Bu makale, mümkün olduğunca anlaşılır olmayı hedefleyerek, acemi oyuncuların bile yerel model dağıtımını kolayca kavramasını ve kendi iş akışlarını oluşturmasını sağlamayı amaçlamaktadır.
Bu yıl, yerli açık kaynaklı büyük modeller oldukça hareketliydi. DeepSeek, Qwen, Kimi, GLM, MiniMax... birbiri ardına yeni modeller çıkıyor, ağırlıklarını sürekli açıyorlar ve ABD'deki kapalı kaynaklı modellerle başa baş rekabet etmeye başlıyorlar.
Ancak model sayısı arttıkça, belirli bir soru daha çok ilgimi çekiyor: Bu modeller sadece web sayfalarında ve API'lerde kalmak yerine, gerçekten kendi makinelerimize kurulup yerel dosyalara, araçlara ve iş akışlarına bağlanabilir mi?
API token'larının birim fiyatı genel olarak düşse de, yüksek frekanslı çağrılar ve uzun metinlerle karşılaşıldığında maliyet hala yüksek kalıyor. Buna gizlilik, ağ bağlantısı ve veri kontrolü gibi sorunlar da eklenince, yerel dağıtım giderek daha fazla geliştirici ve işletmenin tercihi haline geliyor.
Bu sefer, zorlu bir boyuta sahip ve tek makine dağıtımını temsil eden bir model seçip, tüm yerel dağıtım sürecini baştan sona çalıştırmak istiyorum.
Sonunda seçilen kahraman, Ant Bailing tarafından açık kaynak olarak sunulan Ling-3.0-flash oldu. Bu, toplam 124B parametreye sahip bir Uzmanlar Karışımı (MoE) modeli. Elimde bir NVIDIA DGX Spark var ve onu çalıştırmak için tam biçilmiş kaftan.
Daha fazla uzatmadan, asıl gösteriye başlayalım.
01 Terminolojiye Giriş
Başlamadan önce, herkesi konuya hazırlamak için modelle ilgili bazı terimleri tanıtalım ✌🏻
Model Hassasiyeti
Aynı model genellikle farklı hassasiyet veya kuantize edilmiş sürümler sunar ve bu, model boyutunu ve çalıştırma eşiğini doğrudan etkiler.
Bu sefer resmi Ling INT4 sürümünü kullanıyoruz, yaklaşık 71.75GB boyutunda.
Yoğun (Dense) veya MoE
5.1B'nin yalnızca her çıkarımda etkinleştirilen parametre sayısı olduğunu unutmayın; 124B ağırlıklarının tamamının yine de belleğe yüklenmesi gerekir.
Çıkarım Motoru
Çıkarım motoru, ağırlıkları yüklemekten, bağlamı ve eşzamanlılığı yönetmekten ve arayüzler sağlamaktan sorumludur. Modeli çalıştırmak için kullanılan araçtır, modelin kendisi değildir.
Bu sefer vLLM'yi seçtik çünkü mevcut resmi uyarlama, Ling-3.0-flash'ın INT4 ağırlıklarını ve MTP spekülatif kod çözmeyi destekliyor.
02 Model Kurulumu ve Dağıtımı
Öncelikle kurulum ortamını tanıtalım: Bir NVIDIA DGX Spark kullanıyorum, GB10 çip ve 121.6GB birleşik belleğe sahip, ARM64 mimarisinde Ubuntu 24.04 çalıştırıyor. Dağıtım Ling-3.0-flash-INT4 ve sonraki verim testlerinde referans olarak yerel Qwen 3.8-27B kullanılacak.
Resmi kaynak, temel sürümün yanı sıra FP8, FP4 ve INT4 gibi farklı hassasiyet sürümleri de sunuyor. Donanımınıza göre seçim yapabilirsiniz.
Ayrıca 8B'lik bir Ling-3.0-tiny ve onun FP8, INT4 sürümleri de var. Normal bir Mac veya tek bir 4090 kullananlar, öncelikle Tiny'nin düşük hassasiyetli sürümlerini deneyebilir.
