Ana içeriğe geç

Qwen4-Max Eğitimi: Yasal Bildirim Analizörü Oluşturma

Qwen4-Max, Qwen-Agent ve Olostep ile ABD yasal bildirim analizörü oluşturun. Dolandırıcılıkları işaretleyin, fotoğrafları ve PDF’leri okuyun ve iddiaları resmi kaynaklara karşı doğrulayın.
· 12 dk. oku

Yapay Zeka ile Keşfedin

Hiç bir devlet kurumundan geldiği iddia edilen bir bildirim alıp, bunun gerçek olup olmadığını, yanıt verip vermemeniz gerekip gerekmediğini ya da bir dolandırıcılıkla karşı karşıya olup olmadığınızı merak ettiniz mi?

Yasal bildirimleri okumak zordur; özellikle karmaşık dil, ödeme talepleri ve son tarihlerle iç içe geçtiğinde. Dolandırıcılar, devlet kurumlarını taklit ederek ve yapay bir aciliyet duygusu yaratarak bu kafa karışıklığından yararlanır.

Bu eğitimde, Qwen4-Max ve Qwen-Agent çerçevesini kullanarak bir ABD yasal bildirim analizörü oluşturacağız. Uygulama metin, görseller ve PDF’leri kabul eder; şüpheli ödeme taktiklerini işaretler ve bir doğrulama gerektiğinde resmi hukuk kaynaklarını arar.

Yalnızca büyük dil modeline (LLM) güvenmek yerine, onu iki Python aracıyla eşleştireceğiz. İlki, yaygın dolandırıcılık göstergelerini yakalamak için düzenli ifadeler kullanır. İkincisi, resmi devlet sitelerini ve Cornell Legal Information Institute’u (LII) aramak için Olostep’i kullanır.

Kısaca

  • Qwen4-Max, Qwen-Agent ve Olostep ile metin, fotoğraf ve PDF kabul eden bir yasal bildirim analizörü oluşturuyoruz.
  • Regex tabanlı bir risk kapısı, model herhangi bir araştırma yapmadan önce dolandırıcılık kalıplarını ve benzer görünümlü alan adlarını işaretler.
  • Bir araştırma aracı, aramaları .gov siteleri ve Cornell LII ile sınırlar; bildirim açıkça sahteyse aracı araştırmayı atlar.
  • Benim testlerimde Qwen4-Max, fotoğraflanmış bildirimleri iyi okudu; ancak basit görevlerde yavaştı ve yerleşik web araması güvenilir değildi.

Qwen4-Max Nedir?

Qwen4-Max, 16 Kasım 2026’da piyasaya sürülen Qwen4 ailesindeki Alibaba’nın amiral gemisi modelidir. Seyrek uzman karışımı (MoE) mimarisi, yerel görme yeteneği ve daha büyük bağlam penceresiyle; karmaşık akıl yürütme ve ajans tabanlı uygulamalar için tasarlanmıştır.

Projemiz için en ilgili özellikler şunlardır:

  • Seyrek MoE mimarisi: Qwen4-Max, 2,4T omurga parametresine, belirteç başına 71B etkin parametreye ve ek 328B N-gram gömme parametresine sahiptir. Gated DeltaNet katmanları ve Qwen Sparse Attention, uzun bağlam maliyetlerini düşük tutar.
  • Yerel görme: Model görselleri doğrudan okur; böylece ayrı bir optik karakter tanıma (OCR) hattı kurmadan yasal bir bildirimin fotoğrafını gönderebiliriz.
  • 1M belirteçlik bağlam penceresi: Uzun belgeler ve çok sayıda destekleyici bilgi için yeterince büyüktür.
  • Daha iyi belirteç verimliliği: Alibaba’ya göre, Qwen4-Max, Work360’ta Yüksek akıl yürütme çabasında Qwen3.8-Max’e kıyasla yaklaşık %35 daha az belirteç kullanır ve Terminal-Bench 4.0’da yaklaşık %49 daha az. Xhigh çabada ise azalmalar yaklaşık %24 ve %48’dir.
  • Daha düşük görev maliyetleri: Work360’ta Qwen4-Max 47,74’ten 52,69’a yükselirken; görev başına ortalama maliyet 4,43 $’dan 1,67 $’a düşerek %62 azalmıştır.

