TL;DR
GLM 5.4, Z.ai’nin GLM ailesinde olası bir halef için toplulukta kullanılan bir addır. 14 Ekim 2026 itibarıyla bu makale için incelenen resmi model dokümantasyonu ve sürüm kayıtları, GLM-5.4’ün bir lansmanını, teknik özellik sayfasını veya API tanımlayıcısını ortaya koymamaktadır. Union Alpha bir söylenti izidir; Ekim lansmanı ise yayın ritmine dayalı bir olasılıktır. Faydalı soru, gelecekteki bir sürümün kodlama güvenilirliğini ve tamamlanan görev başına maliyeti iyileştirip iyileştirmediğidir; mevcut GLM modelleri bu değerlendirme için temel sağlar.
Key Takeaways
- Sürüm durumu: 14 Ekim 2026’da incelenen resmi kaynaklar GLM-5.4’ü doğrulamıyor; kesin bir lansman tarihi yok.
- Söylenti kanıtı: Union Alpha’nın GLM-5.4 ile ilişkisi doğrulanmamıştır ve atıf yapılan derleme özgün bir kaynak paylaşımı belirtmemektedir.
- Performans temeli: Mevcut GLM-5.3 sonuçları bağlam sağlar, ancak GLM-5.4 ölçümü değildir.
- Mimari: GLM-5.3-Flash farklı bir verimlilik ve çoklu modalite yönü göstermektedir; GLM-5.4’ün bunu devralıp devralmayacağı belirsizdir.
- Geliştirici eylemi: Mevcut modelleri şimdi değerlendirin ve yükseltmeden önce doğrulanmış model kimlikleri, uyumluluk ve görev düzeyinde ölçümler talep edin.
Has GLM 5.4 Been Released?
GLM 5.4, olası bir GLM halefi için resmi olmayan bir isimdir. 14 Ekim 2026’da incelenen resmi dokümantasyon dizini ve sürüm kayıtları mevcut GLM modellerini belirtiyor ancak GLM-5.4 ürün lansmanını ortaya koymuyor. Bu, tarihlenmiş bir kaynak kontrolüdür; özel geliştirme olmadığının kanıtı değildir.
Belirli bir halefin dikkat çekmesinin iki belgelenmiş geliştirme yolu vardır.
Z.ai, GLM-5.3’ün GLM-5.2 temel modelini yeniden kullandığını ve kazançlarını sonradan eğitim yoluyla elde ettiğini doğruluyor. GLM-5.3-Flash ise yeni bir çoklu modalite temeli ve hibrit dikkat mimarisi kullanıyor. Bu olgular mevcut modelleri açıklar; GLM-5.4’ün açıklanmış bir tasarımı değildir.
Pratik açıdan biri, mevcut bir modeli ek eğitimle geliştirir; diğeri ise hesaplama maliyetlerini azaltmak ve yeni yetenekleri desteklemek için mimariyi yeniden tasarlar.
Gelecekteki bir GLM-5.4 her iki yön üzerine de inşa edilebilir, ancak Z.ai’nin hangi yaklaşımı seçeceğini belirlemek için yeterli kanıt yoktur.
How Reliable Are the GLM-5.4 Rumors and Leaks?
Confirmed Information
Doğrulanmış teknik temel GLM-5.3 ve GLM-5.3-Flash’tan gelir; GLM-5.4’ten değil. GLM-5.4 adı, nihai teknik özellikler, çıkış tarihi ve kıyaslama sonuçları, bu makale için incelenen resmi kaynaklarda doğrulanmamıştır.
Community Reports / Leaks
8 Ekim 2026 tarihli @NFT_Chen’in bir X gönderisi, olası GLM-5.4/5.5 geliştirme yönünü Tang Jie’nin yorumlarına atfediyor. Gönderi, üç ölçekleme önceliği tanımlar: ön eğitimin genişletilmesi; SFT, RLHF ve RLVR aracılığıyla sonradan eğitimin güçlendirilmesi; ve daha zor, daha uzun görevlerde akıl yürütme ve ajan yürütmenin genişletilmesi.
