Alican Kiraz
@AlicanKiraz0 • 36,111 subscribers
LLM Craftsman & Agentic AI Systems Architect & Cybersecurity Sr. Staff | Exploring Robotics & Biohacking
Shorts
Videos
USA Savunma bakanlığı haftalar önce yüzlerce korkunç UAP (UFO) videoları paylaştı. Bunlardan bir çoğu küre yada biçimsiz şekillerde ve gezegenimizdeki bilinen teknolojilerle uçması imkansız araçlar. Bu insanlık tarihinin en önemli dönüm noktasının kanıtları aslında. Ama kimse ve hiçbir önemli mecra bunları konuşmuyor, bir ünlünün haberi kadar bile değer görmüyor.
Alican Kiraz18,228 views • 2 days ago
Dostlar karşınızda Kahya-TTS: State-of-Art Turkish Open Source TTS modelim ❤️ İsmini Rahmetli Ses Sanatçımız Ayhan Kahya'ya ithafen "Kahya" koydum, YouTube videolarımdan ve çeşitli ses kayıtlarımdan +50 Saatlik bir dataset oluşturarak oldukça gelişmiş bir finetune'nin altyapısı ile tasarladım. Ses rengi ve tonunu hizalamak içinde çeşitli teknikler kullandım. openbmb'in VoxCPM2-2B base modelini kullanarak geliştirmelerimi yaptım. Umarım ülkemize ve harika dilimiz Türkçe'mizle nice projelere ve başarılara kapı açar. 🙏🏻 "Başkalarına ışık tutanlar asla karanlıkta kalmazlar..."
Alican Kiraz318,021 views • 2 months ago
Model Coding Benchmark 🚀 Agents: Cursor, Models: - Kimi K2.7 code - Sonnet 5 Max - Fable 5 Max - GPT 5.5 Very High - GLM 5.2 Max - Composer 2.5 Fast Task: HTML Double Pendulum Simülatörü 🎉Kazanan: Fable 5 Max🎉 Final Puantaj ve Özet - Fable 5 Max — 94/100 - Sonnet 5 Max — 92/100 - GLM 5.2 Max — 88/100 - Composer 2.5 Fast — Fail - Kimi K2.7 code — 82/100 - GPT 5.5 Very High — 81/100 Fable 5 Max zayıflıkları - Genel kazanan ama kod yoğunluğu yüksek; bakım için biraz disiplin istiyor. - Chaos yapısı ayrı ChaosSwarm sınıfı yerine App içinde daha entegre ilerliyor; mimari “çok temiz” ama Sonnet kadar sınıf-ayrıştırmalı değil. - Çok gelişmiş trail/render sistemi maksimum ayarlarda CPU’yu zorlayabilir; buna karşı segment budget koymuş olması büyük artı. - Conservation threshold çok sıkı; ekstrem yüksek-enerji presetlerde “uyarı” üretme ihtimali daha yüksek ama bu aslında dürüst bir doğruluk yaklaşımı. Sonnet 5 Max zayıflıkları - En kapsamlı mimarilerden biri ama hedef 3000–4000 satır iken ~çok daha büyük bir uygulama üretmiş; “benchmark prompt’una disiplinli uyum” açısından Fable’ın gerisine düşüyor. - Conservation pass threshold Fable’a göre daha gevşek; Sonnet’te CONSERVATION_PASS_PERCENT 1.0 seviyesinde, Fable’da çok daha sıkı bir eşik var. - Drag sonrası fiziksel “fling” tahmini yok; sürükleme güvenli ama Fable/GLM kadar canlı his vermeyebilir. - Çok geniş UI/diagnostics yapısı iyi ama bazı kullanıcılara fazla panel-yoğun gelebilir. GLM 5.2 Max zayıflıkları - Çok güçlü görsel ve eğitimsel anlatım var ama RK4 wrapper tarafında stepState her adımda toArr() ile array üretip geri yazıyor; 12–24 chaos pendulum + extreme timestep altında gereksiz allocation riski var. - Trail setCapacity eski noktaları korumadan yeni buffer’a geçiyor; trail length değiştirince görsel süreklilik kaybı olabilir. - Kod 3000 satır sınırına çok yakın ama biraz altında; prompt’un “substantial 3000–4000 line” beklentisini Fable/Sonnet kadar doldurmuyor. - Fizik ve UI iyi, fakat performans mimarisi Fable/Sonnet kadar rafine değil. Composer 2.5 Fast zayıflıkları - Güzel mimari fikirler var: PhysicsSelfTest, ConservationRunner, state/hash/export, graphs, presets. Ancak toplam uygulama prompt’un hedeflediği 3000–4000 satır seviyesinin belirgin altında kalıyor. - Self-test tarafı var ama enerji testinde tolerans oldukça gevşek; örneğin 10 saniyelik enerji drift testinde %5 eşiği kullanılmış. - Trail/render sistemi işlevsel ama Fable/Sonnet/GLM kadar sinematik değil. - Bazı UI parçaları string template ağırlıklı; production UI hissi güçlü ama en üst iki model kadar rafine değil. Kimi K2.7 code zayıflıkları - RK4 ve conservation check var, fakat trail buffer object-array temelli; Fable/Sonnet’in typed-array ring buffer yaklaşımı kadar performans dostu değil. - Randomize akışı gerçek anlamda editable deterministic seed üzerinden ilerlemiyor; Math.random() ile yeni seed üretme eğilimi var. - State serialization/export mevcut ama validasyon/safety katmanı Sonnet/Fable kadar sağlam değil. - Graph/render tarafında array spread/map kullanımı var; küçük sahnede sorun olmaz ama benchmark için daha riskli. GPT 5.5 Very High zayıflıkları - Fizik/RK4 çekirdeği sağlam, typed-array trail buffer da var; fakat uygulama prompt’un istediği 3000–4000 satırlık “substantial production lab” hedefinin oldukça altında kalıyor. - Preset seti eksik görünüyor; prompt’ta istenen “Minimal diagnostics” preset’i condition olarak geçiyor ama preset listesinde tam karşılığı yok. - State/export ve conservation check var ama Sonnet/Fable kadar kapsamlı validation, safety recovery ve diagnostics derinliği yok. - Daha kompakt ve temiz ama bu benchmark’ta “az kodla iyi demo” değil, “tam ürün” istenmişti.
