---
title: "DeepSeek DeepInfer üretim motorunu GitHub’a koydu"
description: "DeepSeek DeepInfer açıldı: V4.1-Flash'in inference motoru Apache 2.0 ile GitHub'da. Yanında EAGLE-4 lisans sürprizi, Muse Glimmer raporu ve Viggle JST-2."
canonical_url: https://www.oguzhan.co/tr/deepseek-deepinfer-eagle-4-muse-glimmer-yerel-model/
author: "Oğuzhan Koçaklı"
author_url: https://www.oguzhan.co/tr/hakkimda/
date_published: 2026-10-22T06:31:47+00:00
date_modified: 2026-10-22T06:31:51+00:00
language: tr
translations:
  en: https://www.oguzhan.co/deepseek-deepinfer-eagle-4-muse-glimmer/
---

# DeepSeek DeepInfer üretim motorunu GitHub’a koydu

DeepSeek DeepInfer 20 Ekim 2026’da, İstanbul saatiyle 12:30’da GitHub’a düştü. DeepSeek-V4.1-Flash’i üretimde döndüren inference motoru bu, Apache 2.0 lisanslı, ama açılan kısım şimdilik çevrimdışı inference ile sınırlı. Aynı 48 saatte EAGLE-4, Meta’nın Muse Glimmer raporu ve Viggle’ın JST-2’si de geldi, dördünün derdi de yapay zekayı daha ucuza çalıştırmak. Repoları, makaleleri, blog yazılarını ve fiyat sayfalarını okudum. Hiçbirini kurmadım, çalıştırmadım, ölçmedim, yani aşağıdaki rakamların hepsi şirketlerin kendi rakamları.

## 🧰 DeepSeek DeepInfer: servis katmanı GitHub’da

![Turkuaz ve kehribar renkli GPU sunucu yığınları arasında akan token'lar, üstte önbellek ve yönlendirici için boş yuvalar](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/10/22063143/deepinfer-serving-stack-missing-cache-router.webp)

*Açılan pakette prefill ve decode tarafı var. KV cache sistemi ile yük dengeleyici, yani üstteki boş yuvalar, yok.*

DeepSeek [X’teki duyurusunda](https://x.com/deepseek_ai/status/2112476496283775135) DeepInfer’i “artık tamamen açık kaynak” diye tanıtıyor ve V4.1-Flash’i ölçekte bu motorun taşıdığını söylüyor. Gerekçe de yazılmış: topluluk işlem maliyetini ve enerji tüketimini düşürsün, yapay zeka ucuzlasın.

[README](https://github.com/deepseek-ai/DeepInfer) daha temkinli konuşuyor: bu sürüm çevrimdışı inference sağlıyor. Desteklenen tek model DeepSeek-V4.1-Flash, varsayılan checkpoint de [19 Ekim derlemesinde](https://www.oguzhan.co/tr/openai-misalignment-raporlari-claude-ecdsa-tohumlari/) yazdığım açık ağırlıklı deepseek-ai/DeepSeek-V4.1-Flash-1017. Donanım tarafında NVIDIA SM100 GPU’lar ve Huawei Ascend 950 NPU’lar var. Özellik listesinde MoE expert parallelism ve yük dengeleme, speculative decoding (DSpark), asenkron batch zamanlayıcı, deterministic sampling ve structured outputs göze çarpıyor. Motor kodu, vLLM’den türetilip DeepSeek tarafından değiştirildiğini kendisi söylüyor.

Asıl ilginç olan eksik parçalar. README’de KV cache sistemi, prefill ile decode’u ayıran yapı ve replikalar arası load balancing yok. [Dağıtım notlarına](https://github.com/deepseek-ai/DeepInfer/blob/main/doc/inference_deployment_qa.md) göre KV cache yönetimi ile load balancing şirketin iç altyapısına sıkı sıkıya bağlı, o yüzden henüz tam açılmamış. Çevrimiçi servis katmanı da pakette yok.

Aynı notlar birkaç üretim rakamı da veriyor (hepsi DeepSeek’in beyanı):

- tek küme günde 155 trilyon token işliyor
- toplam gelir, indirimli saat tarifesiyle GPU-saat başına 38 dolar
- KV cache 72 saatten uzun saklanıyor
- verimli en küçük birim 64 GPU prefill artı 64 GPU decode, decode tarafı EP64 ve üstü
- depolama GPU başına yaklaşık 14,4 TB (mantıksal boyut)

Yanında MIT lisanslı [deepseek-recipe](https://github.com/deepseek-ai/deepseek-recipe) de açıldı. Yaygın LLM API protokolleriyle token dizileri arasında çeviri yapıyor ve DeepSeek’e göre resmi API ile birebir aynı davranıyor. Sonraki modellerin inference kodu da DeepInfer’e eklenecekmiş.