Yazar, bir sonraki yönü daha uzun otonom ajanlar ve yinelemeli öz-iyileştirme (RSI) olarak yorumluyor. Bu, bir Z.ai sürüm duyurusu değil, bir konuşmanın topluluk anlatımıdır. Sürüm adları ve geliştirme iddiaları gönderiye atfedilmiştir; GLM-5.4 için bir çıkış tarihi, nihai mimari, parametre sayısı veya gösterilmiş öz-iyileştirme yeteneği ortaya koymaz.
8 Ekim 2026 tarihli @NFT_Chen’in orijinal X gönderisine eklenen sunum slaytı görseli. Kıyaslama ilerlemesini ve gelecekteki bir yön olarak RSI’yi tartışır; bu, GLM-5.4 için bir kıyaslama raporu değildir.
8 Ekim 2026 tarihli @NFT_Chen’in orijinal X gönderisine eklenen konuşma fotoğrafı.
Analysis
Faydalı bir söylenti analizi, hangi gözlemin sonucu değiştireceğini sorar. Resmi bir model tanımlayıcısı, bir sürüm duyurusu veya anonim bir takma addan açıklanan bir eşleme, iddiayı anlamlı biçimde güçlendirir. Benzer bir adlandırma deseni veya yayın aralığı tek başına bunu yapamaz. Diğer gelecekteki GLM sürüm numaralarına ilişkin eski spekülasyonlar, GLM-5.4 için teknik özellikleri ortaya koymaz.
When Could GLM 5.4 Be Released?
Z.ai’nin sürüm notları zaman çizelgesi, GLM-5’i 12 Şubat, GLM-5.1’i 7 Nisan, GLM-5.2’yi 16 Haziran, GLM-5.3’ü 18 Ağustos ve GLM-5.3-Flash’ı 26 Ağustos 2026 olarak kaydeder. Bunlar, sürüm notlarına kaydedilen tarihlerdir; her araştırma duyurusu veya sağlayıcı kullanılabilirlik tarihiyle karıştırılmamalıdır.
Ana nokta sürümlerindeki yaklaşık iki aylık ilerleme, Ekim’i izlenebilir makul bir pencere yapar. Bu, bir Ekim lansmanını, belirli bir günü veya bir sonraki sürüm adını belirlemez. İzlenebilir bir tahmin kaynağı ve metodolojisi olmadan, 20 Ekim veya 23 Ekim gibi kesin bir tahmin, kanıtların desteklediğinden daha fazla kesinlik ima eder.
Daha sonraki bir lansman, farklı bir ad veya ayrı bir ürün varyantı mümkündür. Geliştiriciler, takvim tahmininden ziyade halihazırda mevcut API’ler etrafında plan yapmalıdır.
What Are GLM 5.4's Expected Specs?
Güvenilir bir GLM-5.4 teknik özellik sayfası mevcut değildir. Henüz yayınlanmamış bir ürüne söylenti donanım ve model parametreleri atamak yerine, en son belgelenmiş GLM modelleri karşılaştırmak ve bilinmeyenleri belirlemek daha bilgilendiricidir.
| Özellik | GLM-5.3 | GLM-5.3-Flash | GLM-5.4 |
|---|---|---|---|
| Sürüm | 18 Ağustos 2026 | 26 Ağustos 2026 | Duyurulmadı |
| Model temeli | GLM-5.2 tabanı; ek sonradan eğitim | Yeni çoklu modalite tabanı | Bilinmiyor |
| Mimari | MoE temeli | MoE; hibrit seyrek-doğrusal dikkat | Bilinmiyor |
| Bağlam desteği | 1M belgelenmiş API bağlamı | 1M | Bilinmiyor |
| Yerel çoklu modalite | Yalnızca metin girdi | Metin, görsel, video ve dosya girdileri | Bilinmiyor |
| Birincil vurgu | Kodlama, ajanlar, siber güvenlik | Verimlilik, kodlama, çoklu modalite | Bilinmiyor |
| Yayınlanmış kıyaslamalar | Mevcut | Mevcut | Mevcut değil |
| Model ağırlıkları | Yayınlandı | Yayınlandı | Mevcut değil |
Tablo, mevcut modellerin belgelenmiş yeteneklerini rapor eder. GLM-5.4 satırları, seleflerden değer devretmek yerine bilinmiyor olarak kalır. Bir modelin değerlendirme bağlamı, API bağlam penceresi ve maksimum çıktı uzunluğu farklı sınırlardır.
