Nova (Amazon) (TR)

Amazon Nova — temel modeller (Foundation Models, FM) ve büyük dil modelleri (Large Language Model, LLM) ailesi olup Amazon Artificial General Intelligence (AAG Intelligence) birimi tarafından geliştirilmiş ve tam yönetilen Amazon Bedrock hizmeti aracılığıyla erişilebilir durumdadır. Aile; metin anlama ve üretme, görüntü, video ve belge işleme ile konuşma sentezi ve tanıma modellerini kapsamaktadır. Amazon Nova, önceki nesil Amazon Titan modellerinin yerini alan bir ürün olarak konumlandırılmakta ve Amazon Web Services (AWS) bulut ekosistemiyle entegre edilmiş durumdadır.

Tarihçe ve Gelişim Kronolojisi

Nova'nın lansmanından önce Amazon Bedrock platformu üçüncü taraf modellere erişim sağlıyordu: Anthropic Claude, Meta Llama, Mistral ve diğerleri. Amazon Nova, AWS'nin bulut altyapısında ticari kullanıma yönelik olarak geliştirdiği ilk temel model ailesi olmuştur.

Birinci Nesil (2024–2025)

Amazon Nova ailesinin birinci nesli, 3 Aralık 2024 tarihinde AWS re:Invent 2024 konferansında resmi olarak tanıtıldı. İlk sürüme üç anlama modeli (understanding models) dahil edildi: yalnızca metinle çalışan Nova Micro, çok modlu Nova Lite ve Nova Pro; bunların yanı sıra üretici modeller olan Nova Canvas (görüntü üretimi) ve Nova Reel (video üretimi) de sunuldu.

Nisan 2025'te aileye amiral gemisi model Nova Premier eklendi; bu model, 1 milyon token'lık bağlam penceresine sahip olup karmaşık akıl yürütme görevleri ve model damıtması (distillation — büyük bir modelden daha küçük bir modele bilgi aktarımı) için tasarlanmış, ailenin en güçlü modelidir. Yine Nisan 2025'te gerçek zamanlı diyalog desteğine sahip speech‑to‑speech sınıfında bir konuşma modeli olan Nova Sonic tanıtıldı.

İkinci Nesil — Nova 2 (2025–2026)

Kasım–Aralık 2025 tarihlerinde AWS re:Invent 2025 konferansında ikinci nesil olan Amazon Nova 2 duyuruldu. Aileye; dinamik akıl yürütme (dynamic reasoning) ve genişletilmiş bağlam işleme desteğine sahip güncellenmiş Nova 2 Lite ve Nova 2 Pro modelleri, metin, görüntü, video ve sesi eş zamanlı olarak işleyip üretebilen yerel çok modlu model Nova 2 Omni ve bir sonraki nesil konuşma modeli Nova 2 Sonic dahil edildi. Aynı anda özel model eğitim ortamı Nova Forge ve ajanlık iş akışları için çerçeve olan Nova Act hizmetleri de tanıtıldı.

Şubat 2026'da Amazon Nova 2'nin resmi teknik raporu yayımlandı.

Özet Kronoloji

Tarih	Olay
Aralık 2024	AWS re:Invent 2024'te Amazon Nova'nın duyurulması: Nova Micro, Lite, Pro, Canvas, Reel
Nisan 2025	Nova Premier (1M token bağlam) ve Nova Sonic'in (speech‑to‑speech) yayımlanması
Haziran 2025	Birinci nesil teknik raporunun yayımlanması (arXiv:2506.12103)
Kasım–Aralık 2025	AWS re:Invent 2025'te Nova 2'nin duyurulması: Nova 2 Lite, 2 Pro, 2 Omni, 2 Sonic, Nova Forge, Nova Act
Şubat 2026	Amazon Nova 2 teknik raporunun yayımlanması

Teorik Temeller ve Mimari

Anlama Modellerinin Temel Mimarisi

arXiv:2506.12103 teknik raporuna göre, anlama modelleri (Nova Micro, Lite, Pro, Premier) Vaswani ve diğerleri tarafından tanımlanan transformer (Transformer) mimarisine dayanmaktadır. Çok başlıklı öz dikkat (Multi‑Head Self‑Attention) temel mekanizması şu formülle açıklanmaktadır:

$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^{\mathrm{\top }}}{\sqrt{d_k}}\right)V$

burada $Q$, $K$, $V$ sırasıyla sorgu (queries), anahtar (keys) ve değer (values) matrisleridir; $d_k$ ise anahtarların boyutudur.