Alibaba’nın duyurusundaki kıyaslama sonuçları, Qwen4-Max’in Qwen3.8-Max’e göre Alibaba’nın değerlendirdiği hemen her yetenekte ilerleme kaydettiğini gösteriyor:

Alibaba’nın Qwen4-Max ve diğer modelleri kodlama, iş ve uzun ufuklu görevler genelinde karşılaştıran kıyaslaması

Şekil 1: Qwen4-Max kıyaslama sonuçları. Görsel kaynağı: Qwen, Qwen4-Max: Yeni Takım Arkadaşınız Geldi.

Yasal Bildirim Analizörü Nasıl Çalışır?

Analizör, iki Python aracını koordine eden tek bir Qwen-Agent asistanıdır; belgeyi anlama ve akıl yürütmeyi ise Qwen4-Max üstlenir. Kod yazmadan önce iş akışına bakalım.

Bildirim girişinden risk kapısı ve hukuk araştırmasına, oradan nihai yanıta kadar yasal bildirim analizörünün iş akışı diyagramı

Şekil 2: Yasal bildirim analizörü iş akışı.

İş akışı 6 adımdan oluşur:

  1. Kullanıcı bildirimi metin, görsel veya PDF olarak gönderir.
  2. Qwen4-Max belgeyi okur ve ana içeriğini belirler.
  3. Aracı, şüpheli ödeme talimatlarını, tehditleri ve bağlantıları kontrol etmek için risk_gate aracını çağırır.
  4. Belge bariz şekilde sahteyse aracı harici araştırmayı atlar.
  5. Aksi halde, aracı resmi hukuk kaynaklarını aramak için lookup_law aracını çağırır.
  6. Qwen4-Max; karar, özet, kanıt ve önerilen sonraki adımları içeren yapılandırılmış bir yanıt üretir.

Temel tasarım tercihi; LLM’in her şeyi yapmamasıdır. Python belirleyici kontrolleri üstlenir, Olostep harici araştırmayı yürütür, Qwen4-Max ise belgeyi anlama ve akıl yürütmeyi yönetir.

Bu yaklaşım, iş akışını basit tutarken araca her iş için uygun bir araç sağlar. Aracı (agent) terminolojisi size yeni geliyorsa, Yapay Zeka Ajanlarına Giriş kursumuz temel kavramları kod yazmadan açıklar.

1. Ortamın Hazırlanması

Jupyter Notebook, model erişimi için QwenCloud ve web araması ile kazıma için Olostep kullanacağız.

Önce QwenCloud’a bir hesap oluşturun, kredi ekleyin veya bir Token Plan’a abone olun ve panodan bir API anahtarı oluşturun. QwenCloud, seçtiğiniz bölgeye göre bir API uç noktası sağlar.

Hukuk araştırması için bir Olostep API anahtarı da gereklidir.

Jupyter Notebook’u başlatmadan önce ortam değişkenlerinizi terminalde ayarlayın. Bunları not defteri içinde os.environ ile de ayarlayabilirsiniz.

export QWEN_API_KEY="your-qwen-api-key"
export QWEN_BASE_URL="https://token-plan.maas.qwencloudapi.com/compatible-mode/v1"
export OLOSTEP_API_KEY="your-olostep-api-key"

Ben, modellere indirimli erişim sağlayan Token Plan uç noktasını kullanıyorum. Kullanım başına ödeme yapıyorsanız, bunun yerine QwenCloud’un bölgeniz için gösterdiği uç noktayı kullanın.

Sonraki adımda, not defterinize gerekli bağımlılıkları kurun:

%pip install -q "qwen-agent[rag]" olostep soundfile tqdm

rag eklentisi, PDF okumak için kullanacağımız pdfplumber gibi belge işleme paketlerini ekler. Sürüm 0.0.34 itibarıyla Qwen-Agent, bağımlılık olarak belirtmeden başlatmada soundfile ve tqdm’yi de içe aktarıyor; bu yüzden ikisini açıkça kuruyoruz.

