[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-alignment-tax::tr":3,"gloss-cluster-alignment-tax::tr":26,"gloss-next-alignment-tax::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"alignment-tax","core-ai","Hizalama Vergisi (Alignment Tax)","Hizalama vergisi, bir modeli daha güvenli ve düzgün davranışlı yapmak için vazgeçtiğiniz yetenektir. Bir modeli zararlı istekleri reddetmeye, belirsiz iddialarda çekimser kalmaya ve talimatları kibarca izlemeye eğitmek, onu aynı modelin hizalanmamış bir sürümüne kıyasla daha temkinli, daha uzun soluklu veya ham problem çözmede biraz daha kötü hale getirebilir. İşte güvenlik ve öngörülebilirlik karşılığında kaybedilen yardımseverlik ya da performans — bu boşluk, vergidir. SaaS geliştiricileri için bu, aşırı reddetme olarak görünür (model, riskli bir şeye benzettiği için tamamen meşru bir isteği geri çevirir), gereksiz sorumluluk reddi beyanları ya da sulandırılmış cevaplar biçiminde ortaya çıkar. Pratik yanıt, güvenliği söküp atmak değildir; hizalama davranışının kullanım senaryonuza zarar verdiği anları fark etmek ve bunu net sistem prompt'ları, özenli prompt tasarımı ya da alanınıza uygun bir model katmanıyla çözmektir. Sağlayıcılar zamanla hizalama vergisini küçültmeye çalışır; yani geçen yıl aşırı reddeden bir model bugün aynı prompt'u sorunsuz karşılayabilir — eski davranışın hâlâ geçerli olduğunu varsaymak yerine yeniden test edin.","Hizalama vergisi, bir modeli güvenli kılmak için vazgeçtiğiniz yetenektir: daha çok temkin, daha çok çekince, daha uzun yanıt, biraz daha zayıf çözüm gücü.",null,[11,14,17,20,23],{"slug":12,"name":13},"guardrails","Koruma Bariyerleri (Guardrails)",{"slug":15,"name":16},"instruction-tuning","Talimat Ayarlama (Instruction Tuning)",{"slug":18,"name":19},"red-teaming","Kırmızı Takım (Red-Teaming)",{"slug":21,"name":22},"rlhf","İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)",{"slug":24,"name":25},"system-prompt","Sistem Promptu",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Agentic AI (Ajan Tabanlı Yapay Zeka)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"artificial-intelligence","Yapay Zekâ (AI)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":30},"attention","Attention (Dikkat Mekanizması)",{"slug":39,"category":5,"name":40,"updated_at":34},"beam-search","Işın Arama (Beam Search)",{"slug":42,"category":5,"name":43,"updated_at":44},"benchmark-contamination","Kıyaslama Kirlenmesi (Benchmark Contamination)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":44},"catastrophic-forgetting","Felaketvari Unutma (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":34},"computer-vision","Bilgisayarlı Görü",{"slug":52,"category":5,"name":53,"updated_at":44},"constitutional-ai","Anayasal Yapay Zekâ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":30},"context-window","Bağlam Penceresi (Context Window)",{"slug":58,"category":5,"name":59,"updated_at":34},"deep-learning","Derin Öğrenme",{"slug":61,"category":5,"name":62,"updated_at":30},"diffusion-model","Difüzyon Modeli (Diffusion Model)",{"slug":64,"category":5,"name":65,"updated_at":44},"direct-preference-optimization","Doğrudan Tercih Optimizasyonu (DPO)"]