Kesin mimari parametreler (katman sayısı, gizli durum boyutu, dikkat başlığı sayısı, toplam parametre sayısı) Mart 2026 itibarıyla kamuya açık kaynaklarda açıklanmamıştır. Bu yaklaşım, kapalı ticari modeller için tipiktir.

Nova Lite ve Nova Pro'daki çok modlu işleme; metin, görsel ve video token'larının tek bir dil modeline girdi olarak sunulan tek bir dizide birleştirilmesiyle gerçekleştirilmektedir. Görsel kodlayıcılar (vision encoders), görüntüleri ve video karelerini metin gösterimiyle uyumlu token dizilerine dönüştürür.

Üretici Modellerin Mimarisi

Nova Canvas (görüntü) ve Nova Reel (video) üretici modelleri, latent uzayda hesaplamalar için varyasyonel otokodlayıcılarla (Variational AutoEncoder, VAE) birlikte Gizli Difüzyon Modelleri (Latent Diffusion Models, LDM) mimarisini kullanmaktadır. Difüzyon süreci ileri gürültü denklemiyle tanımlanmaktadır:

$x_t=\sqrt{{\overline{\alpha }}_t}{x}_0+\sqrt{1-{\overline{\alpha }}_t}ϵ,ϵ\sim 𝒩(0,I)$

burada $x_0$ — latent uzaydaki orijinal görüntü, $x_t$ — $t$ adımındaki gürültülü versiyonu, ${\overline{\alpha }}_t$ — gürültü çizelgesinin kümülatif parametresi, $ϵ$ — standart Gauss gürültüsüdür. Metin kodlayıcı (text encoder), üretimi metin prompt'una koşullandıran conditioning işlevini sağlar.

Konuşma Modellerinin Mimarisi

Nova Sonic, metin modellerinden farklı bir mimari kullanmaktadır: özel bir konuşma kodlayıcısını (speech encoder), bir konuşma kod çözücüsünü (speech renderer) ve ana çok modlu dil modelini tek bir uçtan uca boru hattında (end‑to‑end pipeline) birleştirmektedir. Bu yapı, ara metin dönüşümü olmadan konuşma girişinin işlenmesine ve konuşma çıktısının üretilmesine olanak tanır (kaliteyi sağlamak amacıyla dahili olarak metin temsili kullanılmaktadır).

Eğitim Altyapısı

Nova modellerinin eğitimi, Amazon'un kendi yapay zeka hızlandırıcıları Amazon Trainium (TRN1 örnekleri) ile NVIDIA A100 ve H100 grafik işlemcileri kullanılarak AWS Elastic Kubernetes Service (EKS) üzerindeki dağıtık kümelerinde gerçekleştirilmiştir.

Eğitim sırasında hesaplama maliyetlerini düşürmek amacıyla özel optimizasyon yöntemleri geliştirilmiş ve uygulanmıştır:

• Super‑Selective Activation Checkpointing (SSC) — teknik rapora göre, yeniden hesaplama (recomputation) için minimum ek yükle grafik işlemci bellek tüketimini yaklaşık %50 oranında azaltan bir aktivasyon kaydetme yöntemidir.
• In‑CPU‑Memory Checkpointing — ara ağırlıkların (checkpoints) merkezi işlem birimi (CPU) belleğine önbelleğe alınması ve ardından Amazon S3 bulut depolama alanına eş zamansız olarak aktarılmasıdır. Amazon'un verilerine göre bu yaklaşım, TRN1 örneklerinde model durumu kaydetme süresini 0,1 saniyeye indirmiştir.

