AI Kodlama için yerel LLM kullanılabilir mi? ~Temmuz 2026'daki AI Kodlama trendlerinin verilerden görülen özeti~
yazar: @kotauchisunsun
Yayın tarihi: 2026/08/12
AI Kodlama Aracısı Ağustos 2026'daki trendler
Temmuz 2025'ten bu yana AI Coding.Info adında bir site işletiyoruz.
Claude Code, Codex CLI, Github Copilot ve Gemini gibi AI Coding Agent'lara ilişkin kullanım eğilimlerini Github depolarındaki bilgilerden sabit bir noktadan gözlemleyen bir sitedir. AI Kodlama Aracısının kullanımını belirlemek için aşağıdaki koşullar altında günlük anketler yürütüyoruz.
- Github'daki 9.000 halka açık havuzun günlük denetimi
- Programlama diline göre TOP 300 Github yıldızı
- 30 çeşit programlama dilinden araştırıldı
- 16 tür AI Kodlama Aracısını hedefler
- Yalnızca çeşitli AI Kodlama Aracıları tarafından kullanılan kural dosyaları Github deposunda olduğunda, AI Kodlama Aracısının kullanıldığı belirlenir.
Geçen ayın trendleri
https://ai-coding.info/reports/articles/20260703
AI Kodlama Aracısı kullanım oranı %13,0
AI Kodlama Aracısı veri deposu kullanım oranı, geçen seferki %12,1'den %0,9 artışla %13,0 oldu.
2026/8/1 tarihinde AI Kodlama Aracısı kullanım oranı
https://ai-coding.info/?date=2026-08-01#adoption-rate
1 Temmuz 2026'daki AI Kodlama Aracısı kullanım oranı
https://ai-coding.info/?date=2026-07-01#adoption-rate
AI Kodlama Aracısı kullanım oranındaki 2026/7/1 ile 2026/8/1 arasındaki eğilimler
https://ai-coding.info/?date=2026-04-01&since=2026-07-01&until=2026-08-01#share-trend
AI Kodlama Aracısının ürüne göre payı
Ürün bazında pay şu şekildedir.
| Sıralama | Ürün adı | Hisse oranı |
|---|---|---|
| 1. sıra | Kodeks CLI | %40,8 |
| 2. sıra | Claude Kodu | %32,0 |
| 3. sıra | Yardımcı Pilot Temsilcisi | %15,1 |
| 4. sıra | Gemini CLI(Yerçekimine Karşı) | %5,3 |
| 5. sıra | İmleç | %4,4 |
Codex CLI'nin payı artarken Claude Code aynı kalıyor. Copilot Agent ve Gemini CLI (Antigravity) de hafif bir düşüş gösteriyor. İmleç benim biraz dikkat ettiğim bir konu. Cursor, SpaceX tarafından satın alındı. Haberler vardı.
https://www.nikkei.com/article/DGXZQOGN16BC70W6A610C2000000/
Peki bu İmlecin hisse oranında bir değişiklik olacak mı? Ben de öyle düşünüyordum ama geçen ay bu oran %4,7 idi, bu ay ise %4,4 oldu, yani pek bir değişiklik yok. Aşağıda belirtilen depo sayısına bakıldığında, 1 Temmuz'da Cursor'u benimseyen 85 depo vardı ve 1 Ağustos itibarıyla bu sayı değişmeden 85'te kaldı. Dolayısıyla bu olguyla ilgili olarak, AI Kodlama Aracısı kullanan depoların popülasyonu genel olarak arttı ancak İmleç kullanım sayısı artmadı. Sonuç olarak genel pazar payı düşüyor. Bu bir fenomen haline geldi. Ancak AI Coding.Info araştırmasının özellikleri nedeniyle Cursor'a özgü yapılandırma dosyalarının (.cursor) bulunduğu depoların sayısı değişmeyecektir. Bununla birlikte Cursor'un kendisi de AGENTS.md'yi desteklemektedir. AI Coding.Info, AGENTS.md içeren depo sayısının Codex CLI'nin benimsenme sayısı olduğunu belirtiyor, dolayısıyla Cursor kullanılsa da Codex CLI olarak sayılması mümkün ve görünmez bir kısımda kullanım sayısının artma ihtimali var.
