Kimi K3.1 Pro Türkçe Testi: Claude Opus 5.5, GPT-6 Astra ve Gemini Karşısında 12 Görevlik Karşılaştırma

Güncelleme (9 Kasım 2026): Claude Fable 5.2 ve Mythos 5.2 çıktı - fiyatlar, erişim ve benchmark sonuçları Claude Fable 5.2 rehberimde.

👁 119 okunma

24 Ekim 2026 tarihinde Kimi K3.1 Pro modelini yerel Türkiye gerçeklerine göre sıfırdan yazılmış 12 Türkçe görevde test ettim. OpenRouter API üzerinden (moonshotai/mxfp4 uç noktası) gerçekleştirdiğim bu tek denemelik karşılaştırmada Kimi K3.1 Pro, 72 üzerinden 60,0 puan alarak Claude Opus 5.5, GPT-6 Astra, DeepSeek V4.1 Flash 1017 ve Gemini 4 Argon’un gerisinde, beşinci sırada yer aldı.

• Genel Türkçe Puanı: Kimi K3.1 Pro 60,0 / 72 puanla 5 model arasında 5. oldu.
• Zirvedeki Rakipler: Claude Opus 5.5 (71,5/72) ve GPT-6 Astra (71,0/72) ilk iki sırayı paylaştı; tek denemeli testlerde 1-2 puanlık farklar pratikte beraberlik anlamına gelir.
• Tam Puan Alınan Görevler: Kimi; çift yönlü tuzaklı çeviri, KDV hesaplaması, yerel tarih/sayı formatları, mantık bulmacası, JSON çıkarımı, yerel bilgi, ~30 bin tokenlik uzun bağlam ve yerel haber özeti görevlerinin tamamında 6,0/6 tam puan aldı.
• Kritik Kayıp (Konu Dışı Yanıt): Deyimler ve kelime oyunu (görev b) sorusunda Türkçe yanıt yerine yalnızca tek bir Çince karakter (略) döndürerek 0,0/6 puan aldı.
• Dilbilgisi ve Resmi Yazışma Kusurları: Yazım ve dilbilgisi düzeltmesinde (görev l) 2,5/6 puanda kaldı; belediye dilekçesinde (görev a) ise gereksiz hitap kullanımı nedeniyle 4,5/6 puan aldı.
• Maliyet ve Hız: Türkçe testindeki 12 görev Kimi için 0,187 USD tuttu ve saniyede ortanca 87 token hızla toplam 168 saniye sürdü.

Türkçe Test Yöntemi ve Kapsamı

Kimi K3.1 Pro’yu toplam 10 pazar dilinde değerlendirdiğim daha geniş bir çalışmanın parçası olarak, Türkçe için başka bir dilden çevrilmemiş, doğrudan yerel kurumları, para birimini ve dil tuzaklarını içeren 12 görev hazırladım. Tüm modellerin genel mimarisi hakkında bilgi almak için Kimi K3 ana rehberine göz atabilirsiniz. Türkçe testinde bütçe kısıtlamaları nedeniyle (tüm diller için toplam 15 USD sınırı koymuştum ve genel toplamda 14,31 USD harcandı) Qwen3.8 Max ve GLM-5.3 hariç tutularak 5 ana model yarıştı.

Görev seti şu 12 kategoriden oluştu: resmi dilekçe (a), deyimler ve kelime oyunu (b), yerel bağlamlı özet (c), sahte dostlar içeren çift yönlü TR-EN çeviri (d), Türk Lirası ve Gelir İdaresi Başkanlığı (GİB) 24.10.2026 verilerine göre kontrol edilen %20/%10/%1 KDV oranlarıyla hesaplama (e), yerel tarih ve sayı formatları (f), Türkçe yorum satırlı TC Kimlik numarası doğrulama kodu (g), 1,7 milyon kombinasyon arasından tek çözümlü üretilen mantık bulmacası (h), metinden JSON çıkarımı (i), yerel olgu sorusu (j), yaklaşık 28-30 bin tokenlik apartman yönetimi toplantı tutanaklarında detay arama (k) ve Türkçe hata düzeltme (l).