Qwen4-Max’i yapılandırma

Şimdi modeli ve Olostep istemcisini başlatıyoruz. Singapur bölgesini kullanıyorum; bu bölge Token Plan da sunuyor.

import logging
import os
import re
import warnings

# The Olostep SDK reads this at import time, so set it first
os.environ.setdefault("OLOSTEP_API_TIMEOUT", "40")

from olostep import Olostep
from qwen_agent.agents import Assistant
from qwen_agent.llm.schema import Message
from qwen_agent.tools.base import BaseTool
from qwen_agent.utils.utils import extract_text_from_message

warnings.filterwarnings("ignore")
logging.getLogger("qwen_agent_logger").setLevel(logging.ERROR)

MODEL = os.getenv("QWEN_MODEL", "qwen4-max")

LLM = {
    "model": MODEL,
    "model_type": "qwenvl_oai",
    "model_server": os.environ["QWEN_BASE_URL"],
    "api_key": os.environ["QWEN_API_KEY"],
    "generate_cfg": {
        "max_tokens": 3000,
        "extra_body": {"reasoning_effort": "low"},
    },
}

olostep = Olostep(api_key=os.environ["OLOSTEP_API_KEY"])

Bu, Qwen4-Max’i çok kipli giriş için yapılandırır, bir akıl yürütme çabası seviyesi ayarlar ve araştırma istemcisini başlatır. OLOSTEP_API_TIMEOUT’un içe aktarmadan önce ayarlandığına dikkat edin; çünkü SDK, yüklenirken bu değeri okur.

Birkaç yapılandırma seçeneğini anlamakta fayda var:

  • model, kullanmak istediğimiz modeli belirtir.
  • model_type, görselleri OpenAI uyumlu çok kipli arabirim üzerinden göndermemize imkân tanır.
  • model_server, QWEN_BASE_URL’den gelen uç noktayı gösterir.
  • max_tokens, oluşturulan yanıtın uzunluğunu sınırlar.
  • reasoning_effort, modelin ne kadar akıl yürüteceğini kontrol eder. Yanıtları hızlı tutmak için low kullanıyoruz.
  • OLOSTEP_API_TIMEOUT, araştırma isteklerine saniye cinsinden bir zaman sınırı koyar.

Yeniden kullanılabilir aracı yardımcıları oluşturma

Hem metin hem görsel girdileri işleyeceğiz; bu nedenle aracı çalıştırmak için yeniden kullanılabilir bir işlev oluşturalım.

def run_agent(agent, prompt, images=None):
    content = [{"text": prompt}] + [
        {"image": image} for image in (images or [])
    ]
    final = agent.run_nonstream([
        {"role": "user", "content": content}
    ])
    return extract_text_from_message(
        Message.model_validate(final[-1]),
        add_upload_info=False,
    )

Bu işlev, istemi ve isteğe bağlı görselleri Qwen-Agent’e gönderir, nihai yanıtı bekler ve üretilen metni çıkarır.

Ayrıca PDF okumak için bir yardımcıya ihtiyacımız var.

def read_pdf(path):
    import pdfplumber

    with pdfplumber.open(path) as pdf:
        return "\n".join(
            page.extract_text() or "" for page in pdf.pages
        )

Bu işlev, her PDF sayfasından seçilebilir metni çıkarır ve tek bir dizede birleştirir.

Not: pdfplumber OCR yapmaz. Yalnızca görsel içeren taranmış PDF’ler için her sayfayı bir görsel olarak işleyin ve doğrudan Qwen4-Max’e gönderin.

2. Risk Kapısı ile Dolandırıcılık Tespiti Oluşturma

İlk özel araç şüpheli davranışları belirler. LLM’den her şüpheli ödeme talimatını tanımasını istemek yerine, bilinen dolandırıcılık taktiklerini tespit etmek için düzenli ifadeler kullanabiliriz.

Bu yaklaşım daha hızlıdır, belirleyicidir ve model belirteci tüketmez. Sözdizimi tazelemesi isterseniz, Python’da Düzenli İfadeler kursumuz bunu kapsar.

Dolandırıcılık tespit kurallarını tanımlama

Önce bir düzenli ifade listesi ve devlet kurumları ile resmi alan adları arasındaki eşleştirmeyi oluşturalım.