1/8/2026 tarihli AI Kodlama Aracısı hisse oranı
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#agent-share
AI Coding Agent hisse oranı 2026/7/1
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#agent-share
Programlama diline göre AI Kodlama Aracısı kullanım durumu
AI Coding Agent'ın en çok kullanıldığı programlama dili "TypeScript", ikincisi "Python", üçüncüsü "Rust", dördüncüsü "Go" ve beşincisi "C#". TypeScript için AI Kodlamanın benimsenme oranı yüksek olmaya devam ederken, ikinci grup olarak Python'', Rust'' ve Go'' ve üçüncü grup olarak C#'' bileşimi son yıllarda tutarlı bir trend haline geldi.
2026/8/1 tarihinde programlama diline göre AI Kodlama Aracısı sıralaması
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#language-agent-rank
1 Temmuz 2026'da programlama diline göre AI Kodlama Aracısı sıralaması
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#language-agent-rank
AI Coding Agent tarafından kullanılan depo sayısındaki aylık eğilimler
Depo sayısı 07/01/2026 itibarıyla 1.794 iken 2026/08/01 itibarıyla 1.940'a çıkmış, AI Coding Agent kullanan depo sayısı ise 146 adet artmıştır.
AI Coding Agent'ı kullanan depo sayısındaki 2026/7/1'den 2026/8/1'e değişiklikler
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#time-based-bar-chart
AI Kodlama için yerel LLM kullanılabilir mi?
Haziran ayında, Claude tarafından piyasaya sürülen yeni nesil LLM'ler Mythos ve Fable 5, performanslarıyla sektörü şok etti. Ancak bunun ardından Çin'in Kimi şirketi Kimi-K3 adında neredeyse Fable sınıfına giren açık ağırlıklı bir model piyasaya sürdü. Bu sıcak bir konu haline geldi. Gerçek kıyaslamalara bakıldığında bile rakamlar birbirine yakın.
https://artificialanalysis.ai/#intelligence-category-tabs
Bunu düşündüğümde,
**Yerel Yüksek Lisans aynı zamanda AI Kodlama için de bir seçenek değil mi? **
Sanırım siz de öyle düşünebilirsiniz. O bölgeyi araştırdım. Aşağıdaki tablo, yukarıdaki grafikteki başlıca açık ağırlıklı LLM modellerini listelemektedir.
| Model Adı | Firma Adı | Duyuru Tarihi | Parametre Sayısı | Aktif Parametre Sayısı | Bağlam Uzunluğu | İstihbarat İndeksi |
|---|---|---|---|---|---|---|
| Kimi K3(max) | Kimi(Çin) | 2026/07 | 2,800B | 104B | 1 milyon | 60 |
| GLM-5.2(maks) | Z AI(Çin) | 2026/06 | 756B | 40B | 1 milyon | 53 |
| DeepSeek V4 Flash 0731 | DeepSeek(Çin) | 2026/07 | 284B | 13B | 1 milyon | 52 |
| MiMo-V2.5-Pro | Xiaomi(Çin) | 2026/04 | 1,023B | 42B | 1 milyon | 43 |
| İlham Perisi Parıltısı (yüksek) | Meta(ABD) | 2026/08 | 30B | 256K | 35 | |
| Gemma 4 31B (Akıl Yürütme) | Google (ABD) | 2026/04 | 30.7B | 256K | 30 |
Ancak bunlar aslında bilgisayarınızda çalışıyor mu? Bunu gerçekten anlamıyorum. Bu nedenle, dikkate aldığımız belirleme yöntemi şuydu:
Gerekli VRAM belleği:
parametre 1[B] başına 2[GB]
öyle. Bilgisayarınızın VRAM bellek kapasitesine ve çalıştırmak istediğiniz modelin parametre sayısına göre çalışıp çalışmayacağını kabaca tahmin edebilirsiniz. Öyleyse,
**Matematiksel olarak Kimi-K3'ü çalıştırmak için 5,6 TB (5,600 GB) bellek gereklidir. **
Bunun nedenini açıklayacağım. Standart dağıtılmış LLM modelinde ağırlıklar, bf16 veya fp16 hassasiyetiyle ondalık sayılar kullanılarak ifade edilir. Bunlar her parametre için 2 Bayt gerektirir. 30[B] gibi sıklıkla gördüğünüz gösterim, parametre sayısıdır ve B, milyar anlamına gelir ve 10^9'u temsil eder. Dolayısıyla 30[B] gibi bir modelin 30×10^9 ağırlık verisine sahip olduğu görülmektedir. Ve 1[GB]=1*10^9[Bayt]. Bu şekilde düşünürsek, daha önce standart ağırlıkların 2 Bayt'ta saklandığından bahsetmiştik, dolayısıyla ağırlık başına 2 Bayt gerekir, bu da 1 [B] parametrenin hafızada saklanması 2 [GB] anlamına gelir. Hesaplama bu. Bu, daha önce bahsedilen "1[B] parametresi başına 2[GB]" ifadesinin anlamıdır. Ancak bu sadece bir tahmindir; ağırlıkların VRAM'e yüklenmesi için minimum gereksinim budur ve buna ek olarak bellek de kullanılabileceği için bu sınırın aşılmaması kesinlikle tavsiye edilir. Bu VRAM kapasitesidir.