Eğitim Boru Hattı ve Hizalama

Nova modellerinin eğitim süreci, modern LLM'ler için tipik olan birkaç aşamadan oluşmaktadır:

Ön Eğitim (Pre‑training)

200'den fazla dili kapsayan büyük çok dilli ve çok modlu bir veri korpusu üzerinde kapsamlı eğitim. Eğitim verilerinin kesin bileşimi (hacim, dil oranları, belirli kaynaklar) kamuya açık materyallerde belirtilmemiştir.

Denetimli İnce Ayar (Supervised Fine‑Tuning, SFT)

Modeli kullanıcı talimatlarına uymaya yönlendirmek amacıyla "talimat — yanıt" çiftlerinden oluşan etiketli örnekler üzerinde ince ayar uygulaması.

Pekiştirmeli Öğrenme ile Hizalama

Modelin davranışını insan tercihlerine uyarlamak için iki temel algoritma kullanılmaktadır:

Proximal Policy Optimization (PPO) — ayrı bir ödül modeli (Reward Model) kullanan, insan geri bildiriminden pekiştirmeli öğrenmeye (Reinforcement Learning from Human Feedback, RLHF) dayalı bir algoritma.

Direct Preference Optimization (DPO) — açık bir ödül modeli gerektirmeyen alternatif bir hizalama yöntemi. DPO hedef fonksiyonu şu biçimdedir:

${ℒ}_{\mathrm{D}\mathrm{P}\mathrm{O}}({\pi }_{\theta };{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}})=-{𝔼}_{(x,y_w,y_l)\sim 𝒟}[\log \sigma (\beta \log \frac{{\pi }_{\theta }(y_w\mid x)}{{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}(y_w\mid x)}-\beta \log \frac{{\pi }_{\theta }(y_l\mid x)}{{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}(y_l\mid x)})]$

burada:

• ${\pi }_{\theta }$ — parametrik strateji (eğitilen model);
• ${\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}$ — temel (dondurulmuş) referans modeli;
• $x$ — giriş prompt'u (bağlam);
• $y_w$ ve $y_l$ — sırasıyla tercih edilen (winner) ve reddedilen (loser) yanıtlar;
• $\sigma$ — lojistik (sigmoid) fonksiyon;
• $\beta$ — temel modelden sapma cezasının gücünü kontrol eden hiperparametre (Kullback–Leibler ıraksama cezasının, KL‑divergence penalty, bir benzeri).

Model Ailesi Bileşimi

Model ailesi, performans, maliyet ve gecikme (latency) dengesi gözetilerek katmanlara (tiers) ayrılmıştır.

Birinci Nesil Anlama Modelleri

Parametre	Nova Micro	Nova Lite	Nova Pro	Nova Premier
Giriş modları	Metin	Metin, görüntü, video	Metin, görüntü, video	Metin, görüntü, video
Çıkış modu	Metin	Metin	Metin	Metin
Bağlam penceresi	128 bin token	300 bin token	300 bin token	1 milyon token
Maks. çıkış token'ı	10 bin	10 bin	10 bin	10 bin
Dil desteği	200+	200+	200+	200+
İnce ayar (fine‑tuning)	Evet	Evet	Evet	Hayır
Yayım tarihi	Aralık 2024	Aralık 2024	Aralık 2024	Nisan 2025
Temel kullanım amacı	Metin görevleri için minimum gecikme ve maliyet	Temel çok modlu analiz	Karmaşık mantıksal ve ajanlık görevleri için optimum denge	Maksimum doğruluk, damıtma için öğretmen model

Kaynak: AWS AI Service Cards; arXiv:2506.12103.

Optimize edilmiş diller (15): İngilizce, Almanca, İspanyolca, Fransızca, İtalyanca, Japonca, Korece, Arapça, Çince (Basitleştirilmiş), Rusça, Hintçe, Portekizce, Felemenkçe, Türkçe, İbranice.

Nova Premier; 400 sayfayı aşan belgeler, 90 dakikaya kadar video ve kod tabanları gibi büyük veri hacimleriyle çalışmayı gerektiren, derin bağlam anlama, çok adımlı planlama görevleri için tasarlanmıştır.