Adım 1: Modeli indirin. Bu sefer resmi INT4 sürümünü kullandım. İndirme bağlantıları 👇🏻
- Hugging Face: Ling-3.0-flash-int4
- ModelScope: Ling-3.0-flash-int4
Hugging Face'e erişim sorunluysa, ModelScope'dan manuel olarak indirebilirsiniz. İndirdikten sonra, toplamda yaklaşık 71.75GB olan 24 adet safetensors parçası (shard) bulunur. Çalışma zamanında çıkarım motoru ve KV Cache için de yer bırakmanız gerekir.
Adım 2: Ortamı hazırlayın. Ling-3.0-flash'ın BailingMoeV3 mimarisi oldukça yeni. GGUF'u llama.cpp ile kullanmayı denedim ancak unknown model architecture: 'bailingmoe3' hatası aldım. Bu yüzden doğrudan resmi olarak uyarlanmış vLLM dalını kullandım:
1pip install uv2uv venv ~/my_ling_env3source ~/my_ling_env/bin/activate45git clone -b ling_3_0 https://github.com/inclusionAI/vllm-ling-v3.git6cd vllm-ling-v37VLLM_USE_PRECOMPILED=1 uv pip install --editable . --torch-backend=auto
Adım 3: Çıkarım hizmetini başlatın. Model yolunu, yerel olarak indirdiğiniz INT4 ağırlıklarınızın bulunduğu yolla değiştirin:
1vllm serve /path/to/Ling-3.0-flash-int4 \2 --served-model-name ling-int4 \3 --host 127.0.0.1 \4 --port 30000 \5 --trust-remote-code \6 --max-model-len 16384 \7 --gpu-memory-utilization 0.8 \8 --max-num-seqs 8 \9 --reasoning-parser ling3 \10 --speculative-config '{"method":"bailing_hybrid_v3_mtp","num_speculative_tokens":1}'
⚠️
Lütfen komuttaki yolları, makinenizdeki gerçek yollarla değiştirin.
Burada bağlam sınırı 16K, eşzamanlılık 8 olarak ayarlandı ve MTP spekülatif kod çözme etkinleştirildi.
Not: MTP (Çoklu-Token Tahmini), modelin aynı anda birden fazla token tahmin etmeye çalışmasını sağlar. Doğru tahmin edilen kısımlar doğrudan kullanılabilir, böylece token'ları tek tek oluşturmak için gereken hesaplama turları azalır ve çıktı hızı artar.
Adım 4: Hizmeti doğrulayın. Başladıktan sonra basit bir istek gönderin:
1curl -s http://127.0.0.1:30000/v1/chat/completions \2 -H "Content-Type: application/json" \3 -d '{"model":"ling-int4",4 "messages":[{"role":"user","content":"Merhaba, lütfen kendinizi bir cümleyle tanıtın."}],5 "stream":true}'
Terminal, içeriği akış halinde döndürmeye başlarsa, bu 124B modelin yerel olarak çalıştığı anlamına gelir.
03 Model Performansını ve Yeteneğini Test Etme
- Token Verimi Model ilk başladığında, vLLM'nin yerleşik benchmark'ını kullanarak bir tur test yaptım. 20 isteğin tamamı tamamlandı, çıktı verimi 84.34 tok/s, toplam token verimi 133.10 tok/s ve MTP kabul oranı %67.35 oldu.
Orijinal günlük çıktısı 👇🏻
1============ Serving Benchmark Result ============2Successful requests: 203Failed requests: 04Request rate configured (RPS): 2.005Benchmark duration (s): 60.716Total input tokens: 29607Total generated tokens: 51208Request throughput (req/s): 0.339Output token throughput (tok/s): 84.3410Peak output token throughput (tok/s): 61.0011Peak concurrent requests: 20.0012Total token throughput (tok/s): 133.1013---------------Time to First Token----------------14Mean TTFT (ms): 19692.9815Median TTFT (ms): 18877.9916P99 TTFT (ms): 40039.0217-----Time per Output Token (excl. 1st token)------18Mean TPOT (ms): 44.6119Median TPOT (ms): 44.0920P99 TPOT (ms): 49.6821---------------Inter-token Latency----------------22Mean ITL (ms): 74.0923Median ITL (ms): 72.3924P99 ITL (ms): 280.7125---------------Speculative Decoding---------------26Acceptance rate (%): 67.3527Acceptance length: 1.6728Drafts: 305129Draft tokens: 305130Accepted tokens: 205531Per-position acceptance (%):32 Position 0: 67.3533==================================================
Daha sonra, Ling ve yerel Qwen 3.8-27B üzerinde eşzamanlılık testleri yaptım. 8 eşzamanlılıkta, Ling'in toplam verimi 141.38 tok/s iken, Qwen 3.8'in verimi 32.61 tok/s oldu; bu turda aradaki fark yaklaşık 4.34 kat.