İşte burada kuantizasyon kavramı devreye giriyor. Q4_0 veya Q4_K_M'yi görmüş olabilirsiniz. Bu, ağırlığı bit sayısına sıkıştıran bir tekniktir. Bu nedenle, kabaca söylemek gerekirse, Q4_0 durumunda ağırlık kapasitesi 4 bittir (Q4_0'ın 4 kısmı). Dolayısıyla bu durumda kapasite 1[B] başına 0,5[GB] olur. Bunların hızlı bir referans tablosu şuna benzer:
| Niceleme yöntemi | 1[B] [GB] başına gerekli bellek miktarı |
|---|---|
| bf16,fp16(standart) | 2.0 |
| S8_0 | 1.0 |
| S4_0 | 0,5 |
Q4_K_M gibi bir notasyon görebilirsiniz ancak kabaca konuşursak Q4_0'a göre doğruluğu arttıran ancak biraz daha fazla hafıza kapasitesi kullanan bir modeldir. Bunun farkında olmak iyidir. Bunu anlamanın başka bir yolu daha var; ağırlık dosyasının dosya boyutuna (safetensor veya gguf) bakmak yeterlidir. Bu, VRAM bellek kapasitesini aşarsa genellikle çalışmaz. Bence sen de öyle düşünebilirsin.
Buradan VRAM belleği miktarı, niceleme yöntemi ve parametre sayısına ilişkin hızlı bir referans tablosu oluşturduk.
| VRAM bellek kapasitesi [GB] | Parametre sayısı (bf16,fp16)[B] | Parametre sayısı (Q8_0)[B] | Parametre sayısı (Q4_0)[B] |
|---|---|---|---|
| 8 | 4 | 8 | 16 |
| 16 | 8 | 16 | 32 |
| 24 | 12 | 24 | 48 |
| 32 | 16 | 32 | 64 |
| 64 | 32 | 64 | 128 |
| 128 | 64 | 128 | 256 |
| 256 | 128 | 256 | 512 |
| 512 | 256 | 512 | 1024 |
| 1024 | 512 | 1024 | 2048 |
| 2048 | 1024 | 2048 | 4096 |
Yaklaşık ne kadar sürede yapılabilir? Bunu göz önünde bulundurursak 8GB VRAM'li bir model olursa RTX 5050 olacak ve Amazon fiyatı 55.000 yen olacak. Eğer model Q8_0 ile kuantize edilmiş yaklaşık 8[B] ise bu işe yarayabilir. Seviye budur.
VRAM 16 GB'a çıktığında ise maliyeti yaklaşık 108.000 yen olan RTX 5060 Ti civarında bir model haline geliyor. Bu noktada Q4_0 kuantizasyonu ile 30[B] sınıfı bir LLM çalışacak ya da çalışmayacaktır. Seviye budur.
VRAM 32 GB'a çıktığında RTX 5090'ın amiral gemisi modeli haline geliyor ve maliyeti 795.000 yen. Konu bu olunca sanırım çok fazla kararlılığınız olmadığı sürece yapamayacağınız düzeyde. Bence de. Bu, Q8_0'ın kuantizasyonu ve 30[B] sınıfı modelinin çalışıp çalışmadığıdır. Yaklaşık aynı seviyede olacak.
Bu alan tüketici ürünü seviyesinin en üst çizgisidir. Artık profesyonel seviyeye gelindiğinde RTX PRO 6000 Blackwell, 96 GB bellekle donatılıyor. **Fiyat 2,35 milyon yen. ** Burada, Q4_0 nicemleme seviyesinde bile yalnızca 192[B] modeli çalışır, dolayısıyla amiral gemisi modeli çalışmaz.