İkinci Nesil Modeller (Nova 2)

Nova 2 Lite ve Nova 2 Pro, Kasım–Aralık 2025'te yayımlandı. Her ikisi de genişletilmiş düşünmeyi (extended thinking) desteklemektedir; bu mekanizma, modelin yanıt üretmeden önce çok adımlı akıl yürütme gerçekleştirdiği bir işleyişe karşılık gelir. Akıl yürütme derinliği, reasoning_effort parametresi ile low, medium ve high düzeyleri aracılığıyla ayarlanmaktadır. Bağlam penceresi 1 milyon token'a genişletilmiştir. Yerleşik yerel araçlar mevcuttur: doğrulama destekli web araması (web grounding) ve kod yorumlayıcı (code interpreter).

Nova 2 Omni — metin, görüntü, video ve sesi eş zamanlı olarak girdi olarak alıp metin ve görüntü üretebilen yerel çok modlu bir modeldir. Bağlam penceresi 1 milyon token'dır.

Nova 2 Sonic — bir sonraki nesil konuşma modelidir. 6 dili desteklemektedir: İngilizce (Amerikan ve İngiliz varyantları), İspanyolca, Almanca, Fransızca, İtalyanca. Eş zamansız araç çağrısını (asynchronous tool calling) devreye sokmaktadır; bu sayede model, harici araçlar arka planda çalışırken yeni girişleri işlemeye devam edebilir.

Parametre	Nova 2 Lite	Nova 2 Pro	Nova 2 Omni	Nova 2 Sonic
Giriş modları	Metin, görüntü, video	Metin, görüntü, video	Metin, görüntü, video, ses	Ses (konuşma)
Çıkış modu	Metin	Metin	Metin, görüntü	Ses (konuşma)
Bağlam penceresi	1 milyon token	1 milyon token	1 milyon token	300 bin token
Extended thinking	Evet	Evet	Evet	—
Yerel araçlar	Web grounding, Code interpreter	Web grounding, Code interpreter	—	Asynchronous tool calling
Yayım tarihi	Kasım–Aralık 2025	Kasım–Aralık 2025	Aralık 2025	Aralık 2025

Kaynak: AWS Blog; Amazon Science.

Üretici Modeller

Nova Canvas — bir görüntü üretimi modelidir. Metin ve grafik girişini (PNG, JPEG) desteklemektedir. Çıkış çözünürlüğü 4,19 milyon piksele kadar ulaşabilmektedir (örneğin 2048×2048 veya 2816×1536 piksel). Maksimum prompt uzunluğu 1024 karakterdir. Inpainting (görüntünün bir bölgesini değiştirme) ve outpainting (görüntüyü sınırlarının ötesine genişletme) işlemleri desteklenmektedir.

Nova Reel — bir video üretimi modelidir. Çıkış çözünürlüğü saniyede 24 kare ile 1280×720'dir. Üretilen video süresi 6 saniyeye kadar ulaşabilmektedir. Kamera hareketi kontrolü (camera control) desteklenmektedir. Erişim, eş zamansız API (Asynchronous Invoke Model API) aracılığıyla gerçekleştirilmektedir.

Konuşma Modelleri

Nova Sonic (Nisan 2025) — çift yönlü akışlı API'ye (bidirectional stream API) sahip bir konuşma modelidir. İşlev çağrısını (function calling) ve Retrieval‑Augmented Generation (RAG — harici bilgilerle üretim) aracılığıyla kurumsal verilere dayandırmayı desteklemektedir. Filigran (watermarking) işlevi varsayılan olarak etkindir. Maksimum bağlantı süresi 8 dakikadır ve sürdürme imkânı mevcuttur; istemci başına maksimum 20 eş zamanlı bağlantıya izin verilmektedir (varsayılan değer).

Nova 2 Sonic (Aralık 2025) — kısa ifadelerin, telefon sesinin (8 kHz) ve aksanların tanınması geliştirilmiş, bir sonraki nesil konuşma modelidir.