🔥🔥🔥Ling-3.0-Flash ve Qwen3.8-27B Stres Testi Karşılaştırması
Ling-3.0-flash
Qwen 3.8 -27B
Bazıları merak edebilir: Ling'in tek eşzamanlılıktaki hızı neden sadece 34.77 tok/s iken, 8 eşzamanlılıkta 141.38 tok/s oluyor? Teknik arkadaşlar ayrıca bu tek eşzamanlılık puanının resmi verilere göre yavaş olup olmadığını da sorabilir.
Burada spesifik test yöntemini ve farklı değerlendirme yöntemlerinin neden olduğu hız farklılıklarını açıklamamız gerekiyor:
- Test Yöntemi ve Gerçek Uçtan Uca Bağlantı: Bu test, yerel bir OpenAI uyumlu arayüz kullanır ve hizmet çerçevesinden bağımsız bir çevrimdışı çıkarım testi değil, HTTP akış istekleri aracılığıyla yük testi yapar. Her Ling isteği, yaklaşık 150 tokenlik uzun bir metin istemi kullanır ve en fazla 512 token üretir. Zamanlama, istemcinin HTTP isteğinden akış yanıtı tamamlanana kadar başlar; bu nedenle yerel HTTP çağrılarını, hizmet zamanlamasını, Tokenizer işlemeyi, Prefill'i, token bazında kod çözmeyi ve akış dönüşünü içerir.
- Tek Akış Çıktı Hızı ve Makine Toplam Verimi: Tek akış hızı (gerçek kullanıcı deneyimi): $c=1$'de, uçtan uca çıktı hızı yaklaşık 35.34 tok/s'dir (gerçek tek konuşma testlerinde 38+ tok/s), bu saniyede 35'ten fazla Çince karaktere eşdeğerdir ve görsel olarak son derece hızlıdır; Toplam verim (eşzamanlılık altında toplam çıktı): Eşzamanlılık arttıkça, vLLM Sürekli Toplu İşleme (Continuous Batching) kullanarak birden fazla isteği GPU hesaplamalarında birleştirir ve Blackwell'in birleşik bellek bant genişliğinden tam olarak yararlanır. 8 eşzamanlılıkta, makinenin toplam verimi 141.38 tok/s'ye fırlar.
Bazı resmi benchmark'lardan neden farklı olduğuna gelince, anahtar nokta test kriterleridir. Model hassasiyeti, çıkarım motoru, bağlam uzunluğu, giriş/çıkış token sayısı, eşzamanlılık ölçeği ve çevrimdışı çıkarım veya HTTP hizmetlerinin kullanılması gibi faktörlerin tümü nihai sonucu etkiler. Bu koşullar temelde tutarlı olduğunda sayılar doğrudan karşılaştırmaya uygundur.
Basitçe söylemek gerekirse: Hız, değerlendirme yöntemine göre değişir—eğer son derece yüksek eşzamanlılıkta (32/64 gibi) veya ağ protokolleri olmayan saf bir hesaplama ortamında test edilirse, toplam verim sayıları daha yüksek görünür; günlük tek kişilik konuşmalarımızda veya kodlama üretim çağrılarımızda, Ling'in tek akış 35+ tok/s hızı ve 220ms'nin altındaki ilk token gecikmesi son derece akıcı ve takılmadan çalışır.
Tek eşzamanlılıkta, Ling'in ortalama tek akış hızı yaklaşık 35.34 tok/s'dir; 8 eşzamanlılıkta toplam verim 141.38 tok/s'ye ulaşır. Qwen3.8'in 8 eşzamanlılıktaki toplam verimi 32.61 tok/s'dir. Bu turda Ling'in avantajı esas olarak çıktı hızı ve eşzamanlı verimde kendini gösterir; gerçek kullanımda yanıtlar gözle görülür şekilde daha hızlıdır.
2. Gerçek Yetenekler
Benchmark'lar performansın yalnızca bir kısmını yansıtır; gerçek kullanılabilirlik, modelin belirli problemlerdeki performansına bağlıdır. Basit testler için üç yön seçtim.
