LarQL (LQL)

LarQL nedir?

LarQL — ayrıca LQL olarak anılan — büyük dil modeli (LLM) ağırlıklarında kodlanmış bilgi ile doğrudan etkileşim kurmak için tasarlanan bir sorgu dilidir. İlişkisel bir veritabanındaki satırlar yerine eğitim sırasında LLM’lerin dahili olarak oluşturdukları yapılandırılmış bilgi grafiğine uygulanan tanıdık SQL benzeri sözdizimi (SELECT, INSERT, UPDATE, DELETE, DESCRIBE) kullanır.

Geleneksel araçların model ağırlıklarını opak bir ikili blob olarak işlemesi durumunda, LarQL onları sorgulanabilir bir bilgi deposu olarak işler. Bir uygulayıcı, bir modelin belirli bir varlık hakkında ne bildiğini inceleyebilir, modelin belirli bir çıkarıma nasıl ulaştığını tam olarak izleyebilir ve hedeflenmiş bilgi yamalarını uygulayabilir — tümü model yeniden eğitmeden veya temel ağırlık dosyalarını değiştirmeden.

Temel Kavramlar

Vindex

Vindex (vektör indeksi), bir modelin iç bilgisinin çıkarılan, sorgulanabilir temsilidir. larql extract-index komutu kullanılarak model ağırlıklarından oluşturulur ve bağımsız bir dosya olarak kaydedilir. Çıkarıldıktan sonra, tam model yüklenmeden Vindex’e göz atılabilir ve sorgu yapılabilir — ve GPU donanımı olmadan.

Vindex, modelin varlıklar, ilişkiler ve katmanlar arasındaki öğrenmiş ilişkilendirmeleri kodlar ve şu tür sorular sorulmasını mümkün kılar: “Bu model Apple’ın merkez ofisinin ne olduğunu düşünüyor?” veya “Bu model 20. katmana yakın GDPR ile hangi kavramları ilişkilendiriyor?”

Yama Örtüleri

LarQL’nin yazma işlemleri — INSERT, UPDATE, DELETE — temel model ağırlık dosyalarını değiştirmez. Bunun yerine, çıkarım sırasında uygulanan bir .patch dosya örtüsü oluştururlar. Bu bilgi düzenlemeyi yapar:

• Anında: yeniden derleme veya ince ayar adımı yok
• Geri Alınabilir: temel model değişmeden kalır; yamalar kaldırılabilir veya değiştirilir
• Hafif: 234 gerçeği kapsayan bir yama 16 GB’lık bir temel modele karşı yaklaşık 2,1 MB gerektirir

İşinizi büyütmeye hazır mısınız?

Bugün ücretsiz denemenizi başlatın ve günler içinde sonuçları görün.

Demo talep et Giriş yap

LarQL Kurulumu

Bir modelin bilgisi ile çalışmaya başlamak için Vindex’i çıkarın ve etkileşimli REPL’yi açın:

larql extract-index path/to/your-model -o company-model.vindex --f16
larql repl

--f16 bayrağı indeksi 16 bit kayan nokta hassasiyeti ile çıkarır. Gemma 3 4B gibi bir model için ortaya çıkan Vindex yaklaşık 3 GB’tır.

Model Bilgisine Göz Atma

Bu komutlar çıkarılan Vindex’e karşı çalışır ve GPU gerektirmez:

Belirli bir varlığı İnceleyin:

DESCRIBE "Apple Inc"

Modelin varlık hakkında sahip olduğu tüm bilgileri döndürür, katman ve özellik tarafından organize edilmiş: endüstri, ürünler, merkezoffis, founded_by, stock_ticker ve eğitim sırasında öğrenilen diğer tüm ilişkiler.

Tüm varlıklar arasında belirli bir ilişkiyi sorgulayın:

SELECT * FROM edges WHERE relation='headquarters' LIMIT 10

Mesafeye göre kavram ilişkilendirmelerini bulun:

SELECT * FROM edges WHERE entity='GDPR' NEAREST_TO Layer 20 LIMIT 5

Modelin bilgi temsilinin 20. katmanına yakın GDPR ile en yakından ilişkili beş kavramı bulur.

Modelin öğrendiği tüm ilişki türlerini listeleyin:

SHOW relations

Modelde bulunan ilişki türlerinin tam listesini döndürür. Tipik bir orta büyüklükte model 1.000’den fazla ilişki türünü kodlar.

Bültenimize katılın

En son ipuçlarını, trendleri ve teklifleri ücretsiz alın.