Değerlendirme ve Benchmark'lar

Nova modellerinin değerlendirmesi, "LLM‑as‑a‑judge" yaklaşımı (değerlendirici olarak dil modelinin kullanılması) dahil olmak üzere otomatik benchmark'lar kullanılarak gerçekleştirilmiştir. HKU SPACE AI Hub araştırmasına göre Arena‑Hard‑Auto metriği, uzman değerlendirmeleriyle %98,6 korelasyon sergilemektedir.

Birinci Nesil Benchmark'lar

arXiv:2506.12103 teknik raporundan alınan veriler (koşullar: raporun hazırlandığı tarihe kadar rakip model geliştiricilerinin yayımladığı sonuçlar):

Benchmark	Nova Pro	Nova Lite	Nova Micro	Claude 3.5 Sonnet (Oct 2024)	GPT‑4o (Nov 2024)
MMLU (5‑shot)	—	80,5	77,6	—	—
MATH (4‑shot)	—	73,3	69,3	—	—
IFEval	—	87,5	87,2	—	—
MT‑Bench (metin)	79,7	77,7	—	76,7	77,5
MT‑Bench (çok modlu)	63,7	60,7	—	61,6	55,0

Kaynak: arXiv:2506.12103, Tablo 2.1.1.

Sonuçlar, aile içindeki performans hiyerarşisini (Premier > Pro > Lite > Micro) ortaya koymaktadır. Fark en belirgin şekilde matematik (Math) ve akıl yürütme (Reasoning) kategorilerinde gözlemlenmektedir; rol yapma (Roleplay) ve bilgi çıkarma (Extraction) görevlerinde ise daha küçük modeller büyük modellere yakın sonuçlar elde etmektedir.

İkinci Nesil Benchmark'lar (Nova 2)

Amazon Nova 2 teknik raporundan alınan veriler (koşullar: dahili ölçümler, belirtilen yerlerde 0‑shot / CoT):

Benchmark	Nova 2 Lite	Nova 2 Pro	Claude Haiku 4.5	GPT‑5 Mini	Gemini 2.5 Flash
MMLU‑Pro (doğruluk)	80,9	81,6	80,0	83,7	83,2
GPQA‑Diamond (doğruluk)	79,6	81,4	73,0	82,3	82,8
AIME 2025 (doğruluk)	91,0	92,3	80,7	91,1	72,0
LongCodeBench 1M (doğruluk)	84,0	84,0	—	—	78,0

Kaynak: Amazon Nova 2 Teknik Raporu, Tablo 1.

Ajanlık benchmark'ları (Nova 2 Pro): SWE‑Bench Verified — %70,0; τ²‑bench Verified Telecom — %92,7.

Çok modlu benchmark'lar (Nova 2 Omni): VideoMME — %77,9; MMMU Pro — %61,4.

Teknik destek görevlerindeki değerlendirmede Nova 2 Lite, "Sorun Tanımlama" (Problem Identification) metriğinde on üzerinden 9,63 ± 0,27 puan elde ederek birinci nesil Nova Lite'ı (8,57 ± 0,46) önemli ölçüde geride bırakmıştır.

Not. Rakip modellerle karşılaştırmalarda prompt koşullarının, model sürümlerinin ve metrik ölçüm tarihlerinin farklılık gösterebileceği göz önünde bulundurulmalıdır. Birinci ve ikinci nesil benchmark sonuçları Amazon'un kendi raporlarından alınmıştır; bağımsız doğrulamalar (FloTorch, Artificial Analysis) genel olarak açıklanan fiyat/performans oranını teyit etmekle birlikte, bazı doğruluk metriklerinde önde gelen rakiplere kıyasla bir geride kalma durumu tespit etmektedir.

