---
title: "JSON Sıkıntısını Aşmak: IBM Granite 4.1 ve LLMON ile Yapısal Bağlam Yönetimi"
url: https://blog.edumints.com/json-sikintisini-asmak-ibm-granite-4-1-ve-llmon-ile-yapisal-baglam
category: "LLM"
date: 2026-11-13T06:06:32.968Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Blog"
source_url: https://huggingface.co/blog/ibm-granite/llmon-an-llm-native-markup-language-now-in-granite
---

# JSON Sıkıntısını Aşmak: IBM Granite 4.1 ve LLMON ile Yapısal Bağlam Yönetimi

Büyük dil modelleriyle çalışan uygulamalar geliştirirken bağlam penceresini yönetmek giderek zorlaşıyor. Sistem komutları, eski sohbet turları, getirilen belgeler, araç yanıtları, kullanıcı verileri, çıktı kısıtlamaları ve akıl yürütme zincirleri aynı metin yığınına doluşuyor. Çoğu zaman bu karmaşık yapıyı modele örtük biçimde veriyor ya da JSON gibi insanlar ve ayrıştırıcılar (parser) için tasarlanmış biçimlere sıkıştırıyoruz. Küçük ölçekli modeller bu noktada kolayca kırılıyor.

JSON, nedensel (causal) dil modelleri düşünülerek üretilmedi. Tokenizer dilbilgisi kurallarına uymak zorunda kalmazken, yapıyı belirten `{`, `"` ve `:` gibi karakterler sıradan metinlerin içinde de karşımıza çıkıyor. Bu belirsizlik hem beklenmedik üretim hatalarına yol açıyor hem de dolaylı prompt injection saldırılarına kapı aralıyor.

## LLMON ve Granite 4.1 Önizleme Modelleri Neler Getiriyor?

IBM Granite ekibi, yapı ve anlamı modele açıkça iletmek için **LLMON** (LLM Object Notation, "lemon" diye okunuyor) adını verdiği, dil modellerine özgü yeni bir işaretleme dili geliştirdi. Bu dili doğrudan okuyup üretebilen iki deneysel model de yayınlandı: `granite-4.1-3b-LLMON-preview` ve `granite-4.1-8b-LLMON-preview`. Granite 4.1 temel modellerinden türetilen bu sürümlerin yanında, şablonlar, iş akışı örnekleri ve dönüştürme araçları içeren bir GitHub deposu da paylaşıldı.

LLMON, anlamsal olarak bütünlüklü bileşenleri özel ayrılmış token sınırları içine alınan anlamlı etiketlerle işaretliyor. İç içe geçmiş veri şemaları bile nedensel bir dil modelinin yanlış yorumlayamayacağı netlikte tanımlanıyor. Sistemin en dikkat çekici yanı ise benzersiz kimlik (ID) yapısı. Programlama dillerinde bir fonksiyonu çağırıp ona argüman göndermeye benzer biçimde, bağlamın herhangi bir yerindeki talimatlara benzersiz kimliklerle işaret edebiliyor ve bu talimatları yalnızca işlemeleri gereken veri yüklerine bağlayabiliyorsun.

## Geliştiriciler İçin Neyi Değiştiriyor?

Bu mimari ayrım, uygulama geliştirirken boğuştuğumuz üç temel sorunu doğrudan çözüyor:

- **Prompt Injection Direnci:** Talimatlarla kullanıcı verisi birbirinden kesin sınırlarla ayrıldığı için, dış verinin içine gizlenmiş dolaylı prompt injection saldırıları model tarafından büyük ölçüde yok sayılıyor. Standart talimatlarla eğitilmiş modeller yüksek olasılıkla ele geçirilirken, LLMON modellerinde bazı kıyaslamalarda saldırı başarı oranı neredeyse sıfıra düşüyor. Üstelik bu güvenlik artışı, Granite 4.1 Instruct modellerine kıyasla genel yeteneklerden ödün vermeden sağlanıyor.
- **Bağlam Kirliliğinin Önlenmesi:** Her talimat yalnızca etkileyeceği veriye bağlandığından, alakasız metin parçaları, eski konuşma turları veya araç çıktıları üretilen yanıta sızmıyor.
- **Uygulama Koduyla Doğrudan Uyum:** Talimatlar, veriler ve gereksinimler net biçimde işaretlendiği için uygulama kodu düzeyindeki yapı ve anlam doğrudan model tarafından kullanılabiliyor.

## Projelerinde Nasıl Deneyebilirsin?

Modeli JSON yapısına uymaya zorlama derdinden kurtulmak için mevcut JSON verilerini paylaşılan dönüştürücülerle kayıpsız biçimde LLMON formatına çevirebilirsin. Süreci sıfırdan kurgulamak istemiyorsan, LLM çağrılarını otomatik olarak LLMON formatına dönüştüren yerel desteğe sahip **Mellea** üzerinden sistemi hemen deneyebilirsin.

İhtiyaçların hazır şablonların ötesine geçiyorsa kendi veri yapını ve etiketlerini tanımlaman da mümkün. Tanımladığın bu özel yapıyı anlaması için LLMON modellerinin üzerine bir LoRA eğiterek sistemi kendi uygulama mimarine uyarlayabilirsin. Küçük modellerle güvenli ve tutarlı ajan iş akışları kurmak istediğinde, veriyi ayrıştırıcıların dilinden çıkarıp modelin doğal diline yaklaştırmak elini güçlendirecektir.

---

Bu konuyu derinlemesine öğrenmek istersen: [Structured Output ve JSON Modu](https://edumints.com/kesfet/sistematik-prompt-muhendisligi-ve-dspy-ile-program-xpig) modülüne göz at.

---

**Kaynak:** Hugging Face Blog (https://huggingface.co/blog/ibm-granite/llmon-an-llm-native-markup-language-now-in-granite)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/json-sikintisini-asmak-ibm-granite-4-1-ve-llmon-ile-yapisal-baglam