Google’ın Yeni Açık Kaynak Devi: Gemma 4 Nedir, Neden Değerli?

Geçen hafta teknoloji dünyasında bir şey oldu. Sessizce, büyük bir tanıtım merasimi olmadan. Google, Gemma 4’ü bıraktı ortaya — ve açıkçası, sayıları görünce biraz duraksadım. 31 milyar parametreli bir model, 671 milyar parametreli DeepSeek’i Arena AI sıralamasında geçiyor. Yanlış okumadınız. Bu nasıl mümkün olabiliyor? Biraz açmaya çalışayım.

Kısa karşılık: Google’ın fiyatsız dağıttığı, kendi bilgisayarınızda çalıştırabileceğiniz bir yapay zeka ailesi.

Ama bu tarif biraz eksik kalıyor. Şöyle düşünün: ChatGPT yahut Claude kullandığınızda, siz bir kutuya yazıyorsunuz, kutunun içinde ne döndüğünü bilmiyorsunuz, ve o servis bir gün kapatılabilir ya da fiyatlandırması değişebilir. Gemma’da ise modelin kendisini — tartıları, parametreleri — indirip kendi sunucunuzda çalıştırıyorsunuz. Kimseye bağımlılık yok. 2 Nisan 2026’da duyurulan Gemma 4, bu ailenin dördüncü ve şimdiye dek en güçlü versiyonu. Apache 2.0 lisansıyla geliyor; yani ticari projelerinizde de hiçbir kısıt olmadan kullanabilirsiniz.

📌 Resmi duyuru📌 Google AI for Developers

Gemma 4 tek bir eser değil — dört farklı boyutta geliyor ve her biri farklı bir sorunu çözüyor. E2B ve E4B’den başlayalım. Bunlar ‘edge’ modeller yani uç aygıt modelleri. Telefonda, tablette, hatta Raspberry Pi üzerinde çalışacak halde tasarlanmışlar. 128K token bağlam penceresi var — uzun bir PDF’i bile tek seferde işleyebiliyorlar. Ses girişi de dayanaklı; yalnızca bu iki model için geçerli bu özellik, büyük kardeşlerde yok.

Sonra 26B MoE var. MoE yani ‘Mixture of Experts’ — her soruda modelin tamamını değil, ilgili uzman kısımlarını aktive eden bir mimari. Sonuç? Çok daha az güç harcayarak çok daha büyük modeller üzere davranıyor. 256K token bağlam penceresi ve son olarak 31B Dense. Ailenin en güçlüsü. Benchmark listelerinde ismini en çok bu model duyuruyor.

Hepsinin ortak özelliği: manzara ve görüntü anlıyor, 140’tan fazla lisan biliyor, function calling destekliyor.

📌 Hugging Face

Apple Silicon konusunda biraz şüpheciydim açıkçası. ‘Çalışıyor’ demek kolay, fakat kaç token/saniye?

Sonuçlar beklenenden âlâ çıktı. M1 Ultra Mac Studio’da 26B MoE modeli, llama.cpp ile 60-70 token/saniye üretiyor. Bu, gerçek kullanım için kâfi bir sürat. M3 Pro üzere daha yeni aygıtlarda daha da âlâ sonuçlar alındığı bildiriliyor. Neden Apple Silicon bu kadar uygun performans veriyor? ‘Unified memory’ denen mimari sayesinde. CPU ve GPU tıpkı bellek havuzunu paylaşıyor — bu da büyük modelleri RAM üzerinde çalıştırmayı olağandışı ölçüde verimli kılıyor. Nvidia GPU’su olmayanlar için bu nitekim kıymetli bir fark. E2B/E4B modelleri için 16GB RAM’li bir Mac küçük bile başlangıç noktası olabilir.

Kurulum tarafında da zorluk yok: Ollama’yı yükleyin, terminale ollama run gemma4 yazın. Beş dakika içinde çalışıyor.

Arena AI, yapay zeka modellerini karşılaştırmanın en enteresan yollarından biri. Kullanıcılar, hangi modelin kim olduğunu bilmeden iki karşılığı karşılaştırıyor ve birini seçiyor. Yüz binlerce bu türlü etkileşimden bir elo puanı çıkıyor — satranç turnuvalarındaki üzere.

Nisan 2026 prestijiyle açık kaynak modeller sıralaması şöyle:

• #1 Kimi K2.5 Thinking (Moonshot) — 1.471 elo

• #2 Kimi K2.5 (Moonshot) — 1.456 elo

• #3 Kimi K2 (Moonshot) — 1.452 elo

• #4 Gemma 4 31B (Google) — 1.451 elo ✅

• #5 Qwen 3.5 397B (Alibaba) — 1.447 elo

• #11 DeepSeek V3 — 1.425 elo

• #12 DeepSeek R1 — 1.424 elo

Bu listeye bakınca şu soruyu sormak gerekiyor: 397 milyar parametreli Qwen, neden 31 milyarlık Gemma’nın gerisinde? Yanıtın bir kısmı mimari verimlilikte, bir kısmı Gemini 3 araştırmasından gelen bilgi transferinde. Google buna ‘intelligence-per-parameter’ diyor — parametre başına düşen zeka.

Resmi benchmark’lardan birkaç sayı:

• AIME 2026 matematik: %89.2

• GPQA Diamond bilim: %84.3

• LiveCodeBench kodlama: %80.0

• MMLU çok lisanlı: %85.2

Not: Arena AI sıralaması her gün güncelleniyor, o yüzden anlık pozisyonu için direkt siteye bakın.