Çıkarım Hızı

Amazon'un dahili ölçümlerine göre (dahili, Bedrock API üzerinden):

Model	Çıkarım Hızı (token/sn)
Nova Micro	≈210
Nova Lite	≈157
Nova Pro	≈100
Nova 2 Omni	>200

Kullanım Maliyeti

Tüm modeller, işlenen token sayısına göre ücretlendirme modeliyle Amazon Bedrock üzerinden erişilebilir durumdadır (Mart 2026 itibarıyla veriler):

Model	Giriş token'ları (USD / 1M)	Çıkış token'ları (USD / 1M)
Nova Micro	$0,035	$0,14
Nova Lite	≈$0,06	≈$0,24
Nova Pro	$0,80	$3,20
Nova Premier	$2,50	$12,50

Karşılaştırma için: Anthropic Claude 3.5 Sonnet, Nova'nın yayım zamanında 1M giriş token'ı başına $6,00 ve 1M çıkış token'ı başına $30,00 olarak fiyatlandırılmıştı.

Özelleştirme ve İnce Ayar

AWS altyapısı, Nova'nın temel modellerini uzmanlık gerektiren alanlara uyarlamak için çeşitli yöntemler sunmaktadır. İkinci nesilde bunu sağlayan temel araç Amazon Nova Forge ortamıdır.

Continued Pre‑Training (CPT) ve Mid‑Training

Nova Forge, model eğitiminin ara kontrol noktalarına (örneğin pretraining‑text‑RD ve pretraining‑text‑CE) erişim imkânı sunmaktadır. Bu sayede, felaket unutmasını (catastrophic forgetting) önlemek amacıyla öğrenme hızı (learning rate) dikkatli biçimde ayarlanarak kurumsal veri kümeleri üzerinde öz denetimli öğrenmeye (self‑supervised learning) devam edilebilmektedir.

Parameter‑Efficient Fine‑Tuning (PEFT)

Düşük sıralı uyarlama — Low‑Rank Adaptation (LoRA) adaptörleri aracılığıyla model ağırlıklarının yalnızca küçük bir alt kümesinin güncellenmesi. Bu yaklaşım, tam ince ayara (full fine‑tuning) kıyasla hesaplama kaynağı gereksinimini önemli ölçüde azaltmaktadır. Nova Lite ve Pro için çok modlu fine‑tuning desteklenmektedir.

Reinforcement Fine‑Tuning (RFT)

Özel modeller, sektöre özgü ödül metrikleri temel alınarak, bir LLM'nin yargıç model olarak kullanıldığı (LLM‑as‑a‑judge) yaklaşım dahil olmak üzere pekiştirmeli öğrenme yöntemleriyle ek ince ayara tabi tutulabilir.

Model Damıtması (Model Distillation)

Model Distillation işlevi, Nova Premier veya Nova Pro'nun öğretmen model (teacher model) olarak kullanılmasına ve daha küçük öğrenci modellerin (student models) — Nova Lite ve Nova Micro'nun — eğitilmesine olanak tanır. Bu sayede büyük modelin kalitesinin önemli bir kısmı korunurken çıkarım hesaplama maliyeti düşürülmektedir.

Kullanım Alanları ve Entegrasyon

Nova modelleri, Amazon'un bilişim hizmetlerine (AWS Step Functions, AWS Lambda, Amazon Q Developer) entegre edilmiştir. Başlıca belgelenmiş kullanım senaryoları:

Ajanlık İş Akışları (Agentic Workflows)

Bedrock Agents kullanılarak ve harici araçlar çağrılarak (function calling) çok adımlı görev yürütme. ReAct (Reasoning and Acting) mimari desenini LangGraph gibi çerçevelerle birlikte kullanan Nova modelleri, veritabanı analizini koordine eder, doğal dilden SQL sorguları oluşturur ve çok bileşenli süreçleri yönetir. Nova Act, erken kullanıcı görevlerinde %90 güvenilirlik iddiasıyla tarayıcı UI iş akışlarını otomatikleştirmektedir.

Harici Bilgilerle Üretim (RAG)

Yanıtları kurumsal verilere dayandırmak (grounding) amacıyla Bedrock Knowledge Bases ile entegrasyon. Nova 2 modelleri, yerleşik araç olarak yerel doğrulama destekli web aramasını (web grounding) desteklemektedir.