RULES = [
    ("gift cards", r"\b(gift\s*cards?|itunes|google play|amazon card)\b"),
    ("crypto", r"\b(bitcoin|btc|usdt|crypto\w*|coinbase|binance)\b"),
    ("wire transfer", r"\b(wire transfer|western union|moneygram)\b"),
    ("payment app", r"\b(zelle|venmo|cash app|paypal)\b"),
    ("arrest threat", r"\b(arrest|warrant|deport\w*)\b"),
    ("extreme urgency", r"\b(within 24 hours|final notice|last chance)\b"),
    ("secrecy", r"\b(do not (tell|discuss|contact)|keep this confidential)\b"),
    ("card numbers by phone", r"\bcard numbers?\b"),
    ("qr or crypto atm", r"\b(qr code|bitcoin atm|crypto atm)\b"),
]

OFFICIAL = {
    "irs": "irs.gov",
    "internal revenue": "irs.gov",
    "ftc": "ftc.gov",
    "cfpb": "consumerfinance.gov",
    "social security": "ssa.gov",
    "uscis": "uscis.gov",
    "justice": "justice.gov",
    "hud": "hud.gov",
    "uscourts": "uscourts.gov",
}

URL_RX = re.compile(r"https?://[^\s)\"'<>]+")

Bu kod, dolandırıcılık göstergelerini tanımlar ve kurum adlarını o kurumların gerçekten kullandığı alan adlarına eşler. Örneğin, bir bildirim IRS’ten bahsediyorsa, uygulama bağlantılarını irs.gov’a karşı kontrol eder.

Alan adlarını çıkarma ve doğrulama

Sonraki adımda, bir URL’den ana makine adını çıkaran bir yardımcıya ihtiyacımız var.

from urllib.parse import urlparse


def host_of(url):
    return (urlparse(url).hostname or "").lower().rstrip(".")


def is_official_domain(host, domain):
    return host == domain or host.endswith("." + domain)

Bu, ana makine adını çıkarır ve bunun resmi alan adı mı yoksa meşru bir alt alan mı olduğunu kontrol eder. Bu ayrım önemlidir: basit bir endswith() kontrolü fakeirs.gov’u IRS sitesi olarak kabul edebilir.

Risk kapısı aracını uygulama

Artık bu kuralları özel bir Qwen-Agent aracında birleştirebiliriz.

class RiskGate(BaseTool):
    name = "risk_gate"
    description = (
        "Scan a notice for payment tactics, threats, urgency, "
        "secrecy, and suspicious agency links. "
        "Call once before any other tool."
    )
    parameters = {
        "type": "object",
        "properties": {
            "text": {
                "type": "string",
                "description": (
                    "The full notice text, including links "
                    "and payment instructions."
                ),
            }
        },
        "required": ["text"],
    }

    def call(self, params, **kwargs):
        text = self._verify_json_format_args(params)["text"]
        low = text.lower()
        flags = [
            f"scam indicator: {label}"
            for label, pattern in RULES
            if re.search(pattern, low)
        ]
        agency = next(
            (
                domain
                for word, domain in OFFICIAL.items()
                if re.search(rf"\b{re.escape(word)}\b", low)
            ),
            None,
        )
        if agency:
            hosts = {
                host_of(url)
                for url in URL_RX.findall(text)
            }
            flags += [
                f"lookalike domain: {host} is not {agency}"
                for host in sorted(hosts)
                if host and not is_official_domain(host, agency)
            ]
        return "\n".join(flags) or "no flags"

Bu araç, bildirimi eşleşen kalıplar için tarar, URL’lerini kurumun resmi alan adına karşı kontrol eder ve şüpheli göstergeleri döndürür. Kurum adları tam kelime olarak eşleştirilir; böylece "irs" ifadesi "first" gibi kelimelerde tetiklenmez.

Örneğin, Test 1’deki kurgusal IRS bildirimi şunu üretir:

scam indicator: gift cards
scam indicator: wire transfer
scam indicator: arrest threat
scam indicator: extreme urgency
scam indicator: secrecy
scam indicator: card numbers by phone
lookalike domain: irs-gov-payments.top is not irs.gov

Aracı bu sonuçları bağlamının bir parçası olarak alır ve bildirimin şüpheli olup olmadığına karar verirken bunlardan yararlanır.

3. Hukuk Araştırma Aracını Oluşturma

İkinci aracımız harici araştırmayı yönetir. Aracının rastgele siteleri, tartışma forumlarını veya hukuk bürosu bloglarını aramasını ve bulduklarının tümünü yetkili kabul etmesini istemiyoruz.

Bunun yerine, araştırmayı resmi ABD devlet siteleri ve Cornell LII ile sınırlarız. Tek istekte birden fazla sonucu arayıp kazıyabildiği için Olostep’i kullanacağız. Başka bir seçenekle karşılaştırmak isterseniz, Firecrawl eğitimimize bakın.

