Enver KOÇAK
DeepSeek’in GitHub hesabında 9 Ekim 2026’da güncellenen depolardan biri, geliştirici tarafında dikkat çeken bir araç: DeepJIT. Bu, grafik işlemciler ve yapay zekâ hızlandırıcıları için yazılan çekirdeklerin çalışma anında derlenmesini, önbelleğe alınmasını, yüklenmesini ve çalıştırılmasını sağlayan hafif bir C++20 kütüphanesi. Depo MIT lisanslı. Deponun ilk yayın tarihi sayfada belirtilmiyor; bu yazı ekim başındaki güncel hâline dayanıyor.
Ne Değişti?
Yapay zekâ modellerini hızlandırmak için yazılan özel çekirdekler genellikle her donanım için ayrı derleme ve yükleme mantığı gerektiriyor. DeepJIT bu altyapı işini tek bir arayüzde topluyor. Böylece çekirdek kütüphanesi yazan geliştiriciler derleme ve önbellek ayrıntılarıyla değil, asıl cihaz koduyla uğraşabiliyor.
Kütüphanenin en dikkat çekici yanı iki farklı donanımı aynı iş akışıyla desteklemesi. Nvidia tarafında NVCC ile CUBIN dosyaları üretiliyor ve CUDA Driver API ile çalıştırılıyor. Huawei Ascend tarafında ise Bisheng derleyicisi ve ACL kullanılıyor. Derleme, yükleme ve çalıştırma adımları her iki tarafta da aynı biçimde ilerliyor; yalnızca çekirdek kaynak kodu ve derleyici seçenekleri donanıma özgü kalıyor.
Öne Çıkan Özellikler
DeepJIT, derlenmiş çekirdekleri hem bellekte hem diskte önbelleğe alıyor. Önbellek anahtarı; kaynak kod, eklenen başlık dosyaları, derleyici sürümleri, seçenekler ve uygulamanın tanımladığı bir imzadan oluşuyor. Bu sayede aynı çekirdek her seferinde yeniden derlenmiyor.
Önbellek dizini, uygun dağıtık dosya sistemlerinde farklı kullanıcılar, süreçler ve sunucular arasında paylaşılabiliyor. Büyük eğitim kümelerinde bu, her düğümün aynı derlemeyi tekrar yapmasını önleyerek ciddi zaman kazandırabilir.
Diğer özellikler arasında cihaz ve derleyicinin ihtiyaç duyulduğunda başlatılması, PyTorch ile entegrasyon, derleme bilgileri ve derlenmiş kodun döküm alınması gibi tanı araçları var. Ayarlar ortam değişkenleriyle, her kütüphaneye özel bir önekle yapılabiliyor.
README’ye göre iki özellik henüz geliştirme aşamasında: geçmiş kayıtlardan önbelleği önceden ısıtma ve çekirdek kaynağını doğrudan Python’dan derleyen bir API.
Nvidia tarafında PTX ve SASS, Ascend tarafında ise derlenmiş kodun döküm alınabilmesi, performans sorunlarını araştıran mühendisler için değerli. Bir çekirdeğin neden beklenenden yavaş çalıştığını anlamak çoğu zaman bu düşük seviyeli çıktıya bakmayı gerektiriyor. CUDA tarafında ayrıca derleme sonrasında çalışan bir Python kancası da bulunuyor.
Kimi İlgilendiriyor?
DeepJIT son kullanıcıya yönelik bir ürün değil. Hedef kitlesi, PyTorch için C++ veya Python uzantısı yazan ve özel hızlandırma çekirdekleri geliştiren mühendisler. Özellikle aynı kodu hem Nvidia hem Huawei donanımında çalıştırmak zorunda olan ekipler için doğrudan işe yarar.
Gereksinimler de bu kitleye göre belirlenmiş: Linux, std::format destekli bir C++20 derleyicisi, Nvidia için CUDA 12.4 ve üzeri başlıklar ile NVCC 12.9 ve üzeri, Ascend için ise CANN araç seti.
Kütüphane, DeepSeek’in son dönemde Nvidia ve Ascend için yayımladığı açık kaynak çekirdek kütüphaneleriyle aynı döneme denk geliyor. README, DeepJIT’in hangi DeepSeek kütüphaneleri tarafından kullanıldığını açıkça belirtmiyor. Ancak iki donanımı tek arayüzde birleştirmesi, şirketin çok platformlu altyapı stratejisiyle uyumlu görünüyor.
Türkiye’den Kullanıcılar İçin
Türkiye’de üniversitelerde ve yapay zekâ girişimlerinde performans optimizasyonu yapan küçük ama büyüyen bir topluluk var. Bu ekipler için DeepJIT, kendi JIT altyapısını sıfırdan yazmak yerine hazır ve açık kaynak bir temel sunuyor. MIT lisansı, aracın ticari projelerde de rahatça kullanılmasına izin veriyor. Kütüphane yeni olduğu için hata bildirimlerini ve sürüm değişikliklerini takip etmek gerekecek.
Kaynaklar
Bu yazı, yukarıdaki kaynaklardan yapay zekâ yardımıyla Türkçe olarak derlenmiş bir özettir. Ayrıntılar ve resmi bilgi için kaynaklara başvurun.
