💡 3 Maddede Bu Yazının Özeti
Unsloth Studio güncellemesi, sistem istemlerini, mesaj rollerini ve görsel sorularını eğitim verisinde koruyor. Dört düzeltmenin gerçek kullanım etkileri ve sınırları.
Bir yapay zekâ modelini kendi verilerinizle eğitirken sorun her zaman modelin büyüklüğü değildir. Sorunun kaynağı, doğru görünen bir veri dosyasının eğitim sırasında yanlış yorumlanması da olabilir. Unsloth’un 7 Ekim 2026’da yayımladığı v0.1.904-beta sürümünde yer alan Studio düzeltmeleri tam bu noktaya odaklanıyor: sohbetlerin sistem talimatları, mesaj rolleri, görsellere ait sorular ve şeffaf görsellerin arka planı eğitim verisine daha doğru taşınıyor.
Bu, yeni bir modelin herkesten daha başarılı olduğunu ilan eden bir haber değil. Güncellemenin asıl değeri, kullanıcının hazırladığını düşündüğü örnek ile modelin gerçekten gördüğü örnek arasındaki farkı azaltması. Özellikle destek konuşmalarından eğitim kümesi çıkaran ekipler ve görsel modelleri kendi örnekleriyle uyarlayan geliştiriciler için dört değişiklik birlikte değerlendirilmeyi hak ediyor. Aşağıdaki değerlendirme resmî sürüm notlarına ve birleştirilmiş değişiklik kayıtlarına dayanıyor; bağımsız bir eğitim performansı testi yapılmış değil.
Sohbeti dışa aktarmak, bağlamı da dışa aktarmak demek
Bir müşteri destek asistanına “yalnız Türkçe yanıt ver, kişisel bilgileri tekrarlama ve yanıtı belirli bir cümleyle bitir” dediğinizi düşünün. Asistan bu kurallarla çalışır; ancak dışa aktarılan dosyada yalnız kullanıcının sorusu ile asistanın cevabı bulunursa, cevabın neden o biçimde yazıldığı kaybolur. Daha sonra bu dosyayla eğitilen model, davranışı oluşturan talimatı değil yalnız davranışın sonucunu görür.
Sistem istemini dışa aktarmaya ekleyen değişiklik, sohbetin sistem istemini ve varsa proje talimatlarını başlangıçtaki bir sistem mesajına taşıyor. Kayıt; Training JSONL, Message JSONL, ShareGPT, CSV ve Markdown biçimleriyle toplu ve proje dışa aktarımlarını, ayrıca sohbetleri eğitim verisi olarak kullanma yolunu kapsıyor. Proje talimatları önce, değişkenleri doldurulmuş sistem istemi ardından geliyor. Böylece yanıtın yanında o yanıtı yönlendiren çerçeve de korunuyor.
Buradaki önemli sınır şu: metin, sohbetin mevcut ayarlarından alınıyor; tarih ve saat gibi yerleşik değişkenler dışa aktarma anında dolduruluyor. Dolayısıyla bu dosyayı geçmişteki her mesajın birebir çalışma kaydı olarak görmek doğru değil. Sohbet sırasında talimat değiştirdiyseniz, eğitim kümesine eklemeden önce örneklerin hangi talimatla üretildiğini ayrıca kontrol etmeniz gerekir. Güncelleme bağlam kaybını azaltıyor, fakat tarihsel sürüm takibinin yerine geçmiyor.
Mesaj listeleri artık düz metin gibi ele alınmıyor
İkinci düzeltme daha teknik görünse de sonucu oldukça somut. Bazı veri kümelerinde prompt ve completion sütunları tek bir cümle değil, rol ve içerik alanları taşıyan mesaj listeleri içerir. İlk sütunda sistem talimatı ve birkaç kullanıcı mesajı, ikinci sütunda asistan yanıtı bulunabilir. Bunları düz yazıya çevirmek, sohbetin yapısını kaybettirir.
Konuşma biçimindeki prompt/completion düzeltmesinin açıklamasına göre önceki davranış, bu listelerin Python metin gösterimini eğitim içeriğine dönüştürebiliyordu. Bir sütun mesaj listesi, diğeri düz metin olduğunda ise soru veya yanıtın düşmesi mümkündü. Yeni davranış, mesajları kendi rolleriyle aynı konuşmaya ekliyor; hem otomatik eşleştirmede hem eşleştirme penceresinden ilerlerken bu yapı korunuyor. Düz metin çiftlerinin işlenişi değişmiyor.
Gerçek kullanımda bunun karşılığı, örneğin üç turlu bir destek konuşmasının anlamsız köşeli parantezler ve sözlük gösterimleriyle öğretilmemesi. Yine de “otomatik eşleştirme başarılı” bildirimi tek başına yeterli kontrol değil. Eğitim önizlemesinde sistem, kullanıcı ve asistan sırasını açıp okumak; boş yanıtları ve yanlış rol atamalarını ayıklamak hâlâ veri hazırlama sürecinin parçası olmalı.
Görsel eğitiminde her satır kendi sorusunu koruyor
Bir geometri görselinin yanında “işaretli açıyı hesapla” sorusu varken, modele yalnız “bu resmi ayrıntılı anlat” denildiğini düşünün. Doğru cevap eğitim kümesinde mevcut olsa bile soru ile cevap artık aynı işi tarif etmez. Görsel anlama eğitimindeki düzeltme bu tür sessiz bir sapmayı hedefliyor.
Satıra özgü soruları koruyan kayıt, önceden yalnız belirli küçük harfli sütun adlarının tanındığını açıklıyor. problem, input, inputs veya büyük harfle başlayan Question gibi adlar kullanıldığında satırın sorusu atlanabiliyor, yerine sabit bir yönerge gelebiliyordu. Artık soru sütunu büyük-küçük harften bağımsız eşleştiriliyor ve bu alternatif adlar da kabul ediliyor. Görsel ve yanıt sütunları soru olarak yeniden kullanılmıyor.