GLM-5.3-Flash mimari genel bakışı, 320B toplam parametre, 18B etkin parametre ve hibrit seyrek-doğrusal dikkati bildirir. Bunlar, Flash’a ait açıklanan özelliklerdir ve GLM-5.4’e atanmamalıdır.
Agentic Coding as a Potential Upgrade Direction
Ajan tabanlı kodlama, izlenmesi gereken en güvenilir alanlardan biridir. GLM-5.3, sonradan eğitimi ölçeklemenin çok adımlı mühendislik görevlerinde performansı önemli ölçüde iyileştirebileceğini göstermişti. Geliştiricileri, karmaşık depo çalışmaları, daha uzun yürütme ufukları ve iyileştirilmiş araç odaklı problem çözmeye vurgu yaptı.
Gelecekteki bir model, daha iyi çevre etkileşimi, daha güvenilir planlama ve daha az başarısız araç çağrısı yoluyla bu yetenekleri genişletebilir.
En faydalı değerlendirme, yalnızca doğru cevaplanan kodlama sorularının yüzdesini ölçmek olmayacaktır. Bir ajanın hata ayıklama, test, revizyon ve başarısızlıkların ardından toparlanma dahil olmak üzere karmaşık görevleri uçtan uca tamamlayıp tamamlayamadığını ölçmek olacaktır.
Efficient Multimodal Architecture as a Possible Direction
GLM-5.3-Flash, gelecekteki geliştirme için mimari bir referans noktası sağlar; incelenen hiçbir resmi kaynak, GLM-5.4’te kullanılacağını ortaya koymaz.
Z.ai, GLM-5.3-Flash’ın verimlilik odaklı tasarımının bir parçası olarak 30T belirteçlik çoklu modalite ön eğitim korpusunu tanımlıyor. Bu, mevcut bir modelin eğitim verisi ölçeğini anlatır ve GLM-5.4 için bir yol haritası taahhüdü değildir.
Resmi Flash genel bakışı, belirtilen karşılaştırmada GLM-5.3’e kıyasla 3,01× daha düşük dikkat hesaplaması ve 4,44× daha düşük KV-cache gereksinimi raporlar. Bunlar, bileşen düzeyinde verimlilik sonuçlarıdır; garantili bir uygulama hızlanması veya API indirimi değildir.
Bunlar anlamlı mühendislik iyileştirmeleridir; ancak GLM-5.4’ün aynı mimariyi devralacağına dair bir doğrulama yoktur. Daha büyük bir yeni nesil model, azami akıl yürütme performansını önceliklendirebilirken, ayrı bir Flash varyantı gecikme ve maliyeti optimize etmeye devam edebilir.
GLM 5.4 vs GLM-5.3 vs GLM-5.3-Flash
GLM-5.3 Benchmark Baseline
Mevcut kıyaslama verileri, GLM-5.3’ün performans gidişatı için bir analiz destekler; GLM-5.4’ün doğrudan ölçümü değildir. Aşağıdaki değerler, mevcut modellerin Z.ai tarafından raporlanan değerlendirmeleridir. Bu makale için bağımsız olarak yeniden üretilmemiştir ve GLM-5.4’ü ölçmez. Her benchmark, kendi görev seti ve puanlama yöntemini kullanır; puan farkları, görevler arasında eşdeğer kazanımlar olarak yorumlanmamalıdır.
| Benchmark ve metodoloji | GLM-5.2 | GLM-5.3 | GLM-5.3-Flash | GLM-5.3 ile GLM-5.2 farkı |
|---|---|---|---|---|
| Terminal Bench 3.0 | 4.6 | 28.3 | Atıf yapılan Flash karşılaştırmasında raporlanmadı | +23.7 puan |
| DeepSWE v1.1 | 46.2 | 66.9 | 63.4 | +20.7 puan |
| AutomationBench v1.0.6 | 26.2 | 48.2 | 48.8 | +22.0 puan |
| CyberGym | 77.2 | 84.5 | Atıf yapılan Flash karşılaştırmasında raporlanmadı | +7.3 puan |
| ExploitBench | 24.4 | 54.4 | Atıf yapılan Flash karşılaştırmasında raporlanmadı | +30.0 puan |
| HLE with Tools | 54.7 | 62.5 | 55.3 | +7.8 puan |
| GDPval-AA v2 | 1508 | 1769 | Atıf yapılan Flash karşılaştırmasında raporlanmadı | +261 Elo |
| Toolathlon Verified | 59.9 | Atıf yapılan GLM-5.3 karşılaştırmasında raporlanmadı | 78.4 | Mevcut değil |
Birleşik tablo, mevcut-model sonuçlarını yan yana yerleştirir; GLM-5.4 ölçümü içermez. Raporlanmamış bir değer sıfır değildir. Her benchmark’ın değerlendirme koşullarını göz önünde bulundurun ve GDPval-AA farklarını yüzde puanı değil, Elo olarak ele alın.
