SSD Nodes Learn Hosting plans →
Rehberler Matt ConnorYazan Matt Connor · Güncellendi 2026-10-26

Nemotron 3.5 Lightning VPS uzerinde nasil calistirilir?

NVIDIA Nemotron 3.5 Lightning modelini Ollama ile kendi sunucunuzda calistirin. Gereken RAM miktarini, dogru cekme komutunu ve CPU uzerinde performansin yeterli olup olmadigini ogrenin.

Nemotron 3.5 Lightning ne işe yarar

Nemotron 3.5 Lightning, NVIDIA'nın Ağustos 2026'da yayınladığı, 30B parametreli açık kaynaklı bir mixture-of-experts modelidir ve tek bir sohbet penceresinden ziyade saatlerce çalışan aracılar (agent) için tasarlanmıştır. MoE (mixture of experts), ağırlıkların birçok uzman alt ağa bölündüğü ve her bir token'ın yalnızca birkaçından geçirildiği anlamına gelir. NVIDIA'nın model kartı, token başına 3 milyarı aktif olmak üzere toplam 30 milyar parametre belirtmektedir. Bellekteki büyük sayı için ödeme yaparsınız; hız olarak ise küçük sayının karşılığını alırsınız.

Bu takas, kiraladığınız bir sunucuda bu modele bakmanızın temel nedenidir. Gerçek işler yapan bir aracı, gün boyunca binlerce kısa istek gönderir; bu nedenle dolar başına verimlilik, modelin kendi sunucunuzda barındırılıp barındırılamayacağını belirler. Yanıt başına 40 saniye süren bir model, kullanılabilir bir yardımcıdır ancak zayıf bir aracıdır; çünkü tek bir görev yirmi çağrı gerektirir ve her biri için beklemeniz gerekir.

NVIDIA, mimariyi hibrit olarak tanımlar: seçili attention katmanlarıyla iç içe geçmiş Mamba-2 ve MoE katmanları. Model kartı, 1M token'a kadar maksimum bağlam uzunluğu ve ticari kullanıma uygun olduğu belirtilen OpenMDW-1.1 lisansı sunar. Birincil diller İngilizce ve kodlama olup; İspanyolca, Fransızca, Almanca, İtalyanca ve Japonca da desteklenen diller arasındadır.

Artificial Analysis, Ağustos 2026'da yayınladığı lansman ölçümlerinde, NVFP4 ağırlıklarını sunan bir DeepInfra uç noktasında saniyede yaklaşık 670 çıktı token'ı elde edildiğini göstermiştir. Bu, barındırılan bir GPU uç noktasıdır. Bunu VPS sunucunuzun yapabilecekleri olarak değil, mimarinin izin verdiği kapasite olarak değerlendirin.

Hangi Ollama etiketi hangi VPS için uygundur

Ollama kütüphanesi, aynı ağırlıklar için birden fazla yapı (build) yayınlar. Bunlar arasındaki fark, ağırlıkların kaç bit ile saklandığını belirleyen nicemleme (quantisation) seviyesidir; bu durum indirme boyutunu önemli ölçüde değiştirir.

GrafikDownload size by Ollama tag, GB (Ollama library, checked October 2026)
Bu grafiğin arkasındaki veriler
[
  {
    "label": "30b-a3b-q4_K_M",
    "size_gb": 25
  },
  {
    "label": "30b-a3b-q8_0",
    "size_gb": 35
  },
  {
    "label": "30b-a3b-bf16",
    "size_gb": 66
  },
  {
    "label": "30b-a3b-mlx",
    "size_gb": 19
  }
]

