No. 31
2026-08-19
yapay zeka nabzı — ham değil, demlenmişthe AI pulse — brewed, not raw
 AI KRİTİKAI CRITIQUE
Beyaz bir daire içinde, köşeli parantezler içeren bir bilgisayar ekranını betimleyen gri bir simge bulunur ve yumuşak bir gölgeyle birlikte.

NTT, Küçük LLM tsuzumi 2 ile Japonca Yapay Zeka Performansını YükseltiyorNTT Boosts Japanese AI Performance with Small LLM tsuzumi 2

Habere gitRead the article    Türkçe (otomatik çeviri) English (automatic translation)

ÖzetSummary

NTT'nin tsuzumi 2 modeli, sıfırdan geliştirilen 28 milyar parametreli bir yoğun (Dense) büyük dil modeli (LLM)dir. Model, Japonca iş süreçleri ve tek GPU üzerinde çıkarım için optimize edilmiştir. Daha büyük yabancı modellere karşı veri egemenliği sağlayan bir alternatif olarak konumlandırılmaktadır. tsuzumi 2, özel bir morfolojik tokenleştirici, 10 trilyon token üzerinde ön eğitim ve M-ifeval'da güçlü Japonca talimat uyum puanları sunmaktadır.NTT's tsuzumi 2 model is a 28-billion-parameter dense Large Language Model (LLM) developed from scratch. The model is optimized for Japanese business processes and inference on a single GPU. It is positioned as an alternative that ensures data sovereignty against larger foreign models. tsuzumi 2 features a custom morphological tokenizer, pre-training on over 10 trillion tokens, and strong Japanese instruction-following scores on M-ifeval.

Neden ÖnemliWhy it matters

Japon şirketleri için, iç verilerini yabancı bulut sağlayıcılarına açmadan yetenekli bir LLM'i yerinde (on-premises) çalıştırabilmek pratik ve yasal bir zorunluluktur. ABD ve AB merkezli daha büyük modeller bu ihtiyacı tam olarak karşılamamaktadır. Tek GPU'da devreye alınabilen 28B yoğun mimari, modeli orta ölçekli kurumsal ortamlarda gerçekten kullanılabilir kılmaktadır. Bu sayede hipere ölçekli altyapıya ihtiyaç duyulmamaktadır. NTT'nin token verimli Japonca işleme vurgusu, belge özetleme ve toplantı notu oluşturma gibi yüksek hacimli iş akışlarında çıkarım maliyetini doğrudan düşürmektedir.For Japanese companies, the ability to run a capable LLM on-premises without exposing internal data to foreign cloud providers is a practical and legal necessity. Larger US- and EU-based models do not fully meet this need. The 28B dense architecture, which can be deployed on a single GPU, makes the model genuinely usable in mid-sized enterprise environments without requiring hyperscale infrastructure. NTT's emphasis on token-efficient Japanese processing directly reduces inference costs in high-volume workflows such as document summarization and meeting note generation.

Öne ÇıkanlarHighlights

  • Yerinde çıkarım için tek GPU'ya sığacak şekilde tasarlanmış 28B yoğun (MoE olmayan) model28B dense (non-MoE) model designed to fit on a single GPU for on-premises inference
  • Token sayısını ve maliyeti düşürmek için onlarca yıllık morfolojik analiz araştırmalarına dayanan özel Japonca tokenleştiriciCustom Japanese tokenizer based on decades of morphological analysis research to reduce token count and cost
  • 10 trilyon token üzerinde eğitildi; Japonca talimat uyumu (M-ifeval) ve biçim uyumu görevlerinde karşılaştırma modellerini geride bıraktıTrained on over 10 trillion tokens; outperformed comparison models in Japanese instruction following (M-ifeval) and format adherence tasks
  • Eğitim altyapısı: Kararlı ve hata toleranslı ince ayar döngüleri için AWS H100 kümeleri + SageMaker HyperPodTraining infrastructure: AWS H100 clusters + SageMaker HyperPod for stable and fault-tolerant fine-tuning cycles
  • İlgili araştırmalar: VDocRAG (görsel belge RAG), ToMATO duygu anlama kıyaslaması, Taşınabilir Ödül Ayarı, Wavelet Konumsal KodlamaRelated research: VDocRAG (visual document RAG), ToMATO sentiment understanding benchmark, Portable Reward Tuning, Wavelet Positional Encoding

EleştiriCritical take

Bu metin, bir AWS Summit ana konuşmasının yeniden yapılandırılmış bir transkripti niteliğindedir. Bu nedenle bağımsız bir analizden çok, satıcı odaklı bir pazarlama içeriği gibi okunmaktadır. Metinde üçüncü taraf kıyaslamaları, kamuya açık model ağırlıkları veya API erişimi bulunmamaktadır. Benzer veya daha büyük ölçeklerdeki açık ağırlıklı rakiplerle (ör. Llama, Qwen) başa baş bir karşılaştırma da sunulmamaktadır. 'Egemen yapay zeka' anlatısı Japon tedarik süreçleri için ikna edici olabilir. Ancak şeffaf ve tekrarlanabilir bir değerlendirme olmadan bu durum, kanıtlanmış bir avantajdan çok yalnızca bir iddia olarak kalmaktadır.This text reads like a restructured transcript of an AWS Summit keynote. Consequently, it comes across as vendor-centric marketing content rather than an independent analysis. The text lacks third-party benchmarks, publicly available model weights, or API access. No head-to-head comparison with open-weight competitors of similar or larger scale (e.g., Llama, Qwen) is provided. The 'sovereign AI' narrative may be persuasive for Japanese procurement processes. However, without transparent and reproducible evaluation, this remains merely a claim rather than a proven advantage.

Bu kritik, yerel yapay zeka modeli Qwen3.8-27B tarafından yazılmıştır. Haberi ben seçtim; kritik metnini yayımlanmadan önce tek tek denetlemiyorum.This critique was written by the local AI model Qwen3.8-27B. I chose the story; I do not review each critique before it is published.
Bültene dönBack to the issue