Metodoloji: DeepSWE v1.1, mini-swe-agent, sıcaklık 0.95, top_p 1.0, altı saatlik zaman aşımı ve 400K bağlam kullanır. AutomationBench v1.0.6 kullanır. HLE with Tools, sıcaklık 1.0, top_p 0.95, 163.840 belirteçlik üretim sınırı ve bağlam yönetimi ile 300K bağlam sınırı kullanır. GDPval-AA v2, Elo ölçeği kullanır; dolayısıyla fark, yüzde puanı kazancı değildir.
CyberGym ve ExploitBench için Z.ai, maksimum akıl yürütme çabası, web araçları olmadan, sıcaklık 1.0, top_p 1.0 ve 128.000 belirteç çıktı sınırı ile Claude Code 2.1.207’yi rapor eder. CyberGym, görev başına sınırsız zaman aşımıyla 1.507 görev üzerinde tek çalıştırmalı pass@1 raporlar. ExploitBench, 300’e kadar etkileşim turu kullanır ve üç revizyon boyunca 41 görev üzerinde kapsam ortalaması alır. Model kartı dipnotları, benchmark’a özgü ortam ayrıntılarını sağlar.
Flash metodolojisi: DeepSWE, mini-swe-agent, 400K bağlam ve altı saatlik zaman aşımı kullanır; AutomationBench v1.0.6 kullanır. Toolathlon Verified, resmi değerlendirme hizmeti aracılığıyla üç bağımsız çalışma üzerinde ortalama pass@1 raporlar. HLE, yukarıda açıklanan örnekleme ve bağlam yönetimi ayarlarını kullanır. Flash model kartı metodolojisine bakın. Bu benchmark sonuçları, üretim gecikmesi veya maliyetini ortaya koymaz.
Z.ai’nin GLM-5.3 benchmark duyurusundan yeniden üretilmiş resmi GLM-5.3 performans görseli. Görsel, selef model değerlendirmelerini gösterir; GLM-5.4 sonucu içermez.
En büyük iyileştirmeler, çevre ile sürekli etkileşim gerektiren görevlerde görünmektedir. Terminal Bench 3.0, 4.6’dan 28.3’e yükselirken; ExploitBench, 24.4’ten 54.4’e çıktı.
Bu kazanımlar, temel mimariyi değiştirmeden sonradan eğitim ve ajan odaklı ortamların bir modelin performansını dramatik biçimde değiştirebileceğini gösterir. Ancak GLM-5.4 için sayısal bir tahmine ekstrapole edilmemelidir.
Capabilities and Production Fit
Üretim için GLM-5.3, karmaşık kodlama, uzun ufuklu mühendislik ve siber güvenlik değerlendirmesi açısından daha güçlü bir referanstır. GLM-5.3-Flash, yerel görsel girdiler ekler ve verimli araç kullanımını vurgular. Mevcut GLM-5.2, GLM-5.3 ve Flash teklifler bir temel sağlar; bu makale için incelenen kaynaklarda eşdeğer bir GLM-5.4 yeteneği veya kullanılabilirliği ortaya konmamıştır.
Belgelenmiş modeller 1M bağlama kadar destekler; ancak bu sınır, her uç noktada aynı kullanılabilir bağlam veya görev performansını garanti etmez. Aralarında seçim yaparken temsilî iş yükleri ve başarıyla tamamlanan görev başına maliyeti kullanın.
Gelecekteki bir GLM-5.4, geçişi haklı çıkarmak için ölçülebilir bir iyileştirme sunmalıdır. Benchmark doğruluğunu artırırken görev tamamlama maliyetini ikiye katlamak, üretim dağıtımları için cazip olmayabilir. Buna karşılık, mütevazı bir doğruluk artışı ve önemli ölçüde daha az araç çağrısı, ölçekta değerli olabilir.