E-posta adresi

Abone ol

Çıkarım ve İzleme

Olasılık puanları ile çıkarımı çalıştırın:

INFER 'The headquarters of Apple is located in' TOP 5

Güven puanları ile ilk 5 tamamlamayı döndürür (ör. Cupertino 0,71, California 0,14 vb.).

Çıkarımı katman katman izleyin:

TRACE 'The CEO of Tesla is' TOP 3

Modelin çıktısına nasıl ulaştığını gösteren katman katman ayrıştırma üretir — ilk sözdizimi algılamasından alan tanımlamaya, bilgi geri alımına kadar çıktı taahhüdüne. Model beklenmeyen veya yanlış bir yanıt ürettiğinde halüsinasyon adli tıbbı için kullanılır.

Katmanlar arasında bir kavramı yürütün:

WALK "climate change" LAYERS 10 TO 28

Bir modelin bir kavram için ilişkilendirmelerinin katmanlar arasında nasıl geliştiğini gösterir — erken katmanlardaki somut metin eşzamanlılığından daha derin katmanlardaki soyut anlamsal ilişkilendirmelere.

Yama Örtüleri ile Bilgi Düzenleme

LarQL’nin yazma işlemleri temel model dosyalarına dokunmadan .patch örtüsü oluşturur:

Yeni bir gerçek ekleyin:

INSERT INTO edges (entity, relation, target, confidence)
VALUES ('Acme Corp', 'CEO', 'Jane Smith', 0.95)

Mevcut bir gerçeği güncelleyin:

UPDATE edges
SET target = 'Jane Smith'
WHERE entity = 'Acme Corp' AND relation = 'CEO'

Bir gerçeği bastırın:

DELETE FROM edges
WHERE entity = 'Acme Corp' AND relation = 'former_CEO'

Etkin yamalarını İnceleyin:

SHOW patches

Tüm etkin yama dosyalarını, boyutlarını ve gerçek sayımlarını listeler. 16 GB temel modeline karşı 234 gerçekten oluşan bir yama yaklaşık 2,1 MB’tır.

Denetim Kullanım Durumu: Dağıtımdan Önceki Bilgi Doğrulaması

LarQL kullanarak tam ön dağıtım doğrulama iş akışı:

-- 1. Modelin ürününüz hakkında ne bildiğini İnceleyin
DESCRIBE "Acme Corp"

-- 2. Yanlış ilişkilendirmeleri bulun
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- 3. Rekabet markası karışıklığı olmadığını doğrulayın
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 20 LIMIT 10

-- 4. Dağıtımdan önce yanlış gerçekleri yamayın
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

Bu iş akışı, dağıtım öncesi model denetiminin temeldir: modelin iç bilgisinin, kullanıcılara sunmadan önce alan için doğru olduğunu sistematik olarak doğrulama.

Kullanım Durumu: Model Ağırlıklarından SEO Zekası

Trilyon web belgeleri üzerinde eğitilmiş bir dil modeli, karşılaştığı her konu alanının anlamsal yapısını içselleştirmiş olmuştur. SERP’leri kazımak veya anahtar kelime verisi satın almak yerine, bu yapıyı doğrudan modelin dahili temsillerine sondlayarak okuyabilirsiniz — üretim gerekli değildir.

"affiliate software" gibi bir sorguyu bir LLM’ye gönderdiğinizde, akış öncesi katmanlarındaki belirli nöronlar karakteristik bir deseni ateşler. Bu aktivasyonlar, modelin anlamsal olarak bitişik olarak gördüğünü kodlar: rakipler, ilgili teknolojiler, kullanım durumları, inceleme siteleri. LarQL bu ilişkilendirmeleri sorgulanabilir hale getirir.

Herhangi bir anahtar kelime için anlamsal komşuluğu harita yapın:

-- Çekirdek teriminizin etrafında hangi kavramlar bilgi bölgesinde kümelenmiş (katmanlar 12–34)?
WALK "affiliate software" LAYERS 12 TO 34

-- Bilgi derinliğinin tepesinde en iyi ilişkili varlıkları bulun
SELECT * FROM edges WHERE entity='affiliate software' NEAREST_TO Layer 22 LIMIT 20

-- Model bu alan için hangi ilişki türlerini kullanıyor?
SHOW relations

Elde ettiğiniz şey: modelin (ve uzantı yoluyla, üzerinde eğitildiği web corpusu) konunuzun doğal komşuluğu olarak gördüğü anlamsal olarak bitişik terimlerin sıralanmış bir listesi — tematik küme adayları, entegrasyon anahtar kelimeleri ve geleneksel anahtar kelime araçlarının kaçırdığı uzun kuyruklu açılar çünkü popülarite ölçer, anlamsal yapı değil.