Araştırma kısıtlarını tanımlama

Önce izin verilen kaynakları ve ne kadar veri çekeceğimize dair bazı sınırları tanımlayalım.

def is_allowed_host(host):
    return host.endswith(".gov") or is_official_domain(
        host, "law.cornell.edu"
    )


MAX_PAGES = 2
PAGE_CHARS = 3000

is_allowed_host() işlevi .gov sitelerini ve Cornell LII’yi kabul eder. is_official_domain()’i yeniden kullandığı için fakelaw.cornell.edu gibi benzer görünümler reddedilir. Ayrıca en fazla 2 sayfa ve sayfa başına en fazla 3.000 karakter tutarız.

LookupLaw aracını uygulama

Şimdi ikinci özel aracı oluşturalım.

class LookupLaw(BaseTool):
    name = "lookup_law"
    description = (
        "Search for official US legal guidance using "
        "government websites and Cornell LII. "
        "Return the most relevant page excerpts."
    )
    parameters = {
        "type": "object",
        "properties": {
            "query": {
                "type": "string",
                "description": "One plain-English legal question.",
            },
            "domain": {
                "type": "string",
                "description": "Optional domain, such as irs.gov.",
            },
        },
        "required": ["query"],
    }

    def __init__(self):
        super().__init__()
        self.sources = []

    def call(self, params, **kwargs):
        args = self._verify_json_format_args(params)
        found = olostep.searches.create(
            args["query"][:200],
            limit=5,
            include_domains=(
                [args["domain"]] if args.get("domain") else None
            ),
            scrape_options={
                "formats": ["markdown"],
                "timeout": 20,
            },
        )
        pages = []
        for link in found.links:
            host = host_of(link["url"])
            if not is_allowed_host(host):
                continue
            body = (
                link.get("markdown_content")
                or link.get("description")
                or ""
            )[:PAGE_CHARS]
            if body:
                self.sources.append(link["url"])
                pages.append(f"### {link['url']}\n{body}")
            if len(pages) == MAX_PAGES:
                break
        return "\n\n".join(pages) or (
            "No official page found. Results outside "
            ".gov and Cornell LII are treated as unreliable. "
            "Try a shorter query with the statute or agency name."
        )

Bu araç, Olostep’e bir arama isteği gönderir, sonuçları filtreler, sayfa içeriğini çıkarır ve seçili alıntıları Qwen4-Max’e döndürür.

Dikkate değer üç uygulama ayrıntısı:

  • En fazla 5 arama sonucu getiririz; ancak en fazla 2 nitelikli sayfayı tutarız.
  • Kazınmış Markdown’ı tercih eder, sayfa açıklamasına geri döneriz.
  • Alınan URL’leri self.sources içinde saklarız; böylece uygulama analizin ardından bunları görüntüleyebilir.

4. Qwen-Agent ve Qwen4-Max ile Aracı Oluşturma

Artık her iki özel araca da sahibiz: risk_gate şüpheli davranışları tanımlar, lookup_law ilgili hukuk bilgisini getirir. Sırada bunları koordine eden aracı oluşturmak var.

Tek bir sistem istemi iş akışını, araç sırasını ve yanıt biçimini tanımlar. Bu tür bir kurulum için Qwen-Agent tek seçenek değildir; LangChain ile LLM Uygulamaları Geliştirme kursumuz başka bir çerçeveyi ele alır.

Sistem istemini tanımlama

SYSTEM = """You explain a US legal or government notice
to the person who received it, in plain English.
You are not a lawyer.

How to work:
- Read the notice, text or images. Report only what
  the document actually says.
- Call risk_gate once with the notice text before
  using any other tool.
- Treat risk_gate flags as evidence, not proof.
  Flags can make a notice suspicious but cannot
  establish that it is legitimate.
- If the notice is plainly fraudulent, say so and
  skip research.
- Otherwise, call lookup_law with one plain question
  about the main legal issue.
- Call lookup_law a second time only if the first
  call returns no official page.
- Never invent a law, citation, phone number, amount,
  or deadline.
- Report deadlines using the document's own words.
  Separate a stated deadline from whether it is credible.
- If a returned page does not verify a claim,
  explicitly say it could not be verified.
- Never suggest ignoring a legal notice.
- Separate what the document establishes from
  what is assumed.
- Keep each section under 80 words.
- Use plain English, short sentences, and bullets.
- Avoid em dashes and contractions.