latest, 30b ve 30b-a3b olarak adlandırılan etiketler, kütüphanenin Ekim 2026 ortasında güncellenmesinden bu yana 19 ila 25 GB arasında listelenen kendi özetlerine (digest) sahiptir. 25 Ekim 2026 tarihinde doğrudan kayıt defterinden sorgulandığında, bu işaretçi 30b-a3b-q4_K_M ile tamamen aynı dosyaları döndürmüştür; bu nedenle bir VPS üzerindeki varsayılan indirme, 1M tam bağlam (context) sunan 25 GB boyutundaki dört bitlik yapıdır. Listelenen aralığın alt sınırı olan 19 GB, MLX yapılarıyla eşleşmektedir; bu da Apple silicon makinelerine bu yapıların verildiğini gösterir. Q8_0 sürümü 35 GB, bf16 sürümü ise 66 GB boyutundadır ve her ikisi de 1M bağlam sunar. 19 GB boyutundaki MLX yapıları Apple silicon içindir ve 256K bağlam ile sınırlıdır; bu nedenle Linux VPS üzerinde yanlış tercihtir. Kütüphane ayrıca, ikinci format ismi NVIDIA'nınkini çağrıştırsa da 30b-a3b-mlx ile aynı özete sahip olan 30b-mlx ve 30b-a3b-nvfp4 etiketlerini, ayrıca 34 GB boyutundaki 30b-a3b-mxfp8 ve 66 GB boyutundaki 30b-a3b-mlx-bf16 etiketlerini de listeler. Bunların tümü 256K ile sınırlıdır, dolayısıyla hiçbiri tam pencereyi sağlamaz.

Bunlar indirme boyutlarıdır, bellek gereksinimi değildir. NVIDIA, Ollama yapıları için minimum VRAM (video RAM) değeri yayınlamaz; bu nedenle indirme boyutunu yalnızca bir alt sınır olarak kabul edin. Ağırlıkların bir yerde barındırılması gerekir; kartın kapasitesi yetiyorsa GPU belleğinde, yetmiyorsa sistem RAM'inde tutulur. KV önbelleği (key/value cache, modelin her bir token için tuttuğu konuşma belleği) ise bunun üzerine eklenir. Donanımınız için gerçek değer aritmetik hesaplamalarla değil, aşağıdaki komutla elde edilir. Henüz bir nicemleme seviyesine karar vermediyseniz, Q4, Q8 ve FP16'nın maliyeti nedir başlıklı bölüm, her adımda nelerin feda edildiğini açıklar.

Tam etiketi çekin, asla latest kullanmayın

latest hareketli bir işaretçidir. Kütüphane bunu yeniden yayınladığında, notlarınızda hiçbir açıklama olmaksızın bir sonraki çekme işleminde aracınızın davranışı değişir. Bu durum bu modelle daha önce bir kez yaşandı: 2026 Ekim ayının ortasında kütüphane latest etiketini yeni bir özete (digest) taşıdı. Etiketi isimlendirin.

curl -fsSL https://ollama.com/install.sh | sh
ollama --version
ollama pull nemotron-3.5-lightning:30b-a3b-q4_K_M

Kurulum betiği, ollama kullanıcısı olarak çalışan ve modelleri /usr/share/ollama/.ollama/models altında tutan bir systemd servisi oluşturur. Bu yol çoğu VPS imajında kök dosya sistemindedir, bu nedenle 25 GB talep etmeden önce boş alanı kontrol edin. Eğer dosya sistemi darsa, Ollama'nın modelleri nerede sakladığı ve bunların nasıl taşınacağı konusunu disk dolmadan önce okumak faydalı olacaktır.

df -h /usr/share/ollama

Yarıda kesilen ve no space left on device hatası veren bir çekme işlemi tam olarak bunu ifade eder; kısmi blob dosyaları siz onları silene kadar diskte kalır. Ardından nelerin yüklendiğini doğrulayın:

ollama show nemotron-3.5-lightning:30b-a3b-q4_K_M

ollama show mimariyi, parametre sayısını, bağlam uzunluğunu ve dosyanın halihazırda taşıdığı nicemlemeyi (quantisation) yazdırır. Bunlardan herhangi biri kütüphane sayfasıyla uyuşmuyorsa, hedeflediğinizden farklı bir etiket çekmişsiniz demektir.

Servis edin ve gerçekte nerede çalıştığını kontrol edin

sudo systemctl enable --now ollama
ollama run nemotron-3.5-lightning:30b-a3b-q4_K_M "Reply with one word: ready"

Model yüklü durumdayken, ikinci bir kabuk (shell) üzerinde şunları çalıştırın:

ollama ps

Bu komut, makineniz için bellek sorusunu yanıtlar. ollama ps yüklü modeli, bellekte kapladığı boyutu ve bir PROCESSOR sütununu yazdırır. 100% GPU, modelin tamamının VRAM üzerinde olduğunu ifade eder. 100% CPU, hiçbir kısmının VRAM'de olmadığını ve her bir token'ın işlemci tarafından sistem RAM'i kullanılarak hesaplandığını belirtir. 65%/35% CPU/GPU gibi bir bölünme, katmanların tamamının sığmadığı ve CPU payının hızınızı belirlediği anlamına gelir. Gereksinimi tahmin etmeyin. Modeli yükleyin ve bu satırı okuyun.

