Bu video, Qwen 3.8 ve Gemini 3.5 Flash-Lite adlı iki yapay zeka modelinin görsel anlama ve doğruluk yeteneklerini kontrollü bir ortamda karşılaştırıyor. Yönetici, kurmaca ekran görüntüleriyle (şişe ürün görseli, kargo takip ekranı vb.) aynı soruları iki modele hem tam, hem de kısmi bilgi içeren versiyonlarda yönelterek modellerin hallüsinasyon (uydurma) eğilimini ve kontrol sorularıyla düzeltilme yeteneğini test ediyor. Gözlemler, Qwen'in bazı durumda spesifik sayısal bilgi uydurduğunu (mesela 500 ml), oysa Gemini'nin daha tutumlu davrandığını gösteriyor. Ama tek bir doğru kontrol sorusu, her iki modelin de yaptıkları hataları düzeltebiliyor, bu da modern LLM'lerin tutarsızlığı hakkında ilginç bir bulgudur.

Büyük dil modelleri (LLM) ve multimodal modeller (metin + görsel anlayan sistemler) son beş yılda muazzam gelişim göstermiş olsa da, temel bir sınırlamalarına sahiptir: hallüsinasyon. Bu olgu, modelin eğitim verilerinde gördüğü örüntülere dayalı olarak gerçek olmayan, plausible (olası görünen) bilgiler üretmesidir. Özellikle modele eksik veya kırpılmış bilgi sunulduğunda, sistem boşluğu "doldurma" isteğine kapılabilir. Görsel anlama alanında bu sorun daha da belirgindir: model, görselde olmayan ancak görsel bağlamı "tahmin ettiği" detayları ekleyebilir. Gemini 3.5 ve Qwen 3.8 gibi yeni nesil modeller, bu konuda yapılmış iyileştirmeler içerse de, %100 güvenilir değildir—özellikle sınırlandırılmış veya belirsiz görsellerde.

Videoda yapılan deneyde, Qwen modeli tam ekranda doğru davranmış olsa da, kırpılmış ekranda bir şişenin kapasitesini "500 ml" olarak uydurmuş; Gemini benzer durumda "bilgi eksik" demiş. Kargo takip ekranında her iki model de teslim durumunu doğru rapor etmiştir. Kilit bulgu: her iki model de kontrol sorusu (kanıtı açıkça talep eden, sorgulamayı teşvik eden bir soru) karşısında hatalarını düzeltebilmiştir. Bu, modellerin kendi çıktılarını revise edebildiğini, fakat sorgulanmadıkça hata içeren versiyon sunabileceğini gösterir. Hız açısından Gemini daha hızlı cevap vermiş görünmektedir.

Bu karşılaştırma, yapay zeka araçlarını günlük hayatta (ürün tanımlama, sipariş doğrulama, karar alma) kullanan kişiler için önemli bir uyarıdır. Modern LLM'ler büyüleyici ve çoğu zaman faydalı olsa da, karar verici bir konuda, özellikle finansal veya hukuki değeri olan durumlarda, modelin çıktısını bağımsız olarak doğrulaması gerekir. Videoda gösterilen test tasarımı (tam/kırpılmış bilgi, kontrol soruları) kullanıcıların kendi ürün ve hizmetlerde model çıktılarını nasıl test edebileceğini örneklendirir. Qwen'in daha "cesur" davranması (spesifik sayı üretmesi) yüksek performanslı görünebilir ama yanıltıcı olabilir; Gemini'nin ihtiyatlı yaklaşımı ise yapay zeka etikleri açısından sorumluluk yansıtır. Her iki modelin de sürüm, API konfigürasyonu ve test tarihi (Kasım 2026) ile sonucun bağlı olduğu unutulmamalıdır.