(1) Mantıksal Akıl Yürütme
Tavşan ve tavuk problemine bir varyasyon hazırladım: klasik bir araba yıkama problemi ve bir araba yıkama makinesi problemi. Temel amaç, tanıdık görünen bir cevabı uygulamak yerine koşulları doğru bir şekilde anlayıp anlamadığını görmekti. Tavşan ve tavuk problemi, kalıpları kırmak için üç bacaklı 4 mekanik kuş içeriyordu.
(2) Güvenlik Sınırları: Ardından, yüksek riskli işlemlere tepkisini test ettim: doğrudan mı çalıştırıyor yoksa riskleri mi belirliyor, kullanıcıyla onaylıyor ve daha güvenli alternatifler mi sunuyor?
(3) Uzun Metin
Son olarak, bir tur uzun metin testi. Uzun bir bağlamın içine anahtar bilgileri gizledim ve bunu doğru bir şekilde bulup cevaplayıp cevaplayamadığını, ayrıca uzun metin altında çıktı hızını ve kararlılığını gözlemledim.
04 API'den TUI'ye, ardından Araç Çağırmaya
Model dağıtımını ve yetenek testini tamamladık, ancak sıradan kullanıcılar için curl, günlük kullanımdan ziyade arayüzleri doğrulamak için daha uygundur. Yerel bir modelle uzun süre konuşmak için daha kullanışlı bir etkileşim arayüzüne ihtiyaç var.
Bu yüzden önce basit bir TUI yaptım, terminalde çalışan bir sohbet arayüzü. Karmaşık bir yazılım değil; AI'ya, yerel arayüz çağrılarını, akış çıktısını ve konuşma geçmişini kapsülleyen bir Python betiği yazdırdım ve tek bir komutla başlattım:
1python3 ling-3.0-chat.py
Bu sayede her seferinde curl yazmak zorunda kalmıyorum. Terminali açıp doğrudan sohbet ediyorum; yanıtlar akıyor ve TPS, TTFT ve token sayılarını görebiliyorum. Önceki yetenek testlerini bu arayüzde tamamladım.
Ancak bu noktada TUI, araç çağırma yeteneği olmayan, yalnızca bir metin sohbet aracıdır. Büyük model, düşünmekten sorumlu bir "beyin" gibidir, ancak dosyaları okumak, komutları çalıştırmak veya sistemin mevcut durumunu bilmek için "elleri ve ayakları" yoktur.
Sistem yeteneklerini çağırmasına izin vermek için araç çağırma (tool calling) eklememiz gerekiyor. Basitçe söylemek gerekirse, komut yürütme, dosya okuma ve yazma gibi işlemler araçlar olarak kapsüllenir. Model önce hangi bilgiye ihtiyacı olduğuna karar verir, ardından bir tool use başlatır; Python betiği bunu çalıştırır ve sonucu daha ileri işlemler için modele geri verir.
Örneğin, başlangıçta sistem GPU bilgilerini kontrol etmesini istediğimde, gerçek kullanımı bilmiyordu ve yalnızca nasıl kontrol edeceğini söyleyebiliyordu. Araç çağırmayı ekledikten sonra, sistem komutlarını kendisi çalıştırabildi ve sorgu sonuçlarını doğrudan TUI'de düzenleyebildi.
Aynı prensibe dayanarak, Web araması, dahili kurumsal arayüzler, veritabanları vb. eklemeye devam edebilirsiniz. Belirli araçlar iş ihtiyaçlarına göre genişletilebilir.
05 Görsel Bir Arayüze Bağlanma
Kişisel kullanım için, araç çağırma özelliğine sahip bir TUI aslında oldukça yeterlidir. Daha da ileri gidip modeli daha eksiksiz bir Agent çalışma tezgahına yerleştirmek için, Harness gibi bir agent çerçevesine bağlayabilirsiniz.
Bu sefer Liang Sheng'in DeepSeek Harness'ını seçtim; bu sadece bir sohbet sayfası eklemekle kalmıyor, aynı zamanda bağlam yönetimi, çalışma alanları, araç çağırma, izin kontrolü ve görev planlaması sağlıyor ve yerleşik bir Web UI ile geliyor. "Her şey bir eklentidir" mimarisini kullanarak gelecekteki işlevsel genişlemelere olanak tanıyor.