Her görev, testten önce yazılmış şablonlara göre 3 kriter üzerinden (her biri 0-2 puan, toplam 0-6 puan) değerlendirildi. Hesaplama, formatlar, mantık, JSON, yerel bilgi, uzun bağlam ve TC Kimlik kodunun gizli testlerde ayrı bir python -I sürecinde çalıştırılması otomatik olarak puanlandı. Açık uçlu dil görevleri (a, b, c, d tamamen; g’nin 3. kriteri ve l’nin 2-3. kriterleri) ise model isimlerini görmeyen iki yapay zeka hakemi tarafından körleme olarak puanlandı: GPT-6.1 Sol ve Gemini 4 Argon. Aile içi yanlılığı önlemek için GPT-6 Astra yanıtlarını yalnızca Gemini 4 Argon, Gemini 4 Argon yanıtlarını ise yalnızca GPT-6.1 Sol değerlendirdi; Kimi, Opus ve DeepSeek dahil diğer modellerde iki hakemin ortalaması alındı.

Türkçe Model Sıralaması, Maliyet ve Hız

Tüm modelleri OpenRouter üzerinden aynı sistem istemiyle, medium akıl yürütme (reasoning) ayarıyla, maksimum 16.000 token sınırı ve provider.only (yedek sağlayıcı olmadan zorunlu uç nokta) parametresiyle tek bir denemede çalıştırdım. Aşağıdaki tablo yalnızca Türkçe testinin resmi sonuçlarını göstermektedir.

Hız ve maliyet verilerini okurken önemli teknik sınırları dikkate almak gerekir: sorgular paralel olarak (aynı anda 20’ye kadar) gönderildiği için süreler yaklaşık değerlerdir. Ayrıca GPT-6 Astra, bütçe yönetimi amacıyla standart uç nokta yerine yarı fiyatlı openai/flex uç noktası üzerinden çalıştırıldı; bu nedenle GPT-6 Astra’nın 55 saniyelik süresi diğer modellerin standart uç noktalarıyla doğrudan karşılaştırılamaz. Kimi K3.1 Pro Highspeed varyantı ise yalnızca Lehçe testinde denendiği için Türkçe hız veya kalite performansına dair herhangi bir çıkarım yapılamaz.

Görev Bazında Kimi K3.1 Pro ve En İyi Rakip

Otomatik puanlanan görevlerde (e, f, h, i, j, k) neredeyse tüm modeller tam puan alarak doygunluğa ulaştı. Sıralamayı belirleyen asıl unsurlar Türkçe dil incelikleri, resmi format kuralları ve Kimi’nin yaşadığı beklenmedik yanıt hatası oldu.

Gerçek Yanıt Örnekleri: Kimi Nerede Kazandı, Nerede Kaybetti?

Sayısal tabloların ötesinde, Kimi K3.1 Pro’nun Türkçe metin üretiminde nasıl davrandığını görmek için testteki ham yanıtlardan dört somut örneği aşağıda paylaşıyorum.

1. Görev b: Deyimler ve Kelime Oyunu (Kimi: 0,0 / 6,0 - GPT-6 Astra: 6,0 / 6,0)

Bu görevde modellerden dört Türkçe deyimi (etekleri zil çalmak, pireyi deve yapmak, dut yemiş bülbül gibi, kulağına küpe olmak) örneklerle açıklamaları, bir fıkradaki “gülmüş” kelime oyununu çözmeleri ve “yüz” kelimesiyle espri üretmeleri istendi. Kimi K3.1 Pro’nun moonshotai/mxfp4 uç noktasından dönen yanıtı tam olarak şuydu:

略

Çincede “atlandı / özetlendi” anlamına gelen bu tek karakterlik yanıt, her iki hakemden de 0 puan aldı. Buna karşılık 6,0 tam puan alan GPT-6 Astra’nın yanıtından bir kesit:

a) Etekleri zil çalmak:** Çok sevinmek.  
*Örnek:* Üniversiteyi kazandığını öğrenince etekleri zil çaldı.