📌 Arena AI leaderboard📌 Model kartı

Dürüst olmak gerekirse, açık kaynak yapay zeka dünyasında son iki yılın gerçek sürprizi Çin’den geldi. Ve bu tablonun Gemma için hem zorluğu hem de muvaffakiyetini ortaya koyuyor.

Kimi K2.5 (Moonshot AI)Ocak 2026’da sessizce piyasaya çıktı, Arena AI’ı sildi süpürdü. Metin, görsel, görüntü işleyebiliyor. Alibaba ve eski Sequoia China (şimdi HongShan) bu projeye yatırım yapmış. Sıralama açısından Gemma’nın önünde — bunu kabul etmek gerekiyor. Fakat çalıştırmak için gereken donanım farklı bir boyut; Apple Silicon’da sıkıntısız çalışmıyor.

DeepSeek R1 ve V3 (MIT lisansı)2025 başında yapay zeka dünyasını sarsmıştı. 671 milyar parametre, matematik ve kodlamada sahiden güçlü. Lakin Arena AI’da #11-12 sırasında — Gemma 4’ün çok gerisinde. Ve onu çalıştırmak için gereksiniminiz olan donanım, Gemma 4’e kıyasla tartışmasız daha büyük.

📌 DeepSeek Hugging Face:

Qwen 3.5 (Alibaba, Apache 2.0)Bu aile değişik. 2B’den 397B’ye kadar uzanan geniş bir yelpaze. Bilhassa lisan dayanağında Gemma’yı geride bırakıyor: 201 lisan ve lehçe vs. Gemma’nın 140+. Fiyat rekabetçi. Benchmark tablolarında kimi kategorilerde öne geçiyor. Ancak Arena AI sohbet tercihlerinde 31B’lik Gemma karşısında kaybediyor — bu fark, son kullanıcı tecrübesi açısından değerli.

📌 Qwen Hugging Face:

GLM-4.7 (Zhipu AI / Z.ai, MIT)Çince vazifelerde çarpıcı. Açık kaynak olarak sunuluyor. İngilizce ve genel çok lisanlı senaryolarda Gemma’nın gerisinde kalıyor.

MiniMax M2.5 (Modified MIT)Radara çok girmiyor fakat Arena AI’daki sırası dikkat çekiyor. Uzun bağlam işlemede güçlü. Lisans ‘Modified MIT’ olduğu için ticari kullanımda denetim etmek lazım.

Llama 4 (Meta)Meta’nın en büyük silahı Scout modeli: 10 milyon token bağlam penceresi. Uzun evrak tahlili, büyük kod tabanları için bu hakikaten kıymetli. Maverick ise 400 milyar toplam parametreyle devasa — ancak taşımak güç. Gemma 4 31B, boyutun sağladığı rahatlıkla misal skor yakalıyor.

Mistral Small 4 (Apache 2.0)Fransızlar kompakt modellerde daima uygun iş çıkarmıştı. Arena AI’da #25 civarı, 1.415 elo. Gemma 4 ses ve görsel sürece tarafında fark açıyor.

Llama 3.1 405BMeta’nın evvelki jenerasyon devi, Arena AI’da #67-68 bandında. Gemma 4 31B onu kendi boyutunun yüzde yedisiyle geçiyor. Bu verimliliğin kağıt üzerinde ne manaya geldiğini bir düşünün: sunucu maliyeti, güç, suram kolaylığı — hepsi değişiyor.

Geliştiriciler için:Kendi eserinize yapay zeka katmanı eklemek istiyorsanız ve OpenAI’ye bağımlı kalmak istemiyorsanız, Gemma 4 gerçek bir alternatif. Function calling var, JSON output var, Apache 2.0 lisansı var. Entegrasyon nispeten düzgün.

Apple Silicon kullanıcıları için:Nvidia GPU olmadan güçlü bir lokal model çalıştırmak artık mümkün. M1 yahut üzeri bir Mac’iniz varsa ve 16GB+ RAM’iniz varsa, denemeye kıymet. MLX backend’i bilhassa fark yaratıyor.

Araştırmacılar için:Buluta data çıkarmak istemiyorsanız bu kritik. Yale Üniversitesi’nin Google ile yürüttüğü kanser tedavisi araştırmasında Gemma kullanılmış — bu cins hassas bilgi gerektiren projelerde mahallî model avantajı çok somut.

Kurumsal kullanım için:Apache 2.0 lisansı, ekstra fiyat yahut müsaade almadan üretim ortamına almanıza müsaade veriyor. Bilgi egemenliği konusunda hassas bölümler (finans, sıhhat, kamu) için bu önemli bir artı.

📌 Tüm modeller — Hugging Face📌 Google DeepMind sayfası

Açık kaynak yapay zeka modelleri uzun müddettir ‘neredeyse iyi’ kategorisindeydi. Kapat-kaynak alternatiflere yaklaşıyor ancak bir türlü tam olarak yetişemiyordu.

Gemma 4 bu farkı kapattı mı? Büsbütün değil. Kimi K2.5 önde, birtakım benchmark’larda Qwen öne geçiyor. Fakat şunu söyleyebilirim: 31B parametreyle Arena AI’da #4 olmak, ve bunu kendi bilgisayarınızda çalıştırabilmek — bu bir yıl evvel hayal bile edilemezdi.

400 milyonu aşan indirme, 100.000’den fazla türev model. Bu sayılar bize bir şeyi gösteriyor: geliştiriciler Gemma’nın üzerine inşa etmeye başladı bile.

📌 Google AI Studio üzerinde çabucak deneyin