ek sinyal öğrencinin öğrenmesine yardım eder.

Bu sinyali açığa çıkarmak için softmax [sıcaklığını](https://broadrouter.com/tr/glossary/temperature/) yükseltirler. Makale, daha yüksek bir T’nin “produces a softer probability distribution over classes” (çeviri: sınıflar üzerinde daha yumuşak bir olasılık dağılımı ürettiğini) belirtir. MNIST sonuçları:

| Model | Test hataları |
| --- | --- |
| Büyük öğretmen ağ | 67 |
| Küçük ağ, yalnızca etiketlerle eğitilmiş | 146 |
| Aynı küçük ağ, T = 20’de damıtılmış | 74 |

LLM’lerde damıtma çoğu zaman olasılıklar yerine üretilmiş metin kullanır. Öğretmen yanıtlar yazar, öğrenci de bu yanıtlarla [ince ayar](https://broadrouter.com/tr/glossary/fine-tuning/) yapılır. DeepSeek-R1 makalesi, büyük modellerin akıl yürütme kalıplarının daha küçük modellere yol gösterebileceğini bildirir. Model kartı, Qwen2.5 ve Llama tabanları üzerine kurulmuş ve DeepSeek-R1’in ürettiği akıl yürütme verileriyle ince ayar yapılmış, 1,5B ile 70B parametre arasında altı damıtılmış model listeler.

## Neden önemli

-   **Maliyet ve hız.** Daha küçük bir model daha az GPU belleği ister ve daha hızlı üretir; bu da token başına fiyatlara ve gecikmeye yansır.
-   **Daha dar beceri.** Öğrenci eğitildiği yerde güçlü, diğer yerlerde daha zayıftır. Öğretmenin benchmark’ına güvenmek yerine kendi görevlerinizde test edin.
-   **Birleştirme.** Kendi barındırdığınız kurulumlarda damıtma, [kuantizasyon](https://broadrouter.com/tr/glossary/quantization/) ve [LoRA](https://broadrouter.com/tr/glossary/lora/) ile birlikte kullanılır.
-   **Lisans.** Çıktılarıyla eğitim yapıp yapamayacağınızı öğretmenin lisansı veya API koşulları belirler.

## BroadNet Inference’ta

BroadNet’in [API referansı](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-glossary-distillation&utm_content=body#models), modellerinden herhangi birinin damıtılıp damıtılmadığını söylemez; bu yüzden bunu varsaymayın. Yine de modeller arasındaki fiyat farkları küçük modellerin neden önemli olduğunu gösterir: BroadNet Gemma 4 VL 26B, 1M çıktı token’ı başına $0.22 fiyatını listeler, GLM 5.3 için bu fiyat $3.46 olarak geçer. Küçük modelin yeterince iyi olup olmadığı, kendi değerlendirmenizin (eval) sorusudur. [Kodlama ajanları için en iyi açık model](https://broadrouter.com/tr/blog/best-open-model-for-coding-agents/) yazısı seçenekleri göreve göre karşılaştırır.

## Sık sorulan sorular

### Damıtma ile kuantizasyon arasındaki fark nedir?

Damıtma yeni ve daha küçük bir model eğitir. Kuantizasyon aynı modeli korur ve ağırlıklarını daha düşük hassasiyette saklar. İkisi de çıkarımı ucuzlatır ve birlikte kullanılabilir.

### Damıtılmış bir model öğretmeni kadar iyi midir?

Genellikle her görevde değil, ama damıtıldığı görevlerde yaklaşabilir. Hinton, Vinyals ve Dean'in MNIST testinde damıtılmış küçük ağ 74 hata yaptı, öğretmen ise 67.

### Başka bir sağlayıcının modelini damıtmak serbest mi?

Öğretmen modelin çıktılarıyla eğitim yapmadan önce lisansını veya API koşullarını okuyun. Bu konuda farklılık gösterirler ve bazıları bunu kısıtlar.

## Ayrıca bakın

-   [İnce ayar (fine-tuning)](https://broadrouter.com/tr/glossary/fine-tuning/) (terim)
-   [LoRA (düşük ranklı uyarlama)](https://broadrouter.com/tr/glossary/lora/) (terim)
-   [Kuantizasyon (quantization)](https://broadrouter.com/tr/glossary/quantization/) (terim)
-   [Sıcaklık (temperature)](https://broadrouter.com/tr/glossary/temperature/) (terim)
-   [Açık ağırlıklı model (open-weight model)](https://broadrouter.com/tr/glossary/open-weight-model/) (terim)
-   [Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/) (rehber)
-   [İşletmeler için açık ağırlıklı ve kapalı yapay zekâ modelleri](https://broadrouter.com/tr/blog/open-weight-vs-closed-models/) (yazı)
-   [Kodlama ajanları için en iyi açık model: araçlar, bağlam ve maliyet](https://broadrouter.com/tr/blog/best-open-model-for-coding-agents/) (yazı)

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-glossary-distillation&utm_content=page-cta) ·

**Kaynaklar**

-   [Hinton, Vinyals ve Dean (2015), Distilling the Knowledge in a Neural Network](https://arxiv.org/abs/1503.02531)
-   [DeepSeek-AI (2025), DeepSeek-R1 makalesi](https://arxiv.org/abs/2501.12948)
-   [Hugging Face üzerindeki DeepSeek-R1 model kartı (damıtılmış modeller)](https://huggingface.co/deepseek-ai/DeepSeek-R1)