Aynı değerlendirme çerçevesi altında görev başarısını, giriş ve çıkış belirteçlerini, gecikmeyi, başarısız araç çağrılarını ve başarıyla tamamlanan görev başına maliyeti karşılaştırın. Nitel model açıklamaları, kontrollü bire bir test değildir.
What Is the Current GLM-5.4 API Status on CometAPI?
CometAPI, sabit bir model tanımlayıcı girişiyle özel bir GLM 5.4 model sayfası oluşturdu. Ancak sayfa hâlâ modeli “Yakında geliyor” olarak etiketliyor ve ön lansman modeli olarak tanımlıyor. Geliştiriciler, üretimde kullanmayı denemeden önce gerçek model kimliğini, hesap erişimini, uç nokta kullanılabilirliğini, desteklenen parametreleri, bağlam sınırlarını ve fiyatlandırmayı doğrulamalıdır.
Hâlihazırda belgelenmiş bir entegrasyon için GLM-5.2 veya GLM-5.3 gibi mevcut bir GLM modelini kullanın. CometAPI’nin GLM-5.4 sayfası, model kimliği ve uç nokta çağrılabilirliği doğrulanana kadar şimdilik bir ön lansman katalog girişi olarak ele alınmalıdır.
Preparing for GLM 5.4 API Integration
En pratik hazırlık, uygulama mantığını tek bir model sürümüne bağlamaktan kaçınmaktır. Yapılandırılabilir bir model tanımlayıcısı, istek hattını yeniden yazmadan yükseltmeleri değerlendirmenizi kolaylaştırır.
Model tanımlayıcısını yapılandırılabilir tutun ve çalışır bir temel oluşturmak için mevcut bir GLM modeli kullanın. GLM-5.4’e geçmeden önce çağrılabilir bir model kimliği, hesap erişimi, desteklenen istek parametreleri, bağlam ve çıktı sınırları, akış davranışı ve araç çağrısı uyumluluğunu doğrulayın. Geri dönüş seçeneğini hazır tutun.
GLM-5.4 resmi olarak kullanıma sunulduğunda, model kimliğini, desteklenen parametreleri, bağlam sınırlarını ve uç nokta uyumluluğunu doğrulayın. Eski ve yeni modelleri aynı değerlendirme veri setine karşı çalıştırın; başarı oranını, gecikmeyi, çıktı belirteçlerini, araç çağrısı hatalarını ve başarıyla tamamlanan yürütme başına maliyeti izleyin.
What Could GLM 5.4 API Pricing Look Like?
Resmi bir GLM-5.4 API fiyatı duyurulmadı. Bu nedenle, gerçek bir sızıntıymış gibi belirli bir giriş veya çıkış belirteci oranı yayınlamak yanıltıcı olur.
Mevcut GLM ailesi, model boyutunun tek başına fiyatlandırmayı öngörmek için yeterli olmadığını gösterir. GLM-5.3-Flash, önemli ölçüde daha düşük çıkarım maliyetiyle rekabetçi zekâ sunmayı hedefleyen mimari optimizasyonlar getirdi.
Z.ai’nin Artificial Analysis Intelligence Index v4.1.1 karşılaştırması, GLM-5.3-Flash için 57 puanı, tahmini indirimli görev başına 0,045 ABD doları maliyetle rapor eder. Bu değerlendirme maliyeti, giriş/çıkış belirteci tarifesi değildir ve GLM-5.4 fiyatlandırmasını öngörmez.
Gelecekte GLM-5.4 fiyatlandırması; mimariye, akıl yürütme çabasına, önbelleğe alınmış belirteç indirimlerine, barındırma altyapısına ve varyantlara bağlı olabilir. Üretim planlaması için, başarıyla tamamlanan görev başına maliyet, en düşük manşet giriş belirteci oranından daha değerlidir.
Should Developers Wait for GLM 5.4?
Çoğu geliştirici için, duyurulmamış bir modeli beklemek gereksizdir. Mevcut GLM modelleri, gerçek uygulamalarda test edilebilecek belgelenmiş kodlama ve ajan yetenekleri sağlar.