DeepSeek Harness'ın hala geliştirici önizleme aşamasında olduğunu ve hızlı bir şekilde güncellendiğini, bunun da uyumsuz değişikliklere yol açabileceğini unutmayın. İhtiyaçlarınıza göre seçebileceğiniz birçok başka açık kaynaklı Agent çerçevesi de var.
Bağlantı süreci karmaşık değil: temel olarak özel bir model hizmeti eklemek ve adresi vLLM tarafından sağlanan yerel arayüze yönlendirmek. Web UI üzerinden yapılandırmanın yanı sıra, yapılandırma dosyasını aşağıda gösterildiği gibi de değiştirebilirsiniz:
1llm-pi-ai:2 providers:3 ling:4 displayName: "Ling-3.0-flash (124B)"5 api: openai-completions6 baseURL: http://127.0.0.1:30000/v17 apiKeyEnv: OPENAI_API_KEY8 models:9 - id: ling-int410 name: Ling-3.0-flash (124B MoE)
Web UI'ı başlattıktan sonra, tarayıcınızda varsayılan adresi açın:
1http://localhost:3080
Bu şekilde, günlük sohbet, geçmiş ve model değiştirme işlemlerinin tümü DeepSeek Harness üzerinden yapılabilir. Harness'ın kendisi dosya işlemleri, komut yürütme ve görev planlaması sağlar ve eklentiler aracılığıyla daha da genişletilebilir. Belirli kullanım ve üçüncü taraf eklentiler için ilgilenen arkadaşlar araştırma yapabilir.
Python TUI'de yazdığım araçların otomatik olarak taşınmayacağını unutmayın. Bunları Harness'te kullanmak için, eklenti mekanizmasına göre yeniden entegre edilmeleri gerekir. Aşağıda Ling için yaptığım gerçek entegrasyonun etkisini görebilirsiniz; kaydı izleyebilirsiniz.
06 Bir AI İş Akışı Oluşturma
Bu noktada, Ling-3.0-flash için dağıtımdan arayüze ve araç çağırmaya kadar olan tek model bağlantısı tamamen kurulmuş oldu.
Ancak, gerçek projelerde genellikle tek bir model kullanmayız. Farklı modeller farklı konularda iyidir; bir modelin her şeyi halletmesindense, onları birleştirmek genellikle daha iyidir.
Ling-3.0-flash'ın avantajı metin işleme ve üretim hızıdır, ancak yerel çok modlu girdiyi desteklemez. Bir görev, görüntüleri veya videoları anlamayı gerektiriyorsa, Qwen3.8-27B gibi çok modlu bir model bağlayabilirsiniz; video oluşturmanız gerekiyorsa, yakın zamanda açık kaynak olarak sunulan MiniMax H3'ü bağlayabilirsiniz. Her model en iyi olduğu işi halleder ve sonuçları bir sonrakine iletir.
Örneğin, bir video oluşturma iş akışı oluşturmak için Ling önce gereksinimleri anlayabilir, senaryolar yazabilir ve storyboard'ları bölebilir, ardından çok modlu model referans materyallerini ve görsel tutarlılığı kontrol eder ve son olarak video modeli oluşturur. Oluşturma işleminden sonra, başka bir görsel inceleme turu yapılabilir, istemler değiştirilebilir ve sonuçlara göre yeniden oluşturulabilir:
1Gereksinimler ve Materyaller2→ Ling senaryo ve storyboard'ları oluşturur3→ Çok modlu model materyalleri ve görsel gereksinimleri kontrol eder4→ MiniMax H3 videoyu oluşturur5→ Çok modlu model görselleri ve sürekliliği kontrol eder6→ Ling geri bildirime göre istemleri ayarlar7→ İnsan son incelemeyi tamamlar
Aşağıdaki video, Ling-3.0-flash tarafından oluşturulan ve ardından MiniMax H3'e iletilen istemlerin gerçek etkisini göstermektedir.
Bu süreç bir kez sabitlendiğinde, tekrar tekrar kullanmak için yalnızca gereksinimleri ve materyalleri değiştirmeniz yeterlidir. Ancak, birden fazla büyük modeli aynı anda yerel olarak çalıştırmak çok yüksek VRAM ve bellek gereksinimlerine sahiptir. Ling INT4 yaklaşık 72GB, Qwen3.8-27B BF16 yaklaşık 51.77GB'dir, ayrıca KV Cache ve video modelleri; hepsini bu Spark üzerinde aynı anda tutmak zordur.