Sunucuya kurulacak GPU kümesine ilişkin veriler olduğundan, bunları yalnızca referans amacıyla yayınlayacağım. NVIDIA B300 durumunda bellek 288 GB ve fiyatı 8,63 milyon yendir. Eğer bir ise, Q8_0 nicemlemeli DeepSeek V4 Flash 0731 işe yarayabilir. Q4_0 çalışacaktır. İki tane varsa (17 milyon yene eşdeğer), Q4_0 nicemlemeli MiMo-V2.5-Pro işe yarayabilir.
https://www.nttpc.co.jp/cgi-bin/gpu/simulation/custom/index.cgi
Dolayısıyla hafıza miktarını ve parametre sayısını karşılaştırırsanız bununla ilgili. Elbette bundan daha fazlası ve bunun hafızalara yerleşip yerleşmeyeceği tartışılacak. Peki normal şekilde kullanılacak kadar TOK/s üretiyor mu? Başka bir sorun daha var. Bu makale en temel şeylerden bahsediyor. LLM'nin Yoğun ve MoE adı verilen mimarileri vardır ve MoE'de aslında yalnızca aktif parametreler hesaplanır ve yürütme yöntemine bağlı olarak, tüm Uzmanları her zaman hafızada saklamak yerine gerekli Uzmanları depolama vb. yerlerden okuyarak fiziksel hafıza miktarını azaltmanın bir yolu vardır. Ancak modelin yürütülme şeklinin bazı özel yönleri vardır ve depolamadan belleğe yükleme bir darboğaz haline gelebilir. Bunun gibi hikayeler var ama biz burada bu tür detayları görmezden geliyoruz ve modelin tüm ağırlıkları hafızada saklandığında sadece kapasiteyi düşünüyoruz.
Dolayısıyla, mevcut Q4_0 veya Q8_0 nicemlenmiş amiral gemisi modelini çalıştırmak istiyorsanız, maliyeti en az 10 milyon yen olan bir makineye ihtiyacınız olacak. Hissi bu. Öte yandan, daha da büyük niceleme elde etmek için özel donanım kullanırsanız işe yarayabilir. Örneğin, 128 GB belleğe (tükendi) ve DGX Spark'a (128 GB bellek) sahip M4 Mac'te 2 bit niceleme ve 3 bit niceleme çalıştıran kişiler var.
https://zenn.dev/tkhr_sait/articles/20260508_try-local-deepseek-v4
https://dev.classmethod.jp/articles/dgx-spark-deepseek-v4-flash-0731-llama-cpp/
Öte yandan bu muhtemelen bir birey için sınırdır. Bu bir cilt hissi. Şahsen ben 1 bitlik kuantizasyona dikkat ediyorum. Ünlü modeller arasında Bonsai ve BitNet gibi teknolojiler yer alıyor, ancak 1 bitlik nicelemenin nasıl yapıldığı henüz kamuya açıklanmadı, bu yüzden denemedim (muhtemelen çok fazla zaman alır ve çıkarım doğruluğunu azaltır).
Dolayısıyla, kişisel olarak, DeepSeek'in 1 bitlik sayısallaştırılmış bir sürümü (yaklaşık 35,5 GB) yayınlansaydı, biraz ustalığa bağlı olarak bunun tüketici sınıfı bir GPU üzerinde yerel olarak çalıştırılabileceği bir dünya görebilirdim, ancak şu anda buna sahip olmadığımız için bu oldukça zor. Dürüst gerçek budur.
Öyleyse,
**Amiral gemisi modelini yerel LLM ile çalıştırmak gerçekçi değildir. **
Genel izlenimim bu. Gerçekten çalışmasını istiyorsanız, bazı testler yapmanız gerektiğini düşünüyorum.
düşünce
Bu sefer konuşmamı yerel LLM'ye odakladım. Kimi-K3 çıktığında oldukça şok oldum ve Fable sınıfı yerel LLM'ye taşındı! Oldukça etkileyiciydi ama elimdeki ekipmanlarla onu hareket ettiremiyorum bile. Bu benim dürüst izlenimimdi. Geçmişte yerel Yüksek Lisans hakkında bir makale yayınlamıştım, ancak o zamanlar pek işe yaramadı, bu yüzden konuyu biraz daha derinlemesine incelemek istiyorum. Ben de öyle düşünmüştüm.