Bu değişiklik, resim üzerindeki farklı ayrıntılara yönelik sorular içeren veri kümeleri için önemli. Ancak soru sütunu hiç bulunmayan verilerde sabit yönerge davranışı devam ediyor. Güncelleme eksik soruyu kendiliğinden üretmiyor. Bu nedenle eğitimden önce rastgele birkaç satır değil, kullanılan her sütun şemasından örnek seçmek daha sağlıklı: görsel, soru ve hedef yanıtı birlikte inceleyin. Başarının ölçüsü yalnız dosyanın yüklenmesi değil, üç parçanın aynı görevi anlatmasıdır.
Şeffaf görsellerde arka plan artık beyaz
Dördüncü değişiklik, görsel LoRA eğitimi yapanları ilgilendiriyor. PNG ve WebP şeffaflığına ilişkin düzeltme, saydam alanların eğitim öncesinde beyaz arka planla birleştirilmesini sağlıyor. Önceki yol, saydamlığın altındaki renk değerlerini koruyabiliyordu; birçok dışa aktarıcıda bu değerler siyah olduğu için çıkartmalar veya kesilmiş karakter görselleri siyah arka planlı örneklere dönüşebiliyordu.
Kayıt, yeni işlemin hem doğrudan yükleme hem latent önbelleği için geçerli olduğunu, eğitim ekranındaki küçük resimlerin de aynı dönüşümü kullandığını belirtiyor. Opak görsellerin yüklenişi değişmiyor. Bu sayede önizleme ile modelin gördüğü görüntü arasındaki tutarlılık artıyor. Yine de beyaz arka plan her proje için ideal değildir: beyaz bir logo veya açık renkli bir nesne üzerinde çalışıyorsanız eğitim görsellerini amaçladığınız arka planla önceden hazırlamak daha kontrollü bir tercih olabilir.
Maliyet ve lisans: ücretsiz araç, ücretsiz eğitim anlamına gelmiyor
İncelenen sürüm etiketindeki Unsloth depo lisansı Apache 2.0. Sürüm notları Desktop uygulamasını ücretsiz ve açık kaynak olarak tanımlıyor. Ancak yazılımın lisansı; eğitimde seçtiğiniz temel modelin, veri kümesinin veya üçüncü taraf bileşenlerin koşullarını ortadan kaldırmıyor. Ticari kullanım düşünüyorsanız bunları ayrı ayrı değerlendirmek gerekiyor.
Eğitim maliyeti de kullanılan model, görsel çözünürlüğü, örnek sayısı, GPU belleği ve eğitim süresine bağlı. Bu dört düzeltmeden hareketle belirli bir ücret ya da hız kazancı vermek mümkün değil. Pratik bütçe önerisi, önce küçük bir örnek kümesinde veri dönüşümünü doğrulamak, ardından kısa bir deneme eğitimi yapmak. Yanlış hazırlanmış veriyi büyük bir GPU üzerinde daha hızlı işlemek, yalnızca hatalı denemeye daha fazla kaynak ayırmak demek olabilir.
Gizlilik ve güvenlik açısından yeni kontrol noktası
Sistem isteminin artık dışa aktarıma katılması kalite açısından yararlı; aynı zamanda dosyada hangi bilgilerin bulunduğunu yeniden gözden geçirmeyi gerektiriyor. İç talimatlar, proje açıklamaları veya değişkenlere yazılmış kurum bilgileri daha önce yalnız ayarlarda dururken artık paylaşılan eğitim dosyasına girebilir. Bir dışa aktarımı başka bir ekibe ya da bulut eğitim hizmetine göndermeden önce başlangıçtaki sistem mesajını da kişisel ve kurumsal veri denetimine dahil edin.
Bu, sürümde bir veri sızıntısı bulunduğu iddiası değil; belgelenmiş davranış değişikliğinin kullanım sonucu. Aynı şekilde yerel bir arayüz kullanmak, bütün iş akışının çevrimdışı kaldığını tek başına kanıtlamaz. Model indirme, haricî hizmetler ve seçilen eğitim altyapısı ayrıca değerlendirilmelidir. Deneme verisinde gerçek müşteri bilgileri yerine anonimleştirilmiş örnekler kullanmak, düzeltmeleri sınarken gereksiz veri paylaşımını azaltır.
Yükseltmeden sonra ilk yapılacak iş
Bu yazının odağı 7 Ekim tarihli beta sürümde belgelenen veri düzeltmeleri; sürüm adındaki beta ifadesi de göz ardı edilmemeli. Çalışan ortamınızı doğrudan değiştirmek yerine veri kümenizin ve ayarlarınızın kopyasıyla karşılaştırma yapın. Eski dışa aktarımların kendiliğinden tamamlandığını veya daha önce eğitilmiş bir modelin güncelleme kurulduğunda düzeldiğini varsaymayın. Gerekiyorsa veriyi yeniden dışa aktarın ve eğitim örneklerini tekrar oluşturun.
En yararlı kabul testi basit: bir sohbet örneğinde sistem talimatını ve rolleri, bir görsel örneğinde soruyu ve yanıtı, bir şeffaf görselde arka planı kontrol edin. Sonra aynı küçük değerlendirme kümesiyle eski ve yeni çıktıları karşılaştırın. Unsloth’un bu değişiklikleri daha büyük model seçme yarışından farklı bir noktayı hatırlatıyor: güvenilir uyarlama, önce modele gerçekten ne öğrettiğinizi görebilmekle başlar.