Bana kalırsa bu, inference sağlayıcıları ve kendi kümesini kuran büyük ekipler için bir tarif, dizüstü bilgisayarda kurcalanacak bir oyuncak değil. Verimli kurulumun tabanı 128 GPU. V4.1-Flash’in ucuz fiyatının makine dairesi artık GitHub’da, ama motoru servise çeviren iki parça, KV cache ile yük dengeleyici, evde kaldı.

## 🦅 EAGLE-4 yük binince de hızlı kalıyor mu?

![Işıktan tel kafes bir kuş dallanan token ağacı çiziyor, taş baykuş kabul ettiği dalı altına çeviriyor](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/10/22063144/eagle-4-speculative-decoding-draft-tree.webp)

*Speculative decoding: drafter bir token ağacı tahmin ediyor, büyük model katıldığı dalı tutuyor. EAGLE-4 ağacın boyunu yüke göre ayarlıyor.*

Speculative decoding’i bir cümleyle anlatmak gerekirse: küçük bir drafter sıradaki birkaç token’ı tahmin ediyor, büyük model de bunları tek seferde kontrol ediyor. [EAGLE-4 reposuna](https://github.com/eagle-hq/EAGLE-4) göre çıktı dağılımı yine büyük modelinki. Yenilik şu: her hedef model için tek bir drafter var ve tahmin ağacının boyunu, ısınma turunda ölçtüğü maliyetlere göre batch boyutuna, donanıma ve iş yüküne uyduruyor. [Eagle’ın blog yazısı](https://blog.eagle.ai/blog/introducing-eagle-4) (20 Ekim) derdi açıkça koyuyor: az trafikte işe yarayan ağaç, yük binince pahalıya patlayabiliyor.

Eagle’ın kendi kıyası Qwen3.8-27B ile 4x NVIDIA B300 üzerinde (TP4, T=0, aynı motor). Tek istekte düz decoding 240,5 tok/s, DSpark 618,6, DFlash 2 672,6, EAGLE-4 863,8 veriyor. 512 eşzamanlı istekte toplam rakamlar sırasıyla 21.203, 14.229, 16.641 ve 28.340. Yani Eagle’ın tablosunda iki rakip yük altında düz decoding’in bile gerisine düşüyor, EAGLE-4 üstte kalıyor. Manşetteki 961,6 tok/s ise TokenSpeed motorunda tek istek (SGLang referansında 837,6).

Çalışmak için SGLang, vLLM ya da deneysel TokenSpeed’in yamalı sürümleri gerekiyor. [AMD’nin paylaşımına](https://x.com/AIatAMD/status/2112659635295404176) göre Instinct MI355X desteği ilk günden hazır: tek GPU’da, Qwen3.8-27B BF16 ile tek istekte yaklaşık 300 tok/s, yerleşik MTP’den 1,6 kat hızlı.

Paylaşımların çoğu “açık kaynak” dedi. Repo öyle demiyor: EAGLE-4, kendi ifadesiyle OSI onaylı açık kaynak değil, source-available bir yazılım. Ticari kullanım, son 12 aylık toplam ciro 20 milyon doların altındaysa serbest. Rakip bir ürün için kullanmak isteyen ise cirosu ne olursa olsun ayrı lisans almak zorunda.

## 💻 Muse Glimmer: tek tüketici GPU’suna sığan 30B agent

[AI at Meta](https://x.com/AIatMeta/status/2112265822274302066) 19 Ekim’de Muse Glimmer’ın teknik raporunu yayımladı. Meta’nın tarifiyle Glimmer, tüketici donanımında agent işleri için yapılmış 30B’lik open-weight bir model. Ağırlıklar yeni değil: [model kartı](https://huggingface.co/meta-models/Muse-Glimmer-30B) Ağustos 2026 diyor. Alexandr Wang da Axios’a ağırlıkların açıldığını söylemişti, [15 Ekim yazısında](https://www.oguzhan.co/tr/muse-wonder-gemini-4-argon-frontier-ajanlar/) bir satırla geçmiştim. Yeni olan, işin nasıl yapıldığını anlatan rapor.

[Teknik rapora](https://arxiv.org/abs/2610.24628) ve Meta’nın [araştırma sayfasına](https://ai.meta.com/research/publications/muse-glimmer-30b-an-on-device-agentic-model/) göre Glimmer yaklaşık 29,6 milyar parametreli yoğun (dense) bir transformer, bunun 1,8 milyar kadarı görsel algı kodlayıcısı. Metin ve görsel alıp metin üretiyor, 128K’yı aşan bağlam taşıyor, 140 civarı dili kapsıyor ve Apache 2.0 ile geliyor. Meta onu, raporun “frontier sınıfı” dediği Muse Spark’tan damıtmış (frontier model kavramını [şurada](https://www.oguzhan.co/tr/frontier-model-ne-demek/) anlatmıştım). Hedef 32 GB ayrılmış belleği olan cihazlar: yaklaşık 4-bit ağırlıklar ve bir DFlash speculative decoding başlığıyla raporun deyişiyle tek bir RTX 5090’da, kaliteden pek az kaybederek pratik hızlara ulaşıyor.