Begin with this verdict block:
**Scam:** yes, probably, or no
(confidence: low, medium, or high).
**Time sensitive:** yes or no, followed by the
exact deadline in the document, or \"no deadline stated\".
**Demand:** the amount and what the document asks
for, or \"nothing is demanded\".

Then write these sections in order:
### Summary
Explain what the document is and what happens
if nothing is done. Use 3 or 4 sentences.
### Evidence
Include one bullet per important finding.
Quote the document or the official page where
possible. Include risk_gate flags.
If the scan returned no flags, explicitly say so.
No flags is not proof that a notice is legitimate.
### Next steps
Give numbered actions in the order they should
be taken.
If the notice threatens eviction, foreclosure,
a lawsuit, arrest, or deportation, the first action
must be to contact a qualified attorney or legal aid.
Explain that waiting creates a risk.
Never confuse a document's claimed deadline with
a verified legal deadline.

Do not include a sources section or legal disclaimer.
The application appends both."""

Bu istem, ajanın sorumluluklarını tanımlar ve yasal bilgileri uydurmasını engeller. Bir talimat daha yakından incelenmeyi hak ediyor: son tarihler.

Sahte bir bildirim de son tarih içerebilir; bu nedenle aracı, belgenin iddia ettiğini rapor etmeli ve bu son tarihin güvenilir olup olmadığını açıklamalıdır.

Sorumluluk reddi ve kaynak işleme ekleme

Sorumluluk reddini sistem isteminin dışında tutuyoruz; böylece Python bunu tutarlı şekilde ekleyebilir.

NO_SOURCE = (
    "No official page was retrieved for this notice, "
    "so treat any legal statement above as unverified."
)

DISCLAIMER = (
    "\n---\n"
    "**Not legal advice.** Verify deadlines and citations "
    "with the issuing authority, using contact details "
    "you find independently, not those printed in the notice."
)

Bu, hukuk araştırması resmi bir kaynak döndürmediğinde bir yedek mesaj sağlar ve her yanıt bir yasal sorumluluk reddi taşır.

Ana analiz işlevini oluşturma

Son olarak, her şeyi tek bir yeniden kullanılabilir işlevde birleştirelim.

def analyze_notice(text=None, images=None):
    research = LookupLaw()
    agent = Assistant(
        llm=LLM,
        system_message=SYSTEM,
        function_list=[
            RiskGate(),
            research,
        ],
    )
    prompt = (
        f"Notice text:\n\n{text}"
        if text
        else "The notice is attached as image files."
    )
    answer = run_agent(agent, prompt, images)
    sources = "\n".join(
        f"- {url}" for url in research.sources
    )
    return (
        f"{answer}\n\n"
        f"## Sources\n\n"
        f"{sources or NO_SOURCE}\n"
        f"{DISCLAIMER}"
    )

Bu işlev, her belge için yeni bir aracı oluşturur, analizi çalıştırır, elde edilen kaynakları toplar ve nihai yanıtı döndürür. Her bildirimin kendi kaynak listesine sahip olması için LookupLaw()’u işlev içinde oluştururuz.

5. Yasal Bildirim Analizörünü Test Etme

Artık çalışan bir yasal bildirim analizörümüz var. Bunu 3 örnek belge üzerinde test edelim:

  1. Kurgusal bir IRS dolandırıcılık mektubu.
  2. Bir Florida tahliye bildiriminin fotoğrafı.
  3. Bir PDF ihtarname (cease and desist) mektubu.

Her test iş akışının farklı bir bölümünü sınar.

Test 1: Bir IRS dolandırıcılık mektubu

İlk örnek, kurgusal bir IRS dolandırıcılık mektubudur. Alıcının 4.870 $ federal gelir vergisi borcu olduğu ve 24 saat içinde ödeme yapması gerektiği iddia edilir.

Ayrıca tutuklama tehdidi içerir, hediye kartları veya havale ile ödeme ister ve şüpheli bir web sitesi barındırır. Örnek girdi aşağıdadır:

from IPython.display import Markdown

FICTIONAL_NOTICE = """
INTERNAL REVENUE SERVICE
NOTICE OF FINAL DEMAND
Date of Notice: November 10, 2026

Our records show an outstanding balance of
$4,870.00 in federal income tax for tax year 2024.

You must resolve this balance within 24 hours.
Failure to comply will result in a warrant for your
arrest and your wages being garnished.

