Sakana Namazu API: Japonca Ajan, Fiyat ve Gizlilik Sınırları

by

⏱️ 9 dk tahmini okuma süresi
📝 1588 kelime
♿ WCAG 2.2 Uyumlu
Bu Makaleyi Sesli Dinleyin
Doğal Türkçe ses sentezleyici hazır



Kısa özet: Japonya merkezli Sakana AI, Japonca ve Japon iş kültürüne uyarlanmış Sakana Namazu modelini OpenAI uyumlu bir API olarak kullanıma açtı. Servis, Moonshot AI’nin açık ağırlıklı Kimi K2.6 modelini temel alıyor; web araması ve kod çalıştırma araçlarını aynı API üzerinden sunuyor. Fiyatlar görece anlaşılır, geçiş yolu kısa. Buna karşılık girilen veriler varsayılan ayarda model geliştirme için kullanılabiliyor, işlemenin yalnız Japonya’da yapıldığı garanti edilmiyor ve hizmet Avrupa Ekonomik Alanı, Birleşik Krallık ile İsviçre’de henüz sunulmuyor.

Yenilik ne?

Sakana AI, daha önce Sakana Chat içinde kullandığı Namazu modelinin güncellenmiş sürümünü 3 Ağustos 2026’da bağımsız bir API’ye dönüştürdü. Buradaki yenilik yalnız “bir Japonca model daha” değil. Şirket, Japonca metin üretimini; web araması, kod çalıştırma, görsel anlama ve işlev çağırma gibi ajan yetenekleriyle tek bir ticari uç noktada birleştiriyor.

Modelin temeli Moonshot AI’nin Kimi K2.6 modeli. Moonshot’ın model kartına göre K2.6, toplam 1 trilyon parametreli bir Mixture-of-Experts mimarisi kullanıyor; her belirteçte 32 milyar parametre etkinleşiyor ve bağlam penceresi 256 bin belirtece kadar çıkıyor. Sakana AI, bu tabanın üzerine kendi verileriyle Japonca ve Japon iş bağlamına yönelik ek eğitim uyguladığını, gereksiz yanıt reddetmelerini ve belirli kültürel önyargıları azaltmayı hedeflediğini söylüyor.

Önemli ayrım şu: Kimi K2.6’nın ağırlıkları indirilebilirken Sakana Namazu’nun ek eğitilmiş ağırlıkları yayımlanmış değil. Namazu, açık model temelli ama kendisi API üzerinden sunulan kapalı bir hizmet. Dolayısıyla “açık kaynak Japonca model” demek yanıltıcı olur.

Nasıl çalışıyor?

API, OpenAI istemcileriyle uyumlu olacak şekilde tasarlanmış. Mevcut bir uygulamada bağlantı adresini https://api.sakana.ai/v1 olarak değiştirmek, yeni API anahtarını tanımlamak ve model adını sakana-namazu yapmak yeterli. Bu uyumluluk, yazılımın başka sağlayıcıya taşınmasını kolaylaştırır; fakat yanıt biçimi, araç çağırma davranışı ve güvenlik filtrelerinin bire bir aynı olacağı anlamına gelmez. Üretime geçmeden önce mevcut test paketini yeni modelle yeniden çalıştırmak gerekir.

Web araması ile kod çalıştırma ayrıca ücretlendiriliyor. Model, araştırma görevinde arama sorguları oluşturabiliyor, bulduğu verileri kodla işleyebiliyor ve sonucu Japonca rapora dönüştürebiliyor. Bu yetenek pratik, ancak arama sonucunun doğru olması garanti değil. Kaynak tarihi, kanonik bağlantı ve karşıt kanıt kontrolü hâlâ uygulamanın sorumluluğunda.

Kimler için önemli?

En belirgin hedef kitle, ana çalışma dili Japonca olan ekipler. Müşteri destek e-postaları, kurumsal raporlar, yerel mevzuat ve iş yazışmaları gibi alanlarda yalnız dilbilgisi değil; hitap biçimi, resmiyet derecesi ve Japonya’ya özgü terimler de önem taşıyor. Genel amaçlı küresel modeller bu işleri yapabilse de yerel bağlam tutarlılığı her zaman aynı düzeyde değil.

İkinci grup, OpenAI uyumlu bir istemci kullanan ve sağlayıcı değiştirme maliyetini düşük tutmak isteyen geliştiriciler. Namazu için yeni bir SDK öğrenmek gerekmiyor. Türkiye’den Japonya pazarına hizmet veren e-ticaret, turizm, oyun yerelleştirme ve B2B yazılım ekipleri için de Japonca taslak üretme veya gelen talepleri sınıflandırma amaçlı bir aday olabilir. Yine de ürün sayfası Türkiye’de erişimi açıkça garanti etmiyor; kayıt sırasında ülke ve faturalandırma uygunluğu ayrıca kontrol edilmeli.

Gerçek kullanım ve maliyet hesabı

Somut bir senaryo düşünelim: Bir ekip, haftalık Japonya pazar raporu için 1 milyon giriş belirteci, 200 bin çıkış belirteci ve 100 web araması kullansın. Liste fiyatıyla model maliyeti 0,95 dolar giriş ve 0,80 dolar çıkış; arama maliyeti ise yaklaşık 0,70 dolar olur. Toplam yaklaşık 2,45 dolardır. Kod çalıştırma kullanılırsa saat başına 0,12 dolar daha eklenir. Bu kaba hesap vergileri, kur farkını, tekrar denemeleri ve uygulamanın kendi altyapı giderlerini içermez.