Eğer model hiç yüklenemiyorsa, Ollama çökmek yerine temiz bir şekilde reddeder:

Error: model requires more system memory (28.4 GiB) than is available (15.6 GiB)

Sadece CPU içeren bir VPS yeterince hızlı mıdır?

Genel amaçlı bir VPS'te GPU bulunmaz; bu nedenle tüm iş yükü CPU tarafından karşılanır ve ihtiyaç duyulan her ağırlık sistem RAM'inden okunur. MoE (Mixture of Experts) mimarisi burada avantaj sağlar; çünkü 30 milyar parametrelik bir modelde her token için sadece yaklaşık 3 milyar parametre işlenir. Bu sayede token başına düşen aritmetik işlem yükü, yoğun (dense) bir 30B modele kıyasla çok daha düşüktür. Ancak bellek tarafında bir iyileşme olmaz. Yönlendirici (router) her token için herhangi bir uzmanı seçebileceğinden, 30 milyar parametrenin tamamının bellekte tutulması gerekir.

Dolayısıyla, bu modelde sadece CPU ile çıkarım (inference) yapmak, çekirdek sayısından ziyade bellek bant genişliği ile sınırlıdır. Makul sayıda vCPU içeren bir plana ek vCPU eklemek çok az fark yaratır. İhtiyacınız olan şey, ağırlıkları ve KV önbelleğinizi tutacak kadar RAM ve planın sunduğu en hızlı bellektir.

Bir ajanı bu sisteme dahil etmeden önce, yerel bir LLM için saniyedeki token sayısını ölçme yöntemini kullanarak hızı test edin:

ollama run --verbose nemotron-3.5-lightning:30b-a3b-q4_K_M "Write a 200 word summary of TCP slow start."

Çıktının sonunda yazdırılan eval rate satırı, saniyedeki token cinsinden üretim hızınızdır. Bir ajanın toplam işlem süresi bu değer tarafından belirlendiği için, kararınızı bu tek sayıya göre vermelisiniz. Bu değeri beklediğiniz yanıt uzunluğu ile çarpın; eğer sonuç beklemeye razı olduğunuz süreden uzunsa, num_predict ile çıktıyı sınırlamak, donanımı değiştirmeden tek bir çağrıyı kısıtlamanın tek yoludur.

GrafikAverage seconds per Intelligence Index task (Artificial Analysis, published August 2026)
Bu grafiğin arkasındaki veriler
[
  {
    "label": "Nemotron 3.5 Lightning",
    "sec_per_task": 30
  },
  {
    "label": "gpt-oss-120b",
    "sec_per_task": 204
  },
  {
    "label": "Qwen3.6 35B",
    "sec_per_task": 210
  }
]

Bunlar, Artificial Analysis tarafından lansman sırasında bildirilen görev başına dakika değerlerinden dönüştürülmüş, üçüncü taraf yayınlanmış verilerdir ve bir VPS üzerinde değil, barındırılan GPU uç noktalarında ölçülmüştür. Nemotron 3.5 Lightning görev başına ortalama 30 saniye sürmüştür; burada gpt-oss-120b yaklaşık 204 saniye, Qwen3.6 35B ise yaklaşık 210 saniye sürmüştür. Bu verileri donanımınız için bir garanti olarak değil, performans farkının ölçeğini anlamak için kullanın.

Dürüst bir tavsiye, bekleyen tarafın kim olduğuna göre değişir. Eğer bir insan ajanı bekliyorsa veya ajan arka arkaya uzun çağrı zincirleri oluşturuyorsa, GPU kapasitesi kiralayın. Eğer ajan gece boyunca bir zamanlamaya göre çalışıyorsa ve kimse izlemiyorsa, yüksek RAM'li bir CPU planı makul bir tercihtir. Her iki durumda da kurulum aynıdır ve VPS üzerinde Ollama çalıştırma rehberi, plan boyutlandırmasını ve bir GPU örneğinin token başına ödeme yapılan bir API sağlayıcısı ile nasıl kıyaslandığını açıklar. Başabaş noktası kullanım oranına bağlıdır: bir GPU örneği var olduğu her saat için ücretlendirilirken, API tokenları yalnızca kullanıldığında ücretlendirilir. Bu nedenle, günün büyük kısmında meşgul olan bir ajan için kendi sunucunuzu kiralamak, saatte iki kez çalışan bir ajan için ise API kullanmak genellikle daha avantajlıdır. Ollama yazılımı bu maliyet hesabının hiçbir tarafına ek yük getirmez; çünkü kiraladığınız bir sunucuda ücretsiz olarak çalışır. Ollama'nın ne için ücret aldığı ve ne için almadığı konusu, donanım kiralamak istemediğiniz durumlarda Ollama Cloud'un nerede konumlandığını açıklar.