Belge İşleme

Desteklenen giriş belgesi biçimleri: PDF, CSV, DOC, DOCX, XLS, XLSX, HTML, TXT, MD (yalnızca metin girişi kabul eden Nova Micro hariç). Nova Premier, tek bir istek çerçevesinde 90 dakikaya kadar uzunluktaki videoları işleyebilmektedir.

Kod Üretimi ve Hata Ayıklama

Desteklenen programlama dilleri: Python, Java, JavaScript, C#, TypeScript, SQL.

Konuşma Arayüzleri

Nova Sonic ve Nova 2 Sonic, Amazon Connect ile entegre edilmiş gerçek zamanlı sesli ajan sistemleri oluşturmak için kullanılmaktadır.

Model Değerlendirmesi (LLM‑as‑a‑judge)

Nova, Amazon SageMaker platformunda diğer üretici modellerin çıktılarını değerlendirmek için yargıç model olarak kullanılmaktadır.

Sınırlılıklar ve Açık Sorunlar

• Mimarinin kapalılığı. Amazon; parametre sayısını, ayrıntılı mimari kararları ve eğitim verilerinin bileşimini kamuya açıklamamaktadır; bu durum bağımsız tekrarlanabilirliği önemli ölçüde kısıtlamaktadır. Nova modeli ağırlıkları, indirme veya AWS altyapısı dışında (şirket içi — on‑premise) dağıtım için sağlanmamaktadır.
• Çıkış sınırı. Tüm anlama modelleri için maksimum çıkış token sayısı 10 bin token ile kısıtlıdır; bu durum, uzun belge üretimi görevleri için yetersiz kalabilir.
• RFT sınırlılıkları. Reinforcement Fine‑Tuning, çok turlu (multi‑turn) diyalogları ve çok modlu verileri desteklememektedir; veri kümesindeki olumlu örneklerin önerilen asgari oranı %5'tir.
• Nova Sonic sınırlılıkları. Maksimum bağlantı süresi 8 dakika; istemci başına varsayılan olarak en fazla 20 eş zamanlı bağlantıya izin verilmektedir.
• Bölgesel erişilebilirlik. Nova Premier yalnızca tek bir bölgede (US East N. Virginia) erişilebilir olup çapraz bölge çıkarımını desteklememektedir; Nova 2 modellerinin dağıtım bölgeleri de sınırlıdır.
• Metrik duyarlılığı. Yapay benchmark'lardaki değerlendirmeler, kurumsal politikalara sıkı uyum ve çok adımlı çıkarımlarda halüsinasyonların olmamasının kritik önem taşıdığı üretim (production) ortamındaki kaliteyle her zaman örtüşmeyebilir.
• Halüsinasyonlar. Modeller, LLM'lere özgü tipik sınırlılıklar sergilemektedir: üretilen yanıtlarda olgusal hatalar görülebilir. Riskleri azaltmak için Bedrock Guardrails ve RAG kullanımı önerilmektedir.
• Benchmark karşılaştırmalarının tarafsızlığı. Amazon, rakip modellerle yapılan karşılaştırmaları geliştiricilerin kendi yayımladığı verilere dayandırmaktadır; bu yaklaşım her zaman tekdüze kontrollü bir deneysel temel sağlamamaktadır.

Etik ve Düzenleyici Boyutlar

AWS, Nova modellerinin geliştirilmesinde Sorumlu Yapay Zeka (Responsible AI) ilkelerine bağlılığını beyan etmektedir. Somut güvenlik önlemleri şunlardır:

• Yerleşik içerik moderasyonu (content moderation).
• Nova Sonic'in ses çıktıları için filigran (watermarking) uygulaması.
• Risk kategorilerine göre değerlendirme: güvenlik (safety), gizlilik (privacy), doğruluk (veracity), şeffaflık (transparency) ve KBRN (kimyasal, biyolojik, radyolojik ve nükleer) silah yayılması ile saldırgan siber operasyonlar.
• Giriş ve çıkış verilerini filtrelemek için Amazon Bedrock Guardrails ile entegrasyon.
• Nova Premier modelinin Amazon Frontier Model Safety Framework'e uygunluk değerlendirmesi.
• Red teaming — modelin saldırılara karşı direncini test etmek amacıyla dahili ve harici testler (teknik rapora göre 307 teknik).
• İçerik moderasyonu değerlendirmesi F1 metriği: Aegis benchmark'ında 85,84 (teknik rapora göre).

