Multimodal Yapay Zekâ Nedir? (Ve Neden Nadiren Tek Bir Model Demektir)

"Multimodal" iki farklı şey için kullanılıyor ve bunları karıştırmak gerçek hayal kırıklıklarına yol açıyor.

Birinci anlamı, birden fazla girdi türünü okuyabilen bir model — metin, görsel, ses, video. İkincisi ise birden fazla çıktı türü üretebilen bir sistem. Neredeyse hiçbir model ikisini birden yapmıyor, ve bu iki gerçek arasındaki boşluk "multimodal uygulama" yapmanın neden genelde birkaç modeli birbirine bağlamak demek olduğunu açıklıyor.

Rakamlar son kontrol: 26 Ağustos 2026.

Modalite nedir

Modalite bir veri türüdür: metin, görsel, ses, video. Bir model birden fazlasını işliyorsa multimodaldir.

İşe yarayan soru asla "multimodal mı" değil, "hangi modaliteler, hangi yönde" — çünkü okumak ve yazmak tamamen farklı yeteneklerdir.

Bugünün büyük modelleri gerçekte ne kabul ediyor

Aşağı değil, yana doğru oku. Buradakilerin hepsi yalnızca metin üretiyor.

İki şey göze çarpıyor.

Gemini ses ve video okuyor; Claude ve GPT okumuyor. Şu an büyük aileler arasındaki en net yetenek farkı bu, ve bir kalite yargısı değil — kabul edilen girdi türlerinin listesi. Girdin kayıtlı bir toplantı ya da bir video klipse, bu fark modelini her şeyden önce belirler.

Tablodaki her aile metin yazıyor, başka bir şey değil. Gemini bir videoyu izleyip anlatabilir. Video yapamaz.

Peki görselleri ve videoları kim üretiyor?

Tamamen başka modeller. Yalnızca Atlas Cloud'un kataloğunda dağılım şöyle:

O görsel ve video modellerinin neredeyse hepsi tek bir iş yapıyor: metin girer, tek türde medya çıkar. Sohbet etmezler, belge okumazlar, ve yukarıdaki tablodaki modeller değildirler.

2026'da multimodal yapay zekânın pratikteki şekli bu: birkaç girdi türü okuyabilen bir metin modeli, artı her çıktı türü için uzman üreticiler, ve bunları birbirine bağlayan senin kodun. Her şeyi yapan tek bir model değil.

Bu ayrımı modeller sayfasında görebilirsin — sohbet, görsel ve video ayrı listeler, çünkü ayrı model aileleri.

Multimodal girdi gerçekte ne tutuyor

Görseller ve belgeler bedava okunmuyor. Her şey gibi token'a çevriliyorlar ve Anthropic sayıları yayınlıyor:

• Bir görsel artı kısa bir talimat: 1.028 girdi token
• Bir PDF artı kısa bir talimat: 2.188 girdi token

Yani yirmi ekran görüntülü bir istek, senin promptundan önce yaklaşık 20.000 girdi token'ı harcıyor. Claude Sonnet 5'te 1M başına $2.00'dan bu, istek başına dört sent — bir kez önemsiz, ayda elli bin istekte gerçek.

Video daha da ağır, ve bu da neden daha az sağlayıcının video kabul ettiğinin bir parçası.

Multimodal gerçekten nerede hak ediyor

• Resim hâlindeki belgeleri okumak. Taramalar, ekran görüntüleri, fişler, el yazısı formlar. Görme yetisi olan bir metin modeli, bir OCR hattının yerini alır ve hiç eğitilmediği yerleşimlerle başa çıkar.
• Ses ve video anlama. Toplantı özetleri, çağrı analizi, klip tarifi. Bugün bu Gemini'yi işaret ediyor, çünkü o girdileri kabul eden aile o.
• Temellendirilmiş üretim. Modele marka fotoğraflarını göster ve onlara uyan metin iste.
• Arayüz işleri. Modele bozuk bir sayfanın ekran görüntüsünü ver ve neyin yanlış olduğunu sor.

Nerede hak etmiyor

• Medya çıktısı gerektiğinde. Uzman bir üreticiye uzan. O 196 video ve 121 görsel modeli bunun için var.
• Düz metin yeterken. Ayrıştırabileceğin bir PDF'i görme modeline okutmak, harcamana gerek olmayan bin token demek.
• "Multimodal" pazarlama işi yaparken. Görsel okuyan bir model otomatik olarak metinde daha iyi değildir. Sıfata değil, modalite listesine bak.

Nasıl seçilir

1. Yönü yaz. Ne giriyor, ne çıkıyor. İki liste.
2. Okuyucuyu girdi türüne göre seç. Girdi listende ses ya da video varsa, büyük üçlü arasında bugünkü cevap Gemini ailesi.
3. Her üreticiyi ayrı seç. Görsel, video ve ses modelleri kendi meziyetlerine ve kendi fiyatlarına göre seçilir.
4. Girdileri bütçele. Görsel başına bin token, PDF başına iki bin, gerçek istek hacminle çarp.

Özet

• Multimodal, modelin ne okuduğunu, ne yazdığını ya da ikisini birden tarif eder — hep hangisi olduğunu sor.
• Gemini ses ve video okuyor. Claude ve GPT metin, görsel ve dosya okuyor. Hepsi yalnızca metin yazıyor.
• Medyayı ayrı uzman modeller üretiyor: tek bir sağlayıcıda 196 video, 121 görsel ve 20 ses modeli.
• Gerçek bir multimodal uygulama genelde bir okuyucu artı bir ya da birkaç üretici, senin kodunla bağlanmış hâlidir.
• Görseller yaklaşık 1.000, PDF'ler yaklaşık 2.000 girdi token'ı tutar. Etrafına tasarım yapmadan önce hacminle çarp.

ElliSekiz'de devamı

Aileleri yan yana gör. Modeller sayfası sohbet, görsel, video ve sesi ayırıyor, her biri güncel fiyatlarıyla.

Okuyucuları fiyata göre karşılaştır. Her metin modelinin token oranları karşılaştırma sayfasında, her sağlayıcının faturaladığı birimde.

Kod değil, görsel ve video mu üretmek istiyorsun? Yukarıdaki görsel, video ve ses üreten modeller Reelina AI'da da var: film, reel ve hikâye üretmek için bir yaratıcı stüdyo — tek kredi bakiyesi, API anahtarı yok.

Kaynaklar

• OpenRouter models API, https://openrouter.ai/api/v1/models (girdi ve çıktı modaliteleri, 26 Ağustos 2026'da okundu)
• Atlas Cloud model kataloğu API'si, https://api.atlascloud.ai/api/v1/models (model türü sayıları)
• Anthropic — Token counting (görsel ve PDF token sayıları)