Bu örnek iki şeyi gösteriyor. Birincisi, kısa ve yapılandırılmış görevlerde model fiyatı düşük kalabilir. İkincisi, ajan aynı bilgiyi tekrar tekrar ararsa araç çağrıları toplam faturada hızla öne çıkar. Bu yüzden sorgu önbelleği, arama üst sınırı, zaman aşımı ve insan onayı gibi kontroller maliyet kadar güvenlik için de gerekli.

Müşteri destek senaryosunda modelin taslak yanıt üretmesi, sipariş verisinden özet çıkarması ve belirsiz vakayı çalışana aktarması makul bir başlangıçtır. Para iadesi, sözleşme değişikliği veya kişisel veri ifşası gibi geri döndürülmesi zor işlemleri ise modelin tek başına tamamlamaması gerekir.

Kurulum adımları

  1. Sakana AI Console’da hesap açıp bir API anahtarı oluşturun.
  2. Anahtarı kaynak koda yazmak yerine işletim sisteminin gizli değişken yöneticisinde saklayın.
  3. OpenAI istemcisinde base_url değerini Sakana uç noktasına, model adını sakana-namazu değerine çevirin.
  4. Önce kişisel veri içermeyen küçük bir Japonca test kümesiyle yanıt biçimini ve araç çağrılarını doğrulayın.
  5. Harcama sınırı, günlük ve hata kaydı, zaman aşımı ve insan onayı eklemeden üretim verisi göndermeyin.
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.sakana.ai/v1",
    api_key=os.environ["SAKANA_API_KEY"],
)

yanit = client.chat.completions.create(
    model="sakana-namazu",
    messages=[{
        "role": "user",
        "content": "Bu Japonca destek talebini özetle ve insan onayı gerektiren noktaları listele."
    }],
)

Bu incelemede ücretli hesap oluşturulmadı ve gerçek model çıktısı üretilmedi. API uç noktasına anahtarsız yapılan güvenli bağlantı denemesi HTTP 401 döndürdü; bu, uç noktanın erişilebilir olduğunu ve kimlik doğrulama istediğini doğruluyor, model kalitesini doğrulamıyor.

Gizlilik, erişim ve lisans

En kritik varsayılan ayar veri kullanımı. Sakana AI’nin ürün sayfasına göre istemler, yüklenen içerikler ve çıktılar model eğitimi veya geliştirmesi için kullanılabilir. Kullanıcı bunu Console ayarlarından kapatabiliyor; ancak gizlilik politikası, kapatmanın daha önce eğitilmiş modellerden veriyi geriye dönük olarak çıkarmayabileceğini belirtiyor. Hassas müşteri verisi gönderecek ekipler ilk çağrıdan önce bu ayarı kontrol etmeli.

Şirket, verinin tamamen Japonya içinde işlendiğini garanti etmiyor; politika Japonya ve ABD dahil sınır ötesi aktarım olabileceğini söylüyor. Kurumsal planda bölge seçimi ve sıfır veri saklama konuşulabiliyor, fakat bunlar standart bireysel planın belgelenmiş varsayılanları değil.

Hizmet şu anda AB/AEA, Birleşik Krallık ve İsviçre’de sunulmuyor. Faturalandırma standart planda ABD dolarıyla yapılıyor; Japon yeniyle ödeme kurumsal görüşmeye bağlı.

Temel Kimi K2.6 ağırlıkları “Modified MIT” lisansına sahip. Lisans genel olarak kullanma, değiştirme ve dağıtmaya izin veriyor; ancak aylık 100 milyondan fazla aktif kullanıcısı veya 20 milyon dolardan fazla aylık geliri olan ticari ürünlerin arayüzünde “Kimi K2.6” adını belirgin biçimde göstermesini şart koşuyor. Bu hüküm, standart MIT lisansından ayrılıyor. Ayrıca Namazu API hizmetinin kullanım koşulları, temel modelin ağırlık lisansından ayrı değerlendirilmelidir.

Sınırlamalar ve dikkat edilmesi gerekenler

Sakana AI, Japonca talimat izleme için JFBench’i kullandığını ve her kısıt düzeyinden 200 örnek seçtiğini açıklıyor. Buna karşılık çeviri testi ile FairPoliticsQA şirket içi ölçümler; veri kümesi, değerlendirme kodu ve bağımsız tekrar sonuçları yayımlanmış değil. FairPoliticsQA’da bildirilen yüzde 34,10’dan 56,30’a artış bu nedenle bağımsız bir kalite garantisi olarak görülmemeli.

Model kartında Kimi K2.6’nın güçlü ajan ve kodlama sonuçları var, fakat Namazu’nun ek eğitiminin muhakeme performansını her kullanımda koruduğunu yalnız üreticinin testleri söylüyor. Türkçe-Japonca çeviri, ekran okuyucuyla kullanılan arayüzler veya belirli sektör jargonları için ayrı test gerekir. API erişilebilirlik açısından komut satırı ve mevcut araçlarla bütünleşmeye elverişli; buna karşın doğrudan son kullanıcı arayüzü sunmadığı için klavye akışı, hata mesajları ve alternatif metin kalitesi uygulamayı geliştiren ekibin sorumluluğunda kalır.

Sonuç olarak Sakana Namazu, Japonca yoğun iş akışlarında düşük geçiş maliyeti ve açık fiyatlandırmasıyla denenmeye değer. Fakat varsayılan veri kullanımı, bölgesel kısıtlar ve bağımsız değerlendirme eksikliği giderilmeden hassas veya tamamen otonom süreçlere bağlanmamalı.

Kaynaklar

✅ Uygulama Başarıyla Güncellendi!
🟢 Profil Uygulandı