1M bağlam penceresi ücretsiz değildir

1M token, modelin maksimum kapasitesidir ve Ollama bunu varsayılan olarak sunmaz. Ollama çok daha küçük bir varsayılan pencere ile hizmet verir ve bir konuşma bu sınırı aştığında en eski token'ları siler. Bu durum gerçekleştiğinde varsayılan günlük seviyesinde hiçbir kayıt tutulmaz; bu nedenle bir aracı (agent) için model kendi görevinin başlangıcını unutmuş gibi görünür.

Pencereyi bilinçli olarak ayarlayın. Tüm sunucu için servisi düzenleyin:

sudo systemctl edit ollama

Bunu ekleyin, ardından sudo systemctl restart ollama komutunu çalıştırın:

[Service]
Environment="OLLAMA_CONTEXT_LENGTH=32768"

İstek bazında ise, options nesnesi içinde num_ctx gönderin:

curl http://localhost:11434/api/chat -d '{
  "model": "nemotron-3.5-lightning:30b-a3b-q4_K_M",
  "messages": [{"role": "user", "content": "Say ready"}],
  "options": {"num_ctx": 32768},
  "stream": false
}'

Her artış bellek tüketimini artırır, çünkü KV önbelleği izin verdiğiniz token sayısı ile birlikte büyür. Değeri yükseltin, yeniden başlatın, ardından ollama ps komutunu tekrar çalıştırın ve bildirilen boyutun yükselişini izleyin. Eğer bu değişiklikten sonra PROCESSOR sütunu 100% GPU değerinden bölünmüş bir yapıya geçerse, KV önbelleği model katmanlarını VRAM dışına itmiş demektir ve hızınız ciddi oranda düşecektir. Ollama'da num_ctx seçimi bu dengeyi detaylıca ele alır. Model kartı izin veriyor diye 1000000 değerini atamayın, çünkü bellek tahsisi en başta yapılır ve yükleme işlemi doğrudan başarısız olur.

Her zaman çalışan bir aracıya bağlama

Ollama'nın bu model için sunduğu kütüphane sayfası, desteklenen bir aracıya (agent) halihazırda bu modeli işaret edecek şekilde başlatan bir kısayolu belgelendirir:

ollama launch claude --model nemotron-3.5-lightning

Sayfa bu konumda claude, opencode, openclaw ve hermes seçeneklerini listeler. Alt komut güncel bir Ollama sürümü gerektirir, bu nedenle önce ollama --version komutunu kontrol edin; eğer eksikse aracıya API'yi kendiniz tanıtın. Ollama, çoğu aracı altyapısının kabul ettiği OpenAI uyumlu bir uç nokta sunar:

export OPENAI_BASE_URL=http://localhost:11434/v1
export OPENAI_API_KEY=ollama

Ollama anahtarı görmezden gelir ancak çoğu istemci bir anahtar tanımlanmadan çalışmayı reddeder. Bu sürecin aracı tarafı kodlama aracısını Ollama'ya yönlendirme ve kendi OpenClaw aracınızı oluşturma bölümlerinde ele alınmıştır.

Aracı gözetimsiz çalışmaya başladığında iki sunucu ayarı önem kazanır. OLLAMA_KEEP_ALIVE, bir modelin son istekten sonra ne kadar süre bellekte kalacağını kontrol eder; varsayılan ayar beş dakika sonra modeli bellekten atar, bu da bir sonraki çağrıda tam yükleme süresinin tekrar harcanmasına neden olur. GPU olmayan bir sistemde 25 GB boyutundaki bir dosyada bu bekleme süresi, zaman aşımına (timeout) neden olacak kadar uzundur. Modeli bellekte tutmak için OLLAMA_KEEP_ALIVE=-1 ayarını yapılandırın. OLLAMA_HOST=0.0.0.0:11434, API'nin diğer makinelerden erişilebilir olmasını sağlar; bu ayar hiçbir kimlik doğrulama içermediğinden, yalnızca bir güvenlik duvarı kuralı veya özel bir ağ arkasında etkinleştirin.