**b) Pireyi deve yapmak:** Küçük bir sorunu gereğinden fazla büyütmek.  
*Örnek:* Sadece beş dakika geciktim; pireyi deve yapmana gerek yok

10 dildeki toplam 120 görevin 8’inde Kimi K3.1 Pro bu tür konu dışı yanıtlar verdi (örneğin İtalyancada fatura yerine Çince deneme, Almancada kod yerine Çince tek cümle). Resmi sıralamada ilk deneme kuralı geçerli olduğu için bu sonuç 0 olarak kaldı. Eğer bu görev tanısal amaçla devre dışı bırakılsaydı ve yalnızca Kimi’nin konuya uygun yanıt verdiği 11 görev değerlendirilseydi, Kimi 60,0/66 puana ulaşarak en zayıf rakip olan Gemini 4 Argon’u (57,0/66) geride bırakacaktı; ancak lider Claude Opus 5.5 (66,0/66) yine önde kalacaktı. Bu tanısal hesaplama resmi sıralamanın yerine geçmez.

2. Görev l: Dilbilgisi Hata Düzeltme (Kimi: 2,5 / 6,0 - GPT-6 Astra: 6,0 / 6,0)

Bu görevde yaygın yazım ve dilbilgisi yanlışları içeren kısa bir Türkçe paragrafın düzeltilmesi ve yapılan değişikliklerin listelenmesi istendi. Kimi 8 hatanın 7’sini yakaladı ancak iki önemli kusur işledi:

Cumartesi alışveriş merkezine gideceğim ve güzel bir şey bakacağım. Herkes o gün orada olacak. Yalnız gitmek istemiyorum, annem de gelecek. Kitap ya da parfüm alabilirim. Kartımı da almam lazım, çünkü nakit param yok. Herhalde güzel bir şey bulurum.

Düzeltmeler:
- hiç bir → hiçbir
- gidicem → gideceğim
- birşey → bir şey
- Herkez → Herkes
- Yanlız → Yalnız
- annemde → annem de
- yada → ya da
- Kartımıda → Kartımı da
- lazım çünkü → lazım, çünkü

Kimi, birşey bakacağım ifadesini yalnızca ayrı yazarak bir şey bakacağım yaptı; oysa doğru Türkçe kullanım yönelme ekiyle bir şeye bakacağım olmalıydı. Daha da önemlisi, metinde doğru olan lazım çünkü ifadesinin arasına virgül ekleyerek Türk Dil Kurumu kurallarına aykırı yeni bir noktalama hatası üretti (Türkçede çünkü bağlacından önce virgül konmaz). GPT-6 Astra ise birşey bakacağım -> bir şeye bakacağım düzeltmesini eksiksiz yaptı ve gereksiz virgül eklemeden 6,0 tam puan aldı.

3. Görev a: Resmi Dilekçe (Kimi: 4,5 / 6,0 - GPT-6 Astra: 6,0 / 6,0)

Kadıköy Belediyesi’ne bozuk sokak lambası ve kaldırım çukuru hakkında yazılan resmi dilekçede Kimi çok doğal ve kurumsal bir Türkçe kullandı:

KADIKÖY BELEDİYE BAŞKANLIĞINA

**Konu:** Arızalı sokak lambası ile kaldırımdaki çukurun giderilmesi ve başvuru sonucunun bildirilmesi hk.

Sayın Yetkili,

Caferağa Mahallesi Moda Caddesi No: 41 önündeki sokak lambası üç haftadır yanmamakta, aynı noktadaki kaldırımda yaklaşık 40 cm genişliğinde bir çukur bulunmaktadır

Metnin gövdesi ve saygılarımla arz ederim kapanışı kusursuzdu. Ancak Türkiye’deki resmi dilekçe formatında kurum başlığının ve konunun altına e-postalarda olduğu gibi Sayın Yetkili, hitabı eklenmez; doğrudan metne girilir. Ayrıca GPT-6.1 Sol hakemi, tarihin sağ üst yerine sol altta yer almasını da biçimsel eksiklik olarak değerlendirdi. Bu nedenle Kimi 4,5 puanda kaldı.