En sevdiğim ayrıntı eğitim verisi oldu. Agent becerileri simüle “dijital hayatlar” üzerinde çalışılmış: her personanın 10 ila 14 kişilik bir çevresi, haftalarca süren yazışmaları, takvimi, belgeleri ve mesaj geçmişi var. Araçlar da gerçeklerini JSON biçimine kadar taklit ediyor.

Meta’nın [raporundaki](https://arxiv.org/abs/2610.24628) karne Glimmer’ı (high reasoning) Gemma4-31B ve Qwen3.6-27B’nin thinking sürümleriyle yan yana koyuyor:

| Benchmark | Muse Glimmer | Gemma4-31B | Qwen3.6-27B |
| --- | --- | --- | --- |
| MCPAtlas (tool use) | 75.5 | 54.2 | 62.5 |
| SWE-Bench Pro | 51.2 | 36.9 | 50.2 |
| SWE-Bench Verified | 76.0 | 66.6 | 77.2 |
| OSWorld-Verified | 65.9 | 58.5 | 75.6 |

Rakamlar da koşular da Meta’nın. Araç kullanımında Glimmer açık ara önde, ama Meta’nın kendi tablosunda bile OSWorld-Verified ve SWE-Bench Verified satırlarını Qwen3.6-27B alıyor.

## 🌍 3D sahne artık kaça geliyor?

Viggle, 19 Ekim tarihli [araştırma yazısında](https://viggle.ai/jst2) JST-2’yi (Joint Space-and-Time, ikinci kuşak) “fiziği temelden kavrayan” bir dünya modeli olarak tanıtıyor. Çoğu dünya modeli pikseller ve video kareleri üzerinden öğreniyor. JST-2 ise dünyayı 3D uzayda yeri belli, kalıcı “atomlar” olarak modelliyor ve sonucu tarayıcıda çizilen Gaussian splat’lere çeviriyor. Viggle’ın iddiası, bir sahnenin NVIDIA B200’de yaklaşık bir saniyede ve 0,01 doların altında compute ile çıkması (kendi grafiğinde World Labs’in Marble’ı 5 ila 6 dakika). Tek bir görselden riglenmiş, animasyona hazır karakter de üretiyor.

Bir sentin altı, işlem maliyeti. Satış fiyatı başka: [API fiyat sayfasında](https://viggle.ai/developers) prompt’tan kurulan sahne 0,06 dolar (önce panorama üretildiği için 6 kredi), diğer işler 0,01 dolar, başlangıçta 100 kredi hediye. [Viggle’ın duyurusuna](https://x.com/ViggleAI/status/2112202242048528540) ve sitesine göre PINOC tarayıcı uygulamasında ücretsiz denenebiliyor, MCP üzerinden Codex ya da Claude Code’a da bağlanıyor.

Sınırı da yazmışlar: çarpışmalar ve nesne etkileşimleri hâlâ kural tabanlı fizikle çözülüyor. Geliştirilmekte olan JST-3 bu dinamikleri öğrenmeyi hedefliyor.

İki günde dört duyuru, dördü de tesisatla ilgili. Bence bir sonraki gerçek fiyat düşüşü yeni bir modelden çok servis katmanından gelecek. Bir de lisans dosyası artık benchmark tablosunun yanında okunmalı. EAGLE-4, LICENSE dosyasını açmadan “açık kaynak” diye paylaşanların ne kadar çok olduğunu gösterdi.

## Kaynaklar

- [DeepInfer deposu](https://github.com/deepseek-ai/DeepInfer)
- [DeepInfer dağıtım notları](https://github.com/deepseek-ai/DeepInfer/blob/main/doc/inference_deployment_qa.md)
- [deepseek-recipe](https://github.com/deepseek-ai/deepseek-recipe)
- [DeepSeek X gönderisi](https://x.com/deepseek_ai/status/2112476496283775135)
- [Eagle blogu](https://blog.eagle.ai/blog/introducing-eagle-4)
- [EAGLE-4 deposu](https://github.com/eagle-hq/EAGLE-4)
- [AMD X gönderisi](https://x.com/AIatAMD/status/2112659635295404176)
- [Muse Glimmer araştırma sayfası](https://ai.meta.com/research/publications/muse-glimmer-30b-an-on-device-agentic-model/)
- [Muse Glimmer teknik raporu](https://arxiv.org/abs/2610.24628)
- [Muse Glimmer model kartı](https://huggingface.co/meta-models/Muse-Glimmer-30B)
- [AI at Meta X gönderisi](https://x.com/AIatMeta/status/2112265822274302066)
- [Viggle JST-2](https://viggle.ai/jst2)
- [Viggle API fiyatları](https://viggle.ai/developers)
- [Viggle X gönderisi](https://x.com/ViggleAI/status/2112202242048528540)