---
title: "Modeller Fazla Düzenleme Yaptığında: Minimal Kod Değişikliklerinin Sadakati Üzerine"
url: https://blog.edumints.com/modeller-fazla-duzenleme-yaptiginda-minimal-kod-degisikliklerinin
category: "LLM"
date: 2026-09-07T09:07:47.351Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Papers"
source_url: https://huggingface.co/papers/2609.04061
---

# Modeller Fazla Düzenleme Yaptığında: Minimal Kod Değişikliklerinin Sadakati Üzerine

Büyük dil modelleri (LLM'ler), modern yazılım mühendisliğinde kod yazma, refaktör etme ve hata düzeltme (code repair) senaryolarında her geçen gün daha merkezi bir rol üstlenmektedir. Ancak yazılım geliştirmede doğruluk tek kriter değildir: Başarılı ve sürdürülebilir bir hata onarımının yalnızca testleri geçmesi yetmez; aynı zamanda asgari düzeyde (minimal), ekip üyeleri tarafından rahatça denetlenebilir (reviewable) ve orijinal koda sadık (faithful) kalması beklenir. Bu araştırma, modellerin bir hatayı çözerken gerekenin ötesine geçerek çalışan kodu gereksiz yere baştan yazma eğilimi olarak tanımlanan **aşırı düzenleme (over-editing)** problemini kapsamlı biçimde incelemektedir.

## Değerlendirme Çerçevesi ve Metodoloji

Araştırmacılar, bu davranışı nesnel biçimde ölçümlemek amacıyla 400 BigCodeBench problemine dayanan titiz bir değerlendirme çerçevesi kurgulamıştır. Referans kod çözümlerine soyut sözdizim ağacı (AST) seviyesinde kontrollü sentetik bozulmalar eklenmiş ve her onarım görevi için bilinen kesin bir minimal yama (minimal patch) tanımlanmıştır. Böylece modellerin ürettiği düzeltmeler zemin gerçeği (ground truth) ile doğrudan kıyaslanabilir hale getirilmiştir.

## Öne Çıkan Bulgular ve Karşılaştırmalar

Frontier sınıfı modeller üzerinde yürütülen deneyler, kod sadakati konusunda şu kritik sonuçları ortaya koymaktadır:

- **Aşırı Düzenleme Yaygınlığı:** GPT-5.5 gibi son derece güçlü modellerde dahi bu problem yaygındır. Modelin yüksek Pass@1 başarı oranına sahip olması, kod tabanına gereksiz müdahalelerde bulunmadığı anlamına gelmemektedir; yüksek doğruluk çoğu zaman gereksiz kod değişiklikleri ve artan bilişsel karmaşıklıkla bir arada var olmaktadır.
- **Mevcut Kodu Koruma Talimatı:** Modele mevcut yapıyı korumasını belirten bir yönlendirme (**preservation instruction**) verilmesi; aşırı Levenshtein mesafesi ortalamasını 0.195'ten 0.131'e düşürmüş, eklenen bilişsel karmaşıklığı %26,6 oranında azaltmış ve Pass@1 başarımını 2,3 puan artırmıştır.
- **Akıl Yürütme ve Model Boyutu Yanılgısı:** Minimal düzenleme yeteneği, salt akıl yürütme bütçesini (reasoning budget) artırmakla veya daha büyük parametreli modeller seçmekle kendiliğinden çözülememektedir.
- **Eğitim Sonrası (Post-Training) Yaklaşımları:** Denetimli ince ayar (SFT) eğitimde görülen bozulma kalıplarına aşırı uyum (overfitting) gösterirken; pekiştirmeli öğrenme (RL), dağılım dışı (out-of-domain) senaryolarda düzenleme sadakati ile başarım koruma arasında en dengeli sonucu sunmaktadır.

## Yazılım Geliştirme Süreçleri İçin Pratik Çıkarımlar

- **Pull Request Yükünü Azaltın:** Yapay zeka asistanlarının ürettiği şişkin diff'ler kod inceleme süreçlerini zorlaştırır. Promptlara "mevcut kodu koru ve sadece hatayı gideren asgari değişikliği yap" kısıtlamasını eklemek ekip içi denetimi hızlandırır.
- **Regresyon Riskini ve Bilişsel Yükü Önleyin:** Çalışan mantığı gereksiz yere baştan yazmak, sisteme öngörülemeyen yan etkiler ve teknik borç katar. Minimal yamalar yazılımın kararlılığını güvenceye alır.
- **Düzenleme Sadakati Temel Bir Metriktir:** Otomatik kod onarımında düzenleme sadakati (edit fidelity), bağımsız ve ölçülebilir bir kalite metriği olarak ele alınmalı, test süreçlerinde yalnızca doğruluğa değil diff temizliğine de odaklanılmalıdır.

Orijinal makaleye [buradan](https://huggingface.co/papers/2609.04061) ulaşabilirsiniz.

---

**Kaynak:** Hugging Face Papers (https://huggingface.co/papers/2609.04061)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/modeller-fazla-duzenleme-yaptiginda-minimal-kod-degisikliklerinin