Hata modları ve karşılaşacağınız dizgeler

Çekme işlemi hemen başarısız oluyor. Error: pull model manifest: file does not exist, ilgili etiketin mevcut olmadığı anlamına gelir. Etiket isimleri tam eşleşme gerektiren dizgelerdir; bu nedenle bir nicemleme sonekini tahmin etmek yerine kütüphane sayfasından kopyalayın.

Model yüklenmiyor. Error: model requires more system memory (28.4 GiB) than is available (15.6 GiB), etiketin mevcut yapılandırmadaki plan için çok büyük olduğu anlamına gelir. Daha küçük bir nicemlemeye geçin veya OLLAMA_CONTEXT_LENGTH değerini düşürün; çünkü KV önbelleği bu gereksinimin içinde hesaplanır.

11434 numaralı portta yanıt yok. curl: (7) Failed to connect to localhost port 11434, servisin çalışmadığını veya beklediğiniz yerde dinleme yapmadığını gösterir. systemctl status ollama ve journalctl -u ollama -n 50 bölümlerini okuyun. Eğer ollama serve servisini manuel olarak başlattıysanız, ikinci kopya Error: listen tcp 127.0.0.1:11434: bind: address already in use hatasıyla kapanacaktır.

Yanıt veriyor ancak çok yavaş. Herhangi bir değişiklik yapmadan önce ollama ps değerini kontrol edin. GPU olan bir makinede PROCESSOR sütununda herhangi bir CPU payı görülmesi, modelin bir kısmının VRAM dışına taştığı anlamına gelir; bu durumda bağlamı düşürün veya daha küçük bir nicemleme kullanın. GPU olmayan bir makinede yavaşlık beklenen bir sonuçtur ve hiçbir ayar bunu düzeltemez.

Ajan, bir görev sırasında talimatlarını unutuyor. Konuşma bağlam penceresini aştı ve en eski belirteçler sessizce atıldı. OLLAMA_CONTEXT_LENGTH değerini yükseltin, modelin hala sığıp sığmadığını ollama ps ile doğrulayın; eğer sığmıyorsa çözüm, pencereyi küçültmek yerine daha büyük bir makineye geçmektir.

Bu modelin alternatifler karşısındaki konumu

30B MoE, küçük bir iş için barındırılması oldukça büyük bir modeldir. Eğer 8B yoğun (dense) bir model görevinizi zaten yerine getiriyorsa, çalıştırması çok daha düşük maliyetli olacak ve saniyeler içinde yüklenecektir; 8B ve 27B boyutlarında Qwen 3 bu karar için doğrudan bir karşılaştırma sunar. Belirli bir planın gerçekte neleri barındırabileceğine dair daha geniş bir inceleme için kendi sunucunuzda barındırabileceğiniz yapay zeka modelleri ile başlayın. Tek bir ajan yerine aynı anda birkaç ajan çalıştırmayı planlıyorsanız, önce Ollama ve vLLM karşılaştırması konusunu okuyun. Ollama, tek bir modele gelen istekleri paralel olarak işleyebilir ancak OLLAMA_NUM_PARALLEL varsayılan olarak 1 değerinde gelir; bu nedenle kutudan çıktığı haliyle ikinci bir ajanın isteği, ilki bitene kadar kuyrukta bekler. Bu model için bu değeri artırmak da bir çözüm sağlamaz: Ollama v0.40.11 itibarıyla zamanlayıcı, bu etiketin taşıdığı nemotron_h_moe mimarisini tekrar tek seferde tek istek işleyecek şekilde zorlar ve model architecture does not currently support parallel requests günlüğünü oluşturur. Bu ayarı kabul eden modellerde ise artış yapmak bellek maliyetini yükseltir: Ollama'nın FAQ bölümü, gereken RAM miktarının OLLAMA_NUM_PARALLEL çarpı OLLAMA_CONTEXT_LENGTH oranında arttığını belirtir; dolayısıyla büyük bir modelde bu çarpım, tek kullanıcılı bir kurulumun ölçeklenebilirliğinin bittiği noktadır.