Nova Micro, Lite, Pro, Premier ve Sonic için yapay zeka hizmet kartları (AI Service Cards), sorumlu kullanım belgeleri olarak docs.aws.amazon.com adresinde yayımlanmıştır.

Gelecek Perspektifler ve Araştırma Yönleri

Nova 2 ailesi; diğer model ailelerindeki düşünce zinciri (Chain‑of‑Thought, CoT) ve benzer mekanizmalarla kavramsal açıdan örtüşen genişletilmiş akıl yürütme (extended thinking / reasoning) yeteneklerine sahip modellere geçişin sinyalini vermektedir. Yerleşik web araması ve kod yorumlayıcısının üçüncü taraf eklentiler yerine yerel araçlar olarak sunulması, ajanlık sistemleri yönünde mimari bir dönüşümü temsil etmektedir.

Amazon'un kamuya açık materyallerinde belirtilen ileri gelişim yönleri:

• Çok modluluğun genişletilmesi (Omni modeli, birleşik "her şeyden her şeye" mimarisi olarak).
• Görevin karmaşıklığına bağlı uyarlanabilir derinlikle hibrit akıl yürütme (hybrid reasoning).
• Ön eğitimin tüm aşamalarında kullanıcı verileri üzerinde açık eğitim (Nova Forge).
• Uç cihazlar (edge devices) için damıtma.
• Güvenlik araç setinin (safety toolkit) genişletilmesi.

AWS'nin üniversite ekipleri arasında düzenlediği Amazon Nova AI Challenge'ın konuları; otomatik rekabetçi test, güvenlik hizalaması (safety alignment) ve çok turlu saldırıları (multi‑turn jailbreaks) içermekte olup bu durum, model ailesinin güvenilirliğine yapılan yatırımları yansıtmaktadır.

Ayrıca bakınız

• Transformer (mimari)
• Reinforcement Learning from Human Feedback (RLHF)

Dış bağlantılar

• https://docs.aws.amazon.com/nova/latest/userguide/what-is-nova.html — Amazon Nova Resmi Belgeleri
• https://docs.aws.amazon.com/ai/responsible-ai/nova-micro-lite-pro/overview.html — Nova Micro, Lite, Pro, Premier için AI Service Cards
• https://docs.aws.amazon.com/ai/responsible-ai/nova-sonic/overview.html — Nova Sonic için AI Service Card
• https://aws.amazon.com/blogs/aws/introducing-amazon-nova-frontier-intelligence-and-industry-leading-price-performance/ — Amazon Nova Duyurusu (Aralık 2024)
• https://www.aboutamazon.com/news/aws/aws-agentic-ai-amazon-bedrock-nova-models — Amazon Nova 2 Duyurusu (Aralık 2025)

Kaynakça

• Amazon Artificial General Intelligence. The Amazon Nova Family of Models: Technical Report and Model Card. arXiv:2506.12103v1, 2025. https://arxiv.org/abs/2506.12103
• Amazon Artificial General Intelligence. Amazon Nova 2: Multimodal Reasoning and Generation Models — Technical Report and Model Card. Amazon Science, Şubat 2026. https://www.amazon.science/publications/amazon-nova-2-multimodal-reasoning-and-generation-models
• Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS. https://arxiv.org/abs/1706.03762
• Rafailov, R. et al. (2023). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. NeurIPS. https://arxiv.org/abs/2305.18290
• Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback (InstructGPT). NeurIPS. https://arxiv.org/abs/2203.02155
• Rombach, R. et al. (2022). High‑Resolution Image Synthesis with Latent Diffusion Models. CVPR. https://arxiv.org/abs/2112.10752
• Hu, E.J. et al. (2021). LoRA: Low‑Rank Adaptation of Large Language Models. https://arxiv.org/abs/2106.09685