---
title: "UNREAL: Tek Model ile Bilgi Getirme ve Uzun Bağlamın Birleştirilmesi"
url: https://blog.edumints.com/unreal-tek-model-ile-bilgi-getirme-ve-uzun-baglamin-birlestirilmesi
category: "LLM"
date: 2026-10-07T09:22:53.662Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Papers"
source_url: https://huggingface.co/papers/2610.08463
---

# UNREAL: Tek Model ile Bilgi Getirme ve Uzun Bağlamın Birleştirilmesi

## Giriş ve Problem Tanımı
Uzun bağlamlı çıkarım (long-context inference) ile Getirme Artırımlı Üretim (RAG), kanıt seçimi sürecini iki farklı uç ölçekte ele alır: tek bir uzun istemden devasa bir korpusun tamamına kadar. **UNREAL** (*Unifying Retrieval and Long-Context with a Single Model*) mimarisi, tek bir model içi mekanizmanın bu geniş aralık boyunca kanıt seçimi yapıp yapamayacağı sorusuna odaklanarak korpus getirme ile uzun bağlam çıkarımını tek bir temelde birleştirir.

## UNREAL Mimarisi ve Çalışma Prensibi
UNREAL, harici getirme modellerine duyulan ihtiyacı ortadan kaldırarak dondurulmuş bir büyük dil modelinin (frozen LLM) dahili temsillerinden doğrudan yararlanır:
- **Dahili Temsil Kullanımı:** Metin parçalarını (chunks) kodlar ve arama sorgularını doğrudan dondurulmuş LLM'in kendi katman temsillerinden türetir.
- **Düşük Parametre Yükü:** Ana model omurgasını tamamen değiştirmeden bırakır ve sisteme yalnızca 500 binden daha az eğitilebilir parametre ekler.

## Başarım ve Benchmark Sonuçları
Model, 3 milyar token ve 21 milyon parçadan oluşan devasa Wikipedia indeksi üzerinde test edilmiş; dört yoğun (dense) ve hibrit UNREAL omurgasının tamamı mevcut son teknoloji retriever-reranker sistemlerini geride bırakmıştır:
- **HotpotQA:** Geri çağırma (recall) oranını **%49.1**'den **%73.2**'ye yükseltmiştir.
- **2WikiMultiHopQA:** Başarımı **%31.7**'den **%60.1**'e çıkarmıştır.
- **MuSiQue:** Geri çağırma skorunu **%8.8**'den **%14.4**'e taşımıştır.
- **NoLiMa (128K Bağlam):** Üretim öncesinde dikkat dağıtıcı unsurları eleyerek 128K maksimum bağlam uzunluğunda doğruluğu **%1.0**'den **%24.83**'e ulaştırmıştır.
- **LV-Eval (256K Bağlam):** 256K token bağlamında F1 skorunu **%49.97**'den **%54.66** seviyesine çıkarmıştır.
- **Hesaplama ve Gecikme Verimliliği:** Yaklaşık 32K token eşiğinden itibaren tam bağlam çıkarımına kıyasla FLOP gereksinimini ve ilk token süresini (time-to-first-token / TTFT) düşürmüş, bağlam uzadıkça bu kazanım daha da belirginleşmiştir.

## Yazılım Geliştirme ve Mühendislik Açısından Çıkarımlar
- **Boru Hattı Sadeleştirmesi:** Ayrı embedding sunucuları ve reranker modelleri çalıştırmak yerine tek bir LLM'in dahili mekanizmasını kullanmak, sistem karmaşıklığını ve dağıtım maliyetlerini ciddi oranda azaltır.
- **Gecikme ve TTFT Optimizasyonu:** 32K token üzerindeki uzun girdilerde gereksiz bağlam parçalarını üretimden önce filtrelemek, GPU bellek baskısını azaltarak ilk yanıt gecikmesini minimize eder.
- **Düşük Adaptasyon Maliyeti:** Temel modelin dondurulması ve 500K'dan az parametre eklenmesi, kurumsal ortamlarda devasa fine-tuning bütçelerine gerek kalmadan gelişmiş getirme kabiliyeti kazandırır.

[](https://huggingface.co/papers/2610.08463)

---

Bu konuyu derinlemesine öğrenmek isterseniz: [Reranking Modelleri: Serving ve Entegrasyon](https://edumints.com/kesfet/embedding-ve-reranking-modelleri-productionda-depl-blu6) modülüne göz atın.

---

**Kaynak:** Hugging Face Papers (https://huggingface.co/papers/2610.08463)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/unreal-tek-model-ile-bilgi-getirme-ve-uzun-baglamin-birlestirilmesi