Do not discuss this notice with anyone.

Pay using Apple or Google Play gift cards and
provide the card numbers over the phone, or by
wire transfer through:
https://irs-gov-payments.top/pay?ref=MW4471
""".strip()

Markdown(analyze_notice(text=FICTIONAL_NOTICE))

Bu, kurgusal bir bildirim oluşturur ve analizi için aracıya gönderir.

Çıktı:

Kurgusal IRS dolandırıcılık mektubu için yasal bildirim analizörü çıktısı

Şekil 3: Kurgusal IRS dolandırıcılık mektubu için analizörün çıktısı.

Tarama, birkaç şüpheli gösterge bulur ve aracı harici hukuk araştırmasını atlar. Bariz bir dolandırıcılık için istediğimiz de budur: belirleyici kontroller zaten sahteciliği işaret ediyorsa uygulama araştırmaya fazladan belirteç harcamaz.

Bu testin gösterdiği: Risk kapısı, yaygın dolandırıcılık taktiklerini tanımlayabilir ve aracının gereksiz harici araştırmadan kaçınmasına yardımcı olabilir.

Test 2: Bir tahliye bildirimi fotoğrafı

İkinci test, Qwen4-Max’in yerel görme yeteneğine odaklanır. Metni kendimiz çıkarmak yerine, bir tahliye bildirimi fotoğrafını doğrudan modele göndeririz.

Örneğimiz, 1.850 $ ödenmemiş kira talep eden veya 23 Kasım 2026’ya kadar mülkiyetin geri verilmesini isteyen Florida üç günlük bildirimidir. Kod şöyle:

Markdown(
    analyze_notice(
        images=["samples/eviction.png"]
    )
)

Bu, fotoğrafı doğrudan Qwen4-Max’e gönderir; ayrı bir OCR hattına gerek yoktur. Qwen’in görme yeteneğini araç çağrımıyla birleştiren başka bir kurulum için, fatura işleme üzerine Qwen 3.6 Plus API eğitimimize bakın.

Çıktı:

Florida tahliye bildirimi fotoğrafı için yasal bildirim analizörü çıktısı

Şekil 4: Fotoğraflanan tahliye bildirimi için analizörün çıktısı.

Model, fotoğrafı anladı; tutarı ve son tarihi çıkardı ve bildirim türünü belirledi. Getirilen yasal sayfanın ilgili maddeyi doğrulamak için yeterli bilgi içermediğini not etti ve örnek belgede imza ve tebligat alanlarının boş olduğunu saptadı.

Bu testin gösterdiği: Qwen4-Max, fotoğraflanan yasal belgeleri doğrudan yorumlayabilir; Qwen-Agent ise ek araştırmayı koordine eder ve belirsizliği iletişime döker.

Test 3: Bir PDF ihtarname mektubu

Son testte, iki sayfalık bir PDF ihtarname (cease and desist) mektubu kullanıyoruz.

Belge 17 U.S.C. § 501 ve 512’yi atıf gösterir, telif hakkı ihlali iddia eder ve alıcıdan ihtilaflı içeriği kaldırıp 28 Kasım 2026’ya kadar uyumu teyit etmesini ister. PDF seçilebilir metin içerdiğinden, read_pdf() yardımcımızı kullanabiliriz. Kod şöyle:

pdf_text = read_pdf("samples/legal.pdf")

Markdown(
    analyze_notice(text=pdf_text)
)

Bu, PDF içeriğini çıkarır ve ortaya çıkan metni aynı aracıya gönderir.

Çıktı:

PDF ihtarname mektubu için yasal bildirim analizörü çıktısı

Şekil 5: İhtarname mektubu için analizörün çıktısı.

Aracı, özel bir hukuki talebi resmi bir devlet veya mahkeme bildirinden doğru şekilde ayırır. Para talep edilmediğini fark eder ve önerilerini buna göre uyarlar. Araştırma aracı, nihai kaynaklarda görülen ilgili bir ABD Telif Hakkı Ofisi sayfasını getirdi.

Bu testin gösterdiği: Aynı aracı, PDF yazışmalarını işleyebilir, hukuki talebin niteliğini belirleyebilir ve uygun sonraki adımları önerebilir.