Alican Kiraz82,303 views • 28 days ago
Bu kez Askeri SIHA için tespit sınıfı bir real-time analiz yaptırdım. Tehdit odaklı; Binek araç (ambulans tipi olduğundan transit’leri hariç tutturdum), aktif akış olan yolları ve çevreyi gözlemleyebilecek yüksek bina’ların aktif nesne takibi yaptırdım.🔥☠️ DGX Spark’ın bu konuda vram’i yetmedi Mac Studio M3 ultra 512 ile yaptım. Analizi SAM3 ile yaptırdım. ⚡️🦾
Alican Kiraz457,013 views • 8 months ago
Cursor Fable 5 Max vs Codex GPT 5.5 Very High 🔥Senaryo: Physarum simülasyonu: Ajan + feromon trail map. Zamanlama: - GPT 5.5 Very High - 17 Dakika - Fable 5 - +40 Dakika Cost: - GPT 5.5 Very High: Yaklaşık 6 Dolar (Codex) - Fable 5 Max: 360,55 Dolar (Cursor) Evet şaka değil! Algoritma ve Kod Mühendisliği Şampiyonu: Fable 5 🚀 Eğer aradığınız kriter "Bir LLM donanımı son limitine kadar zorlayacak performansı sıfırdan nasıl yazar?" ise F5 kodunu yazan model açık ara kazanmıştır. Açıların hesaplanmasında sin/cos LUT kullanması, render aşamasında Color LUT ile pikselleri paketlemesi ve difüzyon filtresini matematiksel olarak daha efektif olan "Separable Box Blur" haline getirmesi üst düzey bir kıdemli yazılımcı (Senior Engineer) refleksidir. Aestetik, Sunum ve Ürün Vizyonu Şampiyonu: GPT 5.5 Eğer aradığınız kriter "Kodun arkasındaki matematik ne olursa olsun, ekranda ilk saniyede en etkileyici görseli hangisi veriyor ve arayüzü ne kadar kusursuz?" ise G5.5 kodunu yazan model öndedir. Ajanları ekrana rastgele saçmak yerine 8 farklı dairesel küme halinde (cluster)başlatması, simülasyon açılır açılmaz büyüleyici fraktal ağların oluşmasını sağlar (F5'in ağı örmesi 5-10 saniye sürerken G5.5 anında görsel şov sunar). Ayrıca mobil uyumlu arayüzü ve entegre SVG ikonları ürünleştirme başarısını gösterir.
Alican Kiraz95,047 views • 1 month ago
Coding Benchmark 🔥 GPT 5.6 Sol Max vs Fable 5 Max vs GLM 5.2 Max vs Opus 4.8 Max - Part 1 Task: Stable Fluids (Jos Stam) - Modelden tek bir bağımsız HTML dosyasında, Jos Stam'ın Stable Fluids yöntemine dayalı gerçek zamanlı, etkileşimli bir akışkan simülasyonu üretmesi isteniyor — kütüphane yok, zero-shot, tek deneme. Çıktı; semi-Lagrangian advection, iteratif difüzyon ve basınç projeksiyonu adımlarını doğru sırada içermeli, ImageData ile 256×256 gridde akıcı çalışmalı, fareyle boya ve hız enjekte edilebilmeli, ekranda divergence ile kütle korunumunu canlı raporlamalıdır. Final Puantaj ve Özet •GPT 5.6 Sol Max — 91/100 •GLM 5.2 Max — 88/100 •Opus 4.8 Max — 86/100 •Fable 5 Max — 81/100 Maliyetler: - GPT‑5.6 Sol : $54,05–$97,02 - Claude Fable 5 : $78,75 - Claude Opus 4.8 : $15,52 - GLM‑5.2 : $1,17 Neden önemli: Bu benchmark, "çalışıyor gibi görünen ama sessizce yanlış" kodu yakalayan nadir testlerden. Basınç projeksiyonunu atlayan bir model yine hatasız çalışan, boyayı yayan bir animasyon üretir — ama girdap oluşmaz; yani hata derleme değil, fizik seviyesindedir ve ancak çıktıya bakınca anlaşılır. Aynı şekilde, Stam'ın yönteminin tanımlayıcı özelliği koşulsuz kararlılıktır: timestep'i sonuna kadar açtığında doğru implementasyon ayakta kalır, naive ileri fark şeması anında NaN'a düşer. Modelde neyi test eder: Ezberlenmiş kod parçacığı yerine algoritmanın nedenini kavradığını (projeksiyon adımının niye zorunlu olduğunu), sayısal yöntem seçimini (implicit çözücü, geri-izleme, yeterli Poisson iterasyonu), gerçek zamanlı grafik farkındalığını (tek blit vs hücre başına fillRect), ve uzun kodda tutarlılığı — sınır koşulları, alan yönetimi, UI durum yönetimi tek dosyada bozulmadan bir arada duruyor mu. Üstelik değerlendirme sübjektif değil: divergence sıfıra iniyor mu, silindirin arkasında Kármán girdap sokağı beliriyor mu, büyük dt'de hayatta kalıyor mu — üçü de ikili (evet/hayır) sonuç verir, yani "vibecoding" testine nadir bulunan nesnel bir skorlama tabanı sağlar.