NEAREST_TO değerlendirme puanları, modelin dahili temsilindeki anlamsal mesafeyi gösterir. Yüksek güven puanlarına sahip terimler, modelin bilgisinde sorgunuzla derinden iç içedir — içerik stratejisi için doğal eş-oluşum hedefleridir.

Kullanım Durumu: Rakip Keşfi ve Marka Eş-Konumu

Web ölçeğindeki veriler üzerinde eğitilmiş bir model, hangi markaların aynı tartışmalarda göründüğünü öğrenmiş olmuştur. Bu, arka bağlantı çakışması veya SERP eş-oluşumundan daha zengin sinyal verir: modelin hangi şirketlerin aynı alanda çalıştığına dair konsolidasyonlanmış inancını yansıtır, milyonlarca makale, inceleme, karşılaştırma sayfası ve forum dizelerinden oluşturulmuştur.

-- Model markanız ile hangi markaları eş-konumlandırılmış olarak görüyor?
SELECT * FROM edges WHERE entity='YourBrand' NEAREST_TO Layer 19 LIMIT 15

-- Bunun marka eş-konumu olduğunu, kategori kargaşası olmadığını doğrulayın
DESCRIBE "YourBrand"

-- Belirli bir rakip için aynı şeyi kontrol edin
SELECT * FROM edges WHERE entity='CompetitorX' NEAREST_TO Layer 19 LIMIT 15

Doğrulamak için çıkarım ile çapraz referans:

-- Model rakipleri doğrudan tamamlamalarda üretir mi?
INFER 'The main alternatives to YourBrand are' TOP 8

-- Monte Carlo kontrolü: hangi markalar en sık ortaya çıkar?
INFER 'Companies similar to YourBrand include' TOP 5

Hem dahili FFN izlemede (NEAREST_TO) hem de generatif tamamlamalarda (INFER) görünen markalar en yüksek güvene sahip. Modelin konsolidasyonlanmış rakip manzarasını temsil ederler — “vs” karşılaştırma sayfaları, göç kılavuzları ve alternatif iniş sayfaları için doğrudan eyleme dönüştürülebilir.

Kullanım Durumu: Marka Algısı Denetimi

Bir LLM’yi müşteriye yönelik bir role dağıtmadan önce — veya bir kampanya başlatmadan önce — modelin markanızı dahili olarak nasıl karakterize ettiğini anlamak değerlidir. Bu, modelin söylediği şeyden farklıdır: eğitim verilerinden oluşturulan, bazıları amaçlanan konumlandırmanızla çelişebilecek gizli ilişkilendirmeleri yansıtır.

-- Modelin bilgisinde markanızın tam karakterizasyonu
DESCRIBE "YourBrand"

-- Model sizi hangi kategoriye yerleştiriyor?
SELECT * FROM edges WHERE entity='YourBrand' AND relation='category'

-- Hangi teknolojilerle ilişkilisiniz?
SELECT * FROM edges WHERE entity='YourBrand' AND relation='integrates_with'

-- İstenmeyen ilişkilendirmeler var mı?
SELECT * FROM edges WHERE entity='YourBrand' NEAREST_TO Layer 20 LIMIT 30

İlişkilendirmelerin nasıl geliştiğini görmek için katman-ile-katman yürüyün:

-- Erken katmanlar: yüzeysel eş-oluşumlar
-- Orta katmanlar (12–34): faktuel ilişkilendirmeler
-- Sonraki katmanlar: çıktı biçimlendirmesi ve stil
WALK "YourBrand" LAYERS 10 TO 35

Model markanızı yanlış kategoriye yerleştirirse, şu olmayan bir rakiple ilişkilendirirse veya eski konumlandırmayı yansıtırsa, bu farklar bilgi örtüsü mekanizması kullanılarak doğrudan onarılabilir — modeli yeniden eğitmeden modelin dahili temsilini düzeltmek.

Kullanım Durumu: Dağıtım Öncesi Bilgi Boşluğu Analizi

Etki alanı için belirli bir dağıtım için açık kaynaklı bir modeli değerlendirirken, kritik soru kriter performansı değildir — bu: bu model alan hakkında faydalı olması için yeterince biliyor mu, ve hiçbir şey yanlış biliyor mu?