Qwen4-Max Deneyimim: İyiler, Kötüler ve Zorlayanlar

Qwen4-Max’i bu proje, diğer ajans tabanlı uygulamalar ve vibe coding için kullandıktan sonra dürüst değerlendirmem şu şekilde.

İyi

Qwen ekosistemi geniş bir alanı kapsıyor. Konuşmadan metne, metinden konuşmaya, web araması, web kazıma ve sıfırdan her şeyi uygulamadan ajans tabanlı uygulamalar inşa etmeye yönelik açık kaynak bir araç takımı içeriyor.

En çok, Qwen4-Max’in ayrıntılı talimatları iyi takip etmesini beğendim. Genel olarak istenen çıktı yapısına saygı duydu, belgelerden tarihleri çıkardı ve testlerimde doğru özetler üretti.

Görsel anlama becerisi öne çıktı. Yasal bir bildirimin fotoğrafını verdim ve ek bir OCR hattına gerek olmadan içeriği okudu; bu, belge ağırlıklı ajans uygulamaları için büyük bir avantaj.

Kötü

Hız en büyük sorundu. Qwen4-Max, vibe coding için tercih ettiğim model olmadı: DeepSeek V4.1 Flash ve test ettiğim diğer modellere kıyasla, basit görevleri bitirmesi çoğu zaman fark edilir derecede daha uzun sürdü.

Sık sık saniyede yaklaşık 100 belirteç üretim hızı gördüm; ancak bu sayı gerçek maliyeti gizliyor. Model, basit değişiklikler üzerinde uzun süre akıl yürüttü; bazen basit bir düzenleme istedim ve beklediğimden çok daha uzun bekledim.

Daha hızlı seçeneği kendiniz denemek isterseniz, bunu DeepSeek V4.1 Flash API eğitimimizde ele alıyoruz.

Zorlayan

Yerleşik web araması en sinir bozucu kısımdı. Testlerimde yanıt süreleri tutarsızdı: aynı sorgu saniyeler içinde dönebilir ya da neredeyse bir dakika sürebilir; bazı istekler ise 400 saniyeyi aşarak tamamlanmadı.

Araştırma iş akışımın üç çalıştırması neredeyse 16 dakika sürdü. Bu, harici hukuk bilgisine bağlı bir uygulama için yeterince güvenilir değildi.

Yerleşik aramayı Olostep ile değiştirmek zorunluluk haline geldi; bu da başlangıçta planladığım gibi tamamen Qwen ekosistemine güvenemeyeceğim anlamına geliyordu.

DeepSeek Harness ile denemeler yaparken başka bir sorunla karşılaştım. Hisse senedi piyasasını araştırmaya dair basit bir soru sordum; iş akışı istekte uzun süre oyalandıktan sonra bir hata döndürdü. Bu kadar basit bir görev için can sıkıcıydı.

Genel olarak, Qwen4-Max etkileyici yeteneklere sahip; ancak akıl yürütme ek yükü ve tutarsız yerleşik araması, üretim iş akışlarını bunun etrafında inşa etmeden önce tartmaya değer. Qwen modelleriyle devam etmek isterseniz, Qwen 3.7 Max API eğitimimiz öz değerlendirmeli bir verimlilik ajanını adım adım anlatır.

Abid Ali Awan

Yazar

Abid Ali Awan

Sertifikalı bir veri bilimcisi olarak, yenilikçi makine öğrenimi uygulamaları oluşturmak için en son teknolojileri kullanmaya büyük ilgi duyuyorum. Konuşma tanıma, veri analizi ve raporlama, MLOps, konuşma yapay zekası ve NLP alanlarında güçlü bir geçmişe sahip olarak, gerçek bir etki yaratabilecek akıllı sistemler geliştirme becerilerimi geliştirdim. Teknik uzmanlığımın yanı sıra, karmaşık kavramları açık ve özlü bir dille ifade etme yeteneğine sahip, becerikli bir iletişimciyim. Sonuç olarak, veri bilimi konusunda aranan bir blog yazarı oldum ve giderek büyüyen veri profesyonelleri topluluğuyla görüşlerimi ve deneyimlerimi paylaşıyorum. Şu anda, içerik oluşturma ve düzenlemeye odaklanıyorum. Büyük dil modelleriyle çalışarak, hem işletmelerin hem de bireylerin verilerinden en iyi şekilde yararlanmalarına yardımcı olabilecek güçlü ve ilgi çekici içerikler geliştiriyorum.

Konular

İlgili