Kodlama asistanları veya çok adımlı mühendislik ajanları geliştiren ekipler, GLM-5.3 ile bir temel oluşturabilir. Görsel anlama, uzun bağlam ve verimli tekrarlı çağrılara vurgu yapan uygulamalar GLM-5.3-Flash’ı değerlendirebilir.
Şimdi bir değerlendirme çerçevesi kurun ve GLM-5.4 için gelecekte bir karşılaştırma slotu ayırın. Kullanıma sunulduğunda, belirli bir uygulama için önemli sonuçları iyileştiriyorsa yayın anlamlı olacaktır.
Araştırmacılar, yeni temel mimariyi, uzun ufuklu benchmark’lardaki değişiklikleri ve uçtan uca güvenilirliği izlemelidir. İşletmeler, temsilî üretim verileri üzerinde kullanılabilirliği, maliyeti, gecikmeyi, uyumluluğu ve kaliteyi önceliklendirmelidir.
Conclusion
GLM 5.4, Z.ai’nin hızla evrilen model ailesinde makul bir sonraki adım olsa da mevcut anlatı, doğrulanmış olandan çok spekülatiftir.
Union Alpha doğrulanmamış bir kimlik ipucudur ve yayın ritmi yalnızca geniş bir zamanlama hipotezini destekler. Hiçbiri bir lansman tarihi ortaya koymaz. 14 Ekim 2026’da incelenen resmi kaynaklar, GLM-5.4’ün doğrulanmış bir sürümü yerine mevcut modeller için bir temel sağlar.
Doğrulanabilir olan, GLM-5.3 ve GLM-5.3-Flash’ın halihazırda kaydettiği ilerlemedir. Ajan tabanlı kodlama, siber güvenlik değerlendirmesi ve çıkarım verimliliğindeki anlamlı kazanımlar, her halef için zorlu bir temel oluşturur.
Esas soru, Z.ai’nin güvenilir otonom yürütme, daha güçlü akıl yürütme ve tamamlanan görev başına rekabetçi bir maliyet sağlayıp sağlayamayacağıdır. Resmi teknik özellikler ve kıyaslamalar ortaya çıkana kadar GLM-5.4, mevcut bir ürün değil, olası bir sürüm olarak ele alınmalıdır.
FAQ
How can I verify a GLM 5.4 API listing?
Sağlayıcının çağrılabilir bir model tanımlayıcısı, desteklenen bir uç nokta, erişim koşulları ve güncel fiyatlandırma sunduğunu kontrol edin. Ardından kimliği, resmi bir Z.ai duyurusu veya dokümantasyonla karşılaştırın. Bir sağlayıcı listesi, o sağlayıcının teklifini ortaya koyabilir; ancak anonim bir modelin geliştiricisini kendi başına doğrulamaz.
Which compatibility checks matter before a GLM 5.4 migration?
Gerçek uç noktanızda istek parametrelerini, akıl yürütme ayarlarını, araç çağrısı şemasını, yapılandırılmış çıktıyı, akış davranışını, bağlam sınırlarını ve maksimum çıktıyı doğrulayın. Desteklenmeyen parametreler için negatif testler ekleyin ve geri dönüş için mevcut modeli erişilebilir tutun. OpenAI uyumluluğu bir arayüzü tanımlar; aynı model davranışını garanti etmez.
How should I evaluate GLM 5.4 for coding agents?
Her iki model için de aynı araçlar, izinler, zaman aşımı ve çerçeve ile sabit bir temsilî depo görevleri seti kullanın. Başarıyla test edilmiş değişiklikleri, araç arızalarından toparlanmayı, belirteç kullanımını, gecikmeyi ve toplam maliyeti sayın. Her çalıştırmayı kaydedin ve tek bir olumlu örneği öne çıkarmak yerine değişkenliği ortaya çıkarmak için görevleri yeterince tekrarlayın.
What would justify waiting for GLM 5.4?
Beklemek, yalnızca belgelenmiş yaklaşan bir yetenek mevcut modellerin karşılayamadığı bir gereksinimi karşılıyorsa ve gecikme teslimat planınıza uyuyorsa makuldür. Yalnızca bir söylenti varken, mevcut bir modele karşı inşa edin ve model seçimini yapılandırılabilir tutun. Daha sonra yayınlanacak sürümün, temelinizin yerini almadan önce karşılaması gereken yetenek ve maliyet eşiklerini tanımlayın.