4. Görev d: Tuzaklı Çeviri TR-EN / EN-TR (Kimi: 6,0 / 6,0)

Kimi’nin Türkçedeki en güçlü yönlerinden biri deyimsel çeviri oldu. Çıkmaz ayın son çarşambası, fırça atmak ve İngilizcedeki sahte dost sympathetic (sempatik değil, anlayışlı/halden anlayan) ifadelerini içeren görevde Kimi 6,0 tam puan aldı:

1: My boss said he’d give me a raise, but that’ll happen when pigs fly. If I have to, I’ll take it up with the general manager, though he’s incredibly stubborn. He gave me an earful last week; between you and me, the project was going just fine. I’ve had it up to here.

2: Aslında biraz mahcup oldum; sonunda eczanenin kapalı olduğunu fark ettim. Yeni patronum çok anlayışlı ama çekilmez biri. Pazartesi günü bir görüşelim

Benzer şekilde TC Kimlik doğrulama kodunda (görev g, 5,0/6) Kimi’nin yazdığı Python kodu tüm geçerli ve geçersiz kimlik numaralarını %100 başarıyla ayıkladı; sadece 10. hanenin algoritmasını anlatan Türkçe yorum satırında 7 ile çarpma, çıkarma ve mod 10 adımlarını tam detaylandırmadığı için 1 puan kaybetti.

Pratik Çıkarımlar ve Testin Sınırları

Bu veriler, Türkçe iş akışlarında Kimi K3.1 Pro’yu kullanmayı düşünen geliştiriciler ve içerik üreticileri için net bir tablo çiziyor. Yapılandırılmış veri çıkarımı (JSON), uzun Türkçe belgelerde (apartman tutanakları gibi ~30k tokenlik metinler) bilgi bulma, KDV hesaplaması ve İngilizce-Türkçe deyimsel çeviri işlerinde Kimi rakipleriyle aynı tam puanı (6,0/6) verdi. Modeli kendi projelerinizde denemek isterseniz Kimi erişim bağlantısını kullanabilirsiniz (bu bir yönlendirme bağlantısıdır; kullanımınız üzerinden komisyon alabilirim).

Ancak bu testin metodolojik sınırlarını açıkça belirtmeliyim:

• API ve Web Arayüzü Farkı: Testlerin tamamı OpenRouter üzerinden moonshotai/mxfp4 API uç noktasıyla yapıldı. API uç noktasında görülen 略 gibi konu dışı yanıtlar (İtalyanca testindeki tanısal tekrarlarda standart uç nokta hata verirken Highspeed uç noktasının 6/6 tam puan alması, sorunun model ağırlıklarından ziyade standart uç nokta sunumundan kaynaklanabileceğine işaret ediyor), resmi Kimi web arayüzünün de birebir aynı davranacağı anlamına gelmez.
• Tek Deneme ve Puan Farkları: Her görev yalnızca bir kez çalıştırıldı. Dolayısıyla varyans ölçülmedi; özellikle Claude Opus 5.5 (71,5) ile GPT-6 Astra (71,0) arasındaki 0,5 puanlık veya Gemini 4 Argon (62,0) ile Kimi (60,0) arasındaki 2,0 puanlık farklar pratikte çok yakındır.
• Görev Tasarımı ve Hakem Sınırları: Test soruları ve cevap anahtarları Claude Opus 5.5 tabanlı bir ajan tarafından hazırlandı. Puanlamanın çoğu otomatik yapılsa ve açık uçlu soruları başka ailelerden hakemler (GPT-6.1 Sol ve Gemini 4 Argon, 975 kriter çiftinin %89’unda birebir aynı puanı verdi) değerlendirse de, görev yapısının Opus’un tarzına yatkın olma ihtimali mevcuttur. Bu çalışma bağımsız bir insan kıyaslaması (human benchmark) değildir ve sonuçlar diğer dillere veya tüm yapay zeka görevlerine genellenemez.

