Tether, yapay zekâ model eğitimini daha erişilebilir hale getiren yeni bir teknoloji açıkladı. Microsoft’un 1 bitlik BitNet mimarisi üzerine geliştirilen ve QVAC Fabric kapsamında sunulan bu çapraz platform LoRA ince ayar çerçevesi; bellek ve işlem maliyetlerini ciddi ölçüde düşürerek milyar parametreli dil modellerinin dizüstü bilgisayarlar, tüketici GPU’ları ve hatta akıllı telefonlar üzerinde çalıştırılmasını mümkün kılıyor.
Geleneksel olarak yalnızca yüksek maliyetli kurumsal donanım ve bulut altyapılarıyla yapılabilen yapay zekâ model geliştirme süreçleri, bu yenilikle birlikte çok daha geniş bir kullanıcı kitlesine açılıyor. Intel, AMD ve Apple Silicon gibi farklı donanımlar üzerinde çalışabilen yapı, kullanıcıların modelleri doğrudan kendi cihazlarında eğitip özelleştirmesine imkân tanıyor.
Tether’in mühendislik ekibinin bu çalışması, Adreno, Mali ve Apple Bionic GPU’lar dahil olmak üzere mobil GPU’larda BitNet ince ayarının ilk başarılı gösterimlerinden biri olarak öne çıkıyor. Kullanıcılar, 125 milyon parametreli BitNet modellerine yaklaşık 300 belgelik, yani yaklaşık 18 bin tokenlik biyomedikal bir veri setiyle bir Samsung S25 Adreno GPU üzerinde yaklaşık 10 dakikada ince ayar yapabiliyor. 1 milyar parametreli model için aynı veri setinin ince ayarı Samsung S25’te 1 saat 18 dakika, iPhone 16’da ise 1 saat 45 dakika sürüyor. Ekip, cihazların sınırlarını zorlayarak iPhone 16’da 13 milyar parametreye kadar modellere ince ayar yapmayı da başardı.
Çerçeve, uç cihazlarda Q4 BitNet olmayan modellere kıyasla 2 kat daha büyük modellere ince ayar yapılabildiğini de gösteriyor. Bu da BitNet mimarisinin sunduğu bellek avantajını net şekilde ortaya koyuyor.
BitNet’in çıkarım performansı da QVAC Fabric ile birlikte önemli ölçüde artıyor. Model ailesi mobil GPU’larda çok daha hızlı çalışıyor. Bu cihazlarda GPU performansının CPU’ya kıyasla 2 ila 11 kat daha yüksek olduğu görülüyor. Bu da günümüz mobil GPU’larının, daha önce yalnızca pahalı özel donanımlar veya veri merkezleriyle mümkün olan iş yüklerini destekleyebileceğini ortaya koyuyor.
Bellek tarafında da dikkat çekici bir tablo var. Yapılan karşılaştırmalı testlere göre BitNet-1B TQ1_0 modeli, hem çıkarım hem de LoRA ince ayar süreçlerinde Gemma-3-1B 16 bit modele göre yüzde 77,8’e kadar, Qwen3-0.6B 16 bit modele göre ise yüzde 65,6’ya kadar daha az VRAM kullanıyor. Bu tasarruf, daha büyük modellerin ve kişiselleştirme süreçlerinin, kısa süre öncesine kadar yetersiz kabul edilen donanımlarda bile çalıştırılabilmesini sağlıyor.
Öte yandan çerçeve, NVIDIA dışındaki donanımlarda 1 bitlik büyük dil modelleri için LoRA ince ayarına olanak tanıyarak desteği AMD, Intel, Apple Silicon ve mobil GPU’lara kadar genişletiyor. Böylece özel donanıma ve bulut sağlayıcılarına bağımlılık azalırken, hassas veriler cihaz üzerinde yerel olarak tutulabiliyor. Bu yaklaşım, federe öğrenme gibi yöntemleri de daha erişilebilir hale getirerek, verilerin merkezi sistemlere taşınmadan cihazlar arasında eğitilip paylaşılabilmesine imkân tanıyor.
“Stabil Zekâ çağı yeni başladı”
Tether CEO’su Paolo Ardoinokonuyla ilgili olarak şunları söyledi:
“Zekâ, toplumun geleceğinde temel bir belirleyici faktör olacaktır. Toplumun istikrarını iyileştirme, bağ dokusu olarak hizmet etme veya azınlığı daha da güçlendirme potansiyeline sahiptir. Yapay zekânın geleceği, her yerdeki insanlar ve geliştiriciler için erişilebilir, kullanılabilir ve açık olmalıdır; yalnızca bir avuç bulut sağlayıcısının erişebileceği absürt miktarda kaynak gerektirmemelidir. Büyük dil modellerinin eğitimi merkezi altyapıya bağlı olduğunda inovasyon durgunlaşır, ekosistem kırılganlaşır ve toplumsal denge riske girer. Akıllı telefonlar dahil olmak üzere tüketici donanımlarında anlamlı büyük model eğitimini mümkün kılan Tether’in QVAC’ı, gelişmiş yapay zekânın herkes için merkeziyetsiz, kapsayıcı ve güçlendirici olabileceğini gösteriyor. Tether olarak, yapay zekânın herkes için, her yerde ve cihaz üzerinde yerel olarak erişilebilir olması için önümüzdeki dönemde de önemli kaynak ve yatırım ayırmayı sürdüreceğiz. Stabil Zekâ çağı yeni başladı.”
Kaynak : 