LarQL, tüm konu alanınız üzerinde yapılandırılmış bir ön dağıtım bilgi taramasını etkinleştirir:

-- Adım 1: Ürün bilgisini denetleyin
DESCRIBE "YourProduct"
DESCRIBE "YourProduct v2"

-- Adım 2: Kategori ve konumlandırma bilgisini kontrol edin
SELECT * FROM edges WHERE entity='YourProduct' AND relation='category'
SELECT * FROM edges WHERE entity='YourProduct' AND relation='primary_use_case'

-- Adım 3: Boşlukları bulun — ilişkilendirmeleri olmayan konular
SELECT * FROM edges WHERE entity='your_key_topic' NEAREST_TO Layer 20 LIMIT 5
-- Birkaç ya da sonuç yok = bilgi boşluğu

-- Adım 4: Yanlış gerçekleri bulun
SELECT * FROM edges WHERE entity='YourCompany' AND relation='CEO'
SELECT * FROM edges WHERE entity='YourProduct' AND relation='pricing_model'

-- Adım 5: Canlı gitmeden önce doğrulanmış hataları yamayın
UPDATE edges SET target='Current CEO Name' WHERE entity='YourCompany' AND relation='CEO'

Bu iş akışı “dağıt ve şikâyetler için bekleme” yaklaşımının yerini alır. LarQL kullanarak Vindex’e karşı dört saatlik bir denetim, aksi takdirde gerçek kullanıcılara ulaşacak bilgi boşluklarını ve gerçek hataları ortaya çıkarabilir — ve yeniden eğitim olmadan aynı gün içinde onarabilir.

Kullanım Durumu: Halüsinasyon Kök Nedeni Analizi

Dağıtılmış bir LLM yanlış veya zararlı bir yanıt ürettiğinde, standart yanıt sistem istemini güncellemek veya koruma eklemeektir. Ancak imkan yamaları semptomları tedavi eder. LarQL ağırlık düzeyinde tanı sağlar: model neden bunu inandı?

-- Yanlış yanıta yol açan çıkarım yolunu yeniden üretin
TRACE 'The CEO of Acme Corp is' TOP 3

-- Yanlış gerçeğin alındığı katmanı bulun
-- (TRACE çıktısındaki katman numaraları yakalanmış yanıtın kristalize olduğunu gösterir)

-- Modelin bu varlık/ilişki için gerçekten ne depoladığını kontrol edin
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- Polisemantik kargaşa olmadığını doğrulayın (aynı nöron iki şeyi kodlayan)
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 23 LIMIT 10

-- Hedeflenen düzeltmeyi uygulayın
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

TRACE çıktısı, katmanlar arasında olasılık dağılımını gösterir — ilk sözdizimi algılamasından, orta katmanlardaki bilgi geri alımından, çıktı taahhüdüne. Bu, model kaynaklı bir olay düzenleyici veya yasal belgelendirme gerektirdiğinde adli analiz için birincil araçtır: yanlış gerçeğin çıkarım yoluna nerede girdiğini ve modelin neden emin olduğunu gösterir.

Performans Referansı (Apple Silicon)

Vindex taraması ve SELECT sorguları tamamen CPU üzerinde çalışır. INFER ve TRACE model yüklenmesini gerektirir.

LLM Bilgi Hizmetleri ile İlişki

LarQL, LLM bilgi yaşam döngüsündeki her hizmetin temelini oluşturan teknolojidir:

• Ön dağıtım denetimi: DESCRIBE, SELECT ve NEAREST_TO canlı gitmeden önce alan üzerinde modelin bilgisini tarayın
• Bilgi bakımı: yama örtüsü mekanizması (INSERT, UPDATE, DELETE) yeniden eğitim olmadan dağıtılan ağırlıklara doğrudan düzeltmeler uygulayın
• Uyumluluk ve denetim izleri: SHOW patches modelde değiştirilmiş her gerçeğin denetlenebilir bir kaydını sağlayın
• SEO zekası: WALK ve NEAREST_TO herhangi bir konu alanının modelin dahili anlamsal haritasını açığa çıkarın
• Rakip ve marka analizi: NEAREST_TO with INFER çapraz doğrulama modelin ağırlık düzeyinde eş-konum inançlarını açığa çıkarın
• Halüsinasyon adli tıbbı: TRACE çıkarım yolunun katman katman ayrıştırması, yanlış yanıtın nerede alındığını ve kabul edildiğini tam olarak belirleyin