Sıkça Sorulan Sorular (SSS)

Kimi K3.1 Pro Türkçe testinde neden sonuncu oldu?

Kimi K3.1 Pro, 12 görevin 8’inde 6,0/6 tam puan almasına rağmen, deyimler ve kelime oyunu görevinde (görev b) Türkçe yanıt vermek yerine yalnızca tek bir Çince karakter (略) döndürerek 0 puan aldı. Ayrıca dilbilgisi düzeltme görevinde (2,5/6) çünkü bağlacından önce hatalı virgül eklemesi ve bir şeye bakacağım yönelme ekini atlaması nedeniyle toplamda 60,0/72 puanda kaldı.

Kimi K3.1 Pro Türkçe uzun metinleri ve yerel hesaplamaları doğru işliyor mu?

Evet. Yaklaşık 30 bin token uzunluğundaki Türkçe apartman yönetimi tutanakları içinde değiştirilmiş bisiklet odası şifresini, ikinci vardiyadaki görevlinin soyadını ve doğru şirketin cezai şartını çeldiricilere takılmadan buldu (6,0/6). Ayrıca GİB oranlarına (%20, %10, %1) dayalı Türk Lirası KDV hesaplamasında ve TC Kimlik doğrulama kodu çalıştırma testlerinde tam isabet sağladı.

Türkçe testinde fiyat-performans açısından hangi model öne çıktı?

Bu 12 görevlik Türkçe testinde en yüksek puanları Claude Opus 5.5 (71,5/72, maliyet 0,409 USD) ve GPT-6 Astra (71,0/72, flex uç noktasıyla 0,246 USD) aldı. Ancak yalnızca 0,025 USD harcayarak 66,5/72 puan toplayan ve saniyede 506 token ortanca hıza ulaşan DeepSeek V4.1 Flash 1017, maliyet açısından en verimli sonucu verdi.

API testindeki hatalar Kimi’nin web sitesinde de olur mu?

Bunu bu verilerle kanıtlamak mümkün değildir. Testim yalnızca OpenRouter üzerindeki moonshotai/mxfp4 API uç noktasını kapsamaktadır. API sağlayıcısının niceleme (quantization) veya sunucu yönlendirme davranışı, doğrudan Kimi web uygulamasındaki kullanıcı deneyimiyle aynı olmayabilir.

Kaynaklar ve Veri Notu

Bu makaledeki tüm puanlar, süreler, maliyetler ve alıntılar 24 Ekim 2026 tarihinde OpenRouter API üzerinden bizzat gerçekleştirdiğim testin ham kayıtlarına dayanmaktadır. Türkiye KDV oranları test günü (24.10.2026) Gelir İdaresi Başkanlığı (GİB) verilerinden kontrol edilmiştir. Aşağıdaki resmi bağlantılar yalnızca model ve platform bağlamı için verilmiştir; kendi test sonuçlarımın kaynağı değildir:

• Kimi K3.1 Pro Resmi Blog Duyurusu
• Kimi API Platformu Dokümantasyonu

// okumaya devamGPT-Image-2.6 Popüler Kültür Testi: 18 Farklı GörselYapay zekâ araçlarıClaude Opus 5.5: Abonelik mi, API mi?Yapay zekâ araçlarıGemini Omni 1.2 vs 1.1 Karşılaştırması: Neler Değişti?Karşılaştırmalar