Alican Kiraz40,657 views • 21 days ago
Wow, TeslaBot hala satışa çıkmadı ama Neo sonradan duyrulmasına rağmen satışa çıkmış 😳🔥
Alican Kiraz427,495 views • 9 months ago
AI Homelab’imde son durum; - Mac Studio M3 Ultra 512GB sattım. - Yerine RTX Pro 6000 96GB WS aldım. - Macbook’umu yükletip M5 Max 64GB’e geçtim. - 6x Mac mini M4 + 4x Mac mini M2 ile devam - 2x Nvidia DGX Spark 128GB ile devam bir süpriz gelebilir 🔥 - 2x RTX 5090 32GB ile devam
Alican Kiraz88,104 views • 2 months ago
Testleri yaptım; Cursor’da Plan’sız olarak direk Agent modülüyle yaptım. 👑 Gemini 3 Pro Hız, Maliyet ve Kalite’de açık ara en iyi çıktı bence. ☠️ GPT 5.1 Codex High Fast çalışan bir çıktı bile veremedi… 🧠 En iyi Planlamayı Claude Modelleri yaptı. Hız sıralaması; - Gemini 3 Pro > Opus4.1 > Sonnet4.5 > GPT-5.1-Codex High Fast Test Prompt: Write a Python program that shows a ball bouncing inside a spinning hexagon. The ball should be affected by gravity and friction, and it must bounce off the rotating walls realistically.
Alican Kiraz149,106 views • 8 months ago
Şu sahneyi onuncu izleyişim shjdjdjd Uzun zamandır bu kadar gülmemiştim ya 😂😂🧡
Alican Kiraz98,487 views • 8 months ago
Cursor— Codex-5.2 Extra-High vs Opus 4.6 Max’ı Google Earth Mini task’ı ile kıyasladım🔥 Hata: - Opus hatasız tek seferde tamamladı 🎉 Codex 2 kez hatalı yazdı. 👎🏻 Hız: - Codex 10 dakikada yazdı 🎉 Opus 19 dakikada 👎🏻 Agentic Coding; - Opus hiçbir müdahale ve plan olmadan fazlara bölüp yazdı 🎉 Codex direk search ve thinking yaparak yazdı 👎🏻👎🏻
Alican Kiraz49,381 views • 5 months ago
Dostlar Selamlar iki günlük koşturmaca sonrası Openclaw kullanan sadece Raspberry Pi 5 ve Openai GPT-5-mini ile Pi üzerinde çalıştırdığım Whisper-small ile embeding çalışan ve “Jarvis” denilince dinlemeye ve işlem yürütmeyi sağlayan bir sistem tasarladım. Yakında kodları herkesin kullanımına da açarım 🙏🏻❤️
Alican Kiraz45,913 views • 5 months ago
TR & EN | Dostlar Selamlar 🙏🏻 Meta Ai Akıllı Gözlük ve DJI Avata 2’den Real-Time nesne sınıflandırma çalışmamı geliştirip iki görüntü kaynağından gelen veriyi korele edip, Palantir Gotham’dan esinlenerek ana karar-destek noktasında işleyecek bir sisteme evriltmeye başladım. Bu kez DJI Avata 2’ye Akida Neuromorphic Chip entegre ederek kendi üzerinde görüntüyü işlemeye çalışacağım 🦾🧡🔥 Greetings, friends 🙏🏻 I’ve started evolving my real-time object classification project with the Meta AI Smart Glasses and DJI Avata 2 into a system that correlates data from two visual sources and processes it at a main decision-support point, inspired by Palantir Gotham. This time, I’ll try integrating the Akida Neuromorphic Chip into the DJI Avata 2 to process the images directly onboard 🦾🧡🔥
Alican Kiraz71,382 views • 11 months ago