Tanıdık senaryo: Yeni model çıkıyor, ilk gün ağzımız açık kalıyor. "Bu iş bitti, en iyisi bu" diyoruz. Bir hafta sonra aynı model sanki yorulmuş gibi geliyor. Kodda saçmalıyor, talimatı unutuyor, kısa kesiyor. Sonra o klasik soru geliyor: "Ben mi alıştım, yoksa bunu sessizce nerf'lediler mi?"

Gelin bu soruyu tahminle değil, elimizdeki kanıtla cevaplayalım.

Önce aynaya bakalım: Balayı etkisi gerçek

İlk gün modele ne soruyoruz? Gösterişli, kısa, bitmiş işler: bir yılan oyunu yaz, şu şiiri yorumla. Model bunlarda parlıyor ve biz büyüleniyoruz.

İkinci hafta ise gerçek işe geçiyoruz: 3.000 satırlık proje, yarım kalmış tez, karışık bir Excel. Zorluk arttı ama kıyas hâlâ ilk günün kolay sorularıyla yapılıyor. Model değişmedi, sınav değişti.

İşin bir de istatistik tarafı var:

  • Aynı soru, farklı cevap. Dil modelleri bir sonraki kelimeyi olasılıklardan örnekleyerek seçer. Aynı soruyu iki kez sorun, iki farklı kalitede cevap alabilirsiniz. Kötü denk gelen bir cevap "nerf" gibi görünür.
  • Hafıza seçici çalışır. İlk günün "vay be" anları akılda kalır. Sıradan cevaplar unutulur, hatalar ise üstüne basa basa hatırlanır.
  • Uzun sohbet yorar. Saatlerce uzayan bir sohbette model eski talimatları gözden kaçırabilir. Bu, modelin değil sohbetin şişmesinin sonucu.
  • Çıta yükselir. Dün mucize olan bugün standarttır. Beklentimiz büyüdükçe aynı performans daha sönük görünür.

Peki her şey kafamızda mı? Hayır, belgelenmiş bozulmalar var

Kullanıcıların "bir şeyler değişti" şikâyetleri birçok kez haklı çıktı. Hem de firmaların kendi yayımladığı raporlarla:

  • Nisan 2026 – Anthropic, Claude Code: Üç ayrı ürün değişikliği. Varsayılan düşünme seviyesi "yüksek"ten "orta"ya çekildi (4 Mart–7 Nisan). Bir önbellek hatası, uzun süre boşta kalan oturumlarda modelin eski düşüncelerini her turda sildi (26 Mart–10 Nisan). Kısa yazma talimatı kodlama kalitesinde %3 düşüş yarattı (16–20 Nisan). Sonuç: Hepsi geri alındı, abonelerin kullanım limitleri sıfırlandı. API ve modelin kendisi etkilenmedi.
  • Eylül 2025 – Anthropic, Claude: Ağustos–Eylül başında üç altyapı hatası. İstekler yanlış sunuculara gitti (en kötü saatte Sonnet 4 isteklerinin %16'sı). Bir ayar hatası İngilizce cevapların ortasına Tayca karakter soktu. Bir derleyici hatası kelime seçimini bozdu. Sonuç: Hatalar düzeltildi, değerlendirme testleri sıkılaştırıldı.
  • Nisan 2025 – OpenAI, GPT-4o: Kişiliği iyileştirmek için çıkan güncelleme modeli aşırı övücü, "dalkavuk" yaptı. Firma kısa vadeli beğeni sinyallerine fazla ağırlık verdiğini açıkladı. Sonuç: Güncelleme bir hafta içinde geri çekildi.
  • Temmuz 2023 – Stanford ve UC Berkeley çalışması: GPT-4'ün Mart ve Haziran 2023 sürümleri karşılaştırıldı. Asal sayı tespitinde doğruluk %84'ten %51'e düştü. Sonuç: Araştırmacılar düşüşün önemli kısmını modelin talimatları izleme biçimindeki değişime bağladı. Bazı görevlerde ise performans arttı.

Dikkat edin: Bu vakaların çoğunda modelin "beyni" değil, etrafındaki sistem değişti. Sunucu yönlendirmesi, sistem talimatı, varsayılan ayar ya da yeni bir ince ayar. Kullanıcı için sonuç aynı olsa da sebep farklı.

"Yoğun saatte modeli kısıyorlar" teorisi ne kadar doğru?

Forumların en sevilen teorisi şu: Sunucular dolunca firmalar modeli gizlice küçültüyor ya da "sıkıştırıyor". Bugüne kadar bunu gösteren kamuya açık bir kanıt yok.

Firmaların kayda geçen beyanları ise net. Anthropic, Eylül 2025 raporunda talep, günün saati ya da sunucu yüküne göre model kalitesini asla düşürmediklerini yazdı. Nisan 2026 raporunda da modelleri kasıtlı olarak kötüleştirmediklerini tekrarladı.

Ama madalyonun öbür yüzü de var:

  • Aynı isim, farklı model olabilir. Sohbet uygulamalarındaki modeller zaman zaman aynı isimle güncellenir. Stanford ekibi de modellerin ne zaman ve nasıl güncellendiğinin dışarıdan görülmediğini vurguluyor.
  • Modelin etrafı sürekli değişir. Sistem talimatları, varsayılan düşünme seviyesi, sunucu ayarları. Model aynı kalsa bile bunlar çıktıyı değiştirir.
  • Firmalar her şeyi yakalayamıyor. Anthropic, iki vakada da iç testlerinin sorunu ilk başta göstermediğini kabul etti. Sorunu kullanıcı şikâyetleri ortaya çıkardı.

Yani "kasıtlı nerf" kanıtlanmadı. "Kazara nerf" ise birçok kez kanıtlandı.

Nerf mi, alışma mı? Kendiniz test edin

Hisse değil veriye bakmak için beş dakikalık bir yöntem:

  1. Kişisel test setinizi kurun. Kendi işinizden 5-10 soru seçin. Yeni model çıktığı gün cevaplarını kaydedin.
  2. Şüphelenince aynı soruları tekrar sorun. Yeni bir sohbette, aynı kelimelerle sorun. Uzun sohbetin yükünü işin dışında bırakın.
  3. Tek cevaba hüküm vermeyin. Her soruyu 2-3 kez deneyin. Cevaplar zaten doğal olarak dalgalanır.
  4. Ayarlara bakın. Model seçici, düşünme seviyesi ya da kodlama aracınızın varsayılanları değişmiş olabilir. Nisan 2026 vakası tam olarak buydu.
  5. Resmi kaynakları kontrol edin. Firmanın durum sayfası ve sürüm notları değişiklikleri çoğu zaman duyurur.
  6. Somut örnekle bildirin. Beğenmedim butonu ve geri bildirim komutları boşa değil. Anthropic, iki vakada da hataları bu somut kullanıcı örnekleri sayesinde bulduğunu yazdı.

Son söz

"Nerf'lendi mi?" sorusunun dürüst cevabı: Çoğu zaman siz değiştiniz, bazen sistem değişti, kasıtlı bir kısma ise kanıtlanmadı. Modele âşık olmadan, ona küsmeden de bakabilirsiniz. Hislerinizi bir test setiyle doğrulayın. Gerçek bir bozulma varsa, örneğinizle birlikte firmaya bildirin.

Kaynaklar

Yazı, firmaların resmî teknik raporlarına ve akademik bir çalışmaya dayanıyor; bağımsız model testi içermiyor.