FAQ

Linux VPS üzerinde hangi Nemotron 3.5 Lightning etiketini çekmeliyim?

nemotron-3.5-lightning:30b-a3b-q4_K_M etiketini kullanın. Bu etiket 25 GB boyutundadır, 1M maksimum bağlam (context) kapasitesinin tamamını içerir ve 25 Ekim 2026 tarihinde sorgulandığında latest, 30b ve 30b-a3b işaretçilerinin döndürdüğü sürümdür; kütüphane bu işaretçileri Ekim ortasında ayrı bir özete (digest) taşımış olsa bile durum budur. latest etiketini çekmek yerine doğrudan bu ismi kullanın; böylece gelecekte bu işaretçinin yeniden yayınlanması durumunda, siz fark etmeden temsilcinizin (agent) davranışının değişmesini engellemiş olursunuz. mlx etiketleri Apple silicon sürümleridir; aynı şekilde 30b-a3b-mlx özetini paylaşan 30b-a3b-nvfp4 da öyledir. Bunlar Linux üzerinde işinize yaramayacaktır.

Nemotron 3.5 Lightning ne kadar RAM gerektirir?

NVIDIA, Ollama sürümleri için minimum bellek değeri yayınlamamaktadır; bu nedenle tahmin etmek yerine ölçüm yapın. Etiketi çekin, modeli bir kez çalıştırın ve yüklü olduğu sırada ollama ps değerini okuyun: bu komut, fiilen kullanılan boyutu ve modelin GPU'ya mı yoksa CPU'ya mı yerleştiğini gösterir. Varsayılan etiket için 25 GB olan indirme boyutu bir alt sınırdır; çünkü KV önbelleği (cache) bunun üzerine eklenir ve belirlediğiniz bağlam penceresiyle birlikte büyür. Planınız çok küçükse, Ollama model requires more system memory hatası verir ve her iki sayıyı da belirtir.

Nemotron 3.5 Lightning'i GPU'su olmayan bir VPS üzerinde çalıştırabilir miyim?

Evet, eğer planınız ağırlıkları tutacak kadar RAM'e sahipse. MoE tasarımı burada avantaj sağlar çünkü 30 milyar parametrenin sadece yaklaşık 3 tanesi her token için hesaplanır. Hız burada belirleyici faktördür. GPU olmadığında model bellek bant genişliği ile sınırlanır, bu yüzden vCPU eklemek sonucu pek değiştirmez. ollama run --verbose komutunu sabit bir istemle (prompt) çalıştırın, eval rate satırını okuyun ve bu sayıyı temsilcinizin süre kısıtlamasına göre değerlendirin. Gece boyunca sürecek toplu işler için genellikle uygundur. Bir kullanıcının beklediği işlemler için ise genellikle yetersizdir.

Ollama neden bana 1M bağlam penceresinin tamamını vermiyor?

1M, modelin maksimum kapasitesidir, Ollama'nın varsayılan değeri değildir. Ollama çok daha küçük bir pencere uygular ve bir konuşma bu sınırı aştığında en eski token'ları hata vermeden siler; bu durum temsilcinin kendi talimatlarını unutması gibi algılanır. OLLAMA_CONTEXT_LENGTH değerini systemd servisi üzerinde ayarlayın veya her istekte num_ctx parametresini geçin. Bu değeri kademeli olarak artırın ve her seferinde ollama ps değerini tekrar kontrol edin; çünkü KV önbellek belleği pencere boyutuyla ölçeklenir ve model katmanlarını GPU'dan dışarı itebilir.

Nemotron 3.5 Lightning ticari kullanım için ücretsiz mi?

NVIDIA'nın model kartı, modeli OpenMDW-1.1 lisansı altına alır ve 25 Ekim 2026 itibarıyla ticari kullanıma uygun olduğunu belirtir. Ollama'nın kütüphane sayfası, indirme ile birlikte gelen lisansı NVIDIA Open Model License Agreement olarak etiketler; bu nedenle her ikisine de güvenmeden önce her iki metni de okuyun. Bu lisanslar, indirdiğiniz ve çalıştırdığınız ağırlıkları kapsar. Yığınınızdaki diğer yazılımlar hakkında bir şey söylemez; bu yüzden temsilci altyapınızın ve bağladığınız diğer araçların lisanslarını ayrıca kontrol edin ve sözleşmeye dayalı herhangi bir işlem yapmadan önce güncel model kartını okuyun.

Bu yazı işinize yaradı mı?