Gerçek dağıtımdan önce, her modelin ne kadar VRAM veya birleşik belleğe ihtiyacı olduğunu hesapladığınızdan emin olun. Kaynaklar yetersiz olduğunda, modelleri adım adım değiştirebilir, kuantize edilmiş sürümleri seçebilir veya modelleri birden çok cihaza bölebilirsiniz. Birden çok model artık bağımsız olarak çalışmaz, aynı görev etrafında işbirliği yapar—bu, gerçekten kullanılabilir bir çok modelli AI iş akışıdır.
07 Son Düşünceler
Model dağıtımından, TUI ve araç çağırmaya ve çok modelli iş akışlarına kadar tüm bağlantı tamamlandı. Bu makale, sabit bir yapılandırmadan ziyade tekrarlanabilir bir yöntemi paylaşmayı amaçlamaktadır.
Açık kaynaklı modeller güncellenmeye devam edecek. Gelecekte, ister modelleri, kuantizasyon sürümlerini veya çıkarım motorlarını değiştirin, ağırlıkları indirme, hizmetleri başlatma ve ardından araçları ve iş akışlarını bağlama yolu pek değişmeyecektir.
Koşullar izin veriyorsa, herkese yerel modelleri bizzat dağıtmalarını tavsiye ederim:
- Veri Kontrolü: Dosyalar, konuşmalar ve iş verileri kendi makinenizde veya dahili ağınızda kalır, dizin ve komut izinleri sizin tarafınızdan kısıtlanır.
- Yüksek Frekanslı Kullanıma Uygun: Her kullanımda token maliyeti hesaplamaya gerek yoktur, ağ ve üçüncü taraf hizmetlere bağımlılığı azaltır.
- Kolay Özelleştirme: Modeller, kuantizasyon hassasiyeti, çıkarım motorları ve araçların tümü ayarlanabilir ve dahili arayüzler ve veritabanları bağlanabilir.
Açık kaynaklı modeller güçlendikçe, yerel dağıtım daha fazla insanın tercihi haline gelecektir. Görev ihtiyaçlarınıza, ekipman koşullarınıza ve bütçenize göre araçlar ve iş akışları oluşturabilirsiniz. Umarım herkes gelecekte kendi yerel Agent'ına sahip olur, her seferinde token tüketimine bakmak zorunda kalmaz ve gerçekten kendi "Token Özgürlüğü"ne ulaşır!
İlgili Kaynaklar
- Hugging Face: Ling-3.0-flash INT4 Ağırlıkları
- ModelScope: Ling-3.0-flash INT4 Ağırlıkları
- Resmi vLLM Uyarlama Deposu
📚 Geçmiş Makale Özeti
- Hermes Agent Pratik Rehberi: X Kaygısından Otomatik Birikime
- Programcının Saç Dökülmesine Karşı Koruma Rehberi
- Hermes'i iMessage'a Bağlama
- Hermes'i X Premium'a Bağlama
- Hermes Agent Tam Kılavuzu
- Hermes Agent Başlangıç Rehberi: Yardımcı Modeller
- Hermes Agent Başlangıç Rehberi
- Hermes Agent İleri Seviye Rehberi
- Hermes Agent Eksik Kılavuzu
- Nijerya'da Claude Pro Aboneliği için Tam Kılavuz
- Nijerya'da Apple ID Kaydı Eğitimi
- Türkiye'de Yarı Fiyatına ChatGPT Plus Aboneliği
- ABD Apple ID Kaydı
- Claude/ChatGPT/Gemini Alipay Aboneliği
- Mac'te Yerel LLM Dağıtımı için Tam Eğitim
- IP Kalite Kontrolü
- Doubao Neden Markanızı Önermiyor?
- Büyükannene Doubao'nun Söylediklerinin Doğru Olmadığını Nasıl Anlatırsın
Bu yardımcı olduysa, lütfen takip edin + yer imlerine ekleyin + paylaşın 👏🏻
Yeni başlayanlar için uygun eğitimler ve AI araçları hakkında bilgiler için @Lonely__MH'i takip edin.
