Bir avukat müvekkiliyle ilgili bir soruyu genel amaçlı bir dil modeline sorduğunda çoğunlukla şunu alır: doğru görünen, ama hukuki açıdan işe yaramaz bir yanıt. Model güven verici bir sesle, Türk medeni hukukuyla çelişen bir İngiliz içtihadına atıf yapabilir. Ya da geçerli bir hukuki argümanı yanlış bir prosedürel çerçeveye oturtabilir.

Bu yalnızca modelin "yeterince iyi olmadığının" işareti değildir. Hukukun kendine özgü bir epistemolojisi olduğunun işaretidir; genel amaçlı modeller bu epistemoloji için eğitilmemiştir.

Genel modellerin yapısal sınırı

Büyük dil modelleri internetteki genel metin dağılımından öğrenir. Hukuki içerik bu dağılımda küçük bir dilim oluşturur ve oldukça heterojendir: farklı ülkeler, farklı hukuk sistemleri, farklı dönemler. Model bu heterojenliği ortalamak zorunda kalır.

Oysa hukukta bağlam, yetki alanı ve dönem belirleyicidir. 2018 tarihli bir Yargıtay kararı, 2024 tarihli bir kararla çelişiyor olabilir. Türk borçlar hukukundaki bir kavram, Alman hukukundaki semantik karşılığından önemli ölçüde ayrışıyor olabilir. Genel model bu nüansları çoğunlukla göremez.

"Hukukta yanlış bir cevap, cevap vermemekten daha tehlikelidir."

Fine-tuning nedir ve ne değildir?

Fine-tuning, bir temel modeli belirli bir alan için yeniden eğitmek değildir, temel modelin ağırlıklarını, hedeflenen görev ve alan üzerinde ince ayar yapmaktır. Bunu bir benzetmeyle açıklayalım: temel model, geniş genel kültürü olan bir uzman gibidir. Fine-tuning, o uzmana yoğun bir sektörel staj yaptırır; genel kültürünü kaybetmeden alandaki dili, kavramları ve pratikleri içselleştirir.

Hukuk için fine-tuning özellikle zorludur çünkü üç farklı yetenek alanı aynı anda geliştirilmelidir:

  • Terminoloji hassasiyeti: "Edim", "ifa", "temerrüt", "kusursuz sorumluluk", her kavramın hukuki ağırlığı ve semantik sınırı vardır.
  • Prosedürel farkındalık: Hangi mahkeme hangi davaya bakar? Hangi süre kısıtlamaları geçerlidir? Delil standartları nelerdir?
  • İçtihat okuması: Yargı kararlarındaki gerekçe zincirini takip etmek, emsal niteliğini yorumlamak.

Q/MENS'in yaklaşımı

1. Alana özgü veri derleme

Akademik hukuk metinleri, yargı kararları ve pratik hukuk belgeleri aynı veri kümesinde düşünülmemelidir. Her biri farklı bir dil ve farklı bir amaç taşır. Q/MENS'te veri kümesi bu üç kaynak türü için ayrı ayrı derlenir; model her katmanda ayrı ayrı test edilir.

2. Güvenli yanıt mimarisi

Hukuki bir bağlamda "bilmiyorum" demek, yanlış bir yanıt vermekten çok daha değerlidir. Q/MENS'in eğitiminde modelin belirsizlik sinyali vermesi temel ilkedir. Model bir soruyu belirli bir güven eşiğinin altında yanıtlayacaksa, bunu açık biçimde belirtmeli ve ek kaynaklara yönlendirmelidir.

3. Yapılandırılmış çıktı disiplini

Avukat için yararlı bir model çıktısı akıcı bir paragraf değildir. Hukuki değerlendirme, dayandığı kaynak, geçerli olduğu koşullar ve sınırlılıkları içeren yapılandırılmış bir yanıttır. Q/MENS'in çıktı formatı bu yapıya göre tasarlandı.

Modelin ne bildiği kadar ne bilmediğini bilmesi de kritiktir. Hukukta ikincisi daha değerlidir.

Fine-tuning'in sınırları

Fine-tuning her şeyi çözmez. Hukuki bir modelin güvenilir olabilmesi için sürekli güncellenen içtihat veritabanına erişmesi, çıktılarının uzman avukatlar tarafından denetlenmesi ve kullanım senaryolarının net tanımlanmış olması gerekir.

Q/MENS bu nedenle yalnızca bir model değil, bir iş akışı sistemidir. Model avukatın yerini almak için değil, avukatın zamanını en kritik düşünme anlarına yönlendirmek için tasarlandı. Sözleşme taramak, içtihat özetlemek, müvekkil yazışması taslağı hazırlamak: bunlar Q/MENS'in üstlendiği iş yükleridir.

Karar vermek, yargılamak, savunmak: bunlar her zaman insanın işidir.

Kurumunuz için benzer bir çalışmayı konuşmak isterseniz: Q/MENS · İletişim

When a lawyer asks a general-purpose language model a question about a client matter, they usually get: an answer that sounds correct but is legally useless. The model, in a confident voice, might cite an English precedent that conflicts with Turkish civil law. Or it might place a valid legal argument in the wrong procedural framework.

This isn't just a sign that the model "isn't good enough." It's a sign that law has its own epistemology, and general-purpose models were not trained for it.

The structural limit of general models

Large language models learn from the general distribution of text on the internet. Legal content forms a small, highly heterogeneous slice: different countries, different legal systems, different eras. The model is forced to average this heterogeneity.

But in law, context, jurisdiction, and era are decisive. A 2018 Court of Cassation ruling may contradict a 2024 one. A concept in Turkish law of obligations may diverge significantly from its semantic equivalent in German law. General models usually cannot see these nuances.

"In law, a wrong answer is more dangerous than no answer."

What is fine-tuning and what isn't it?

Fine-tuning is not retraining a base model for a specific domain, it's fine-adjusting the base model's weights on a targeted task. The base model is like an expert with broad general knowledge. Fine-tuning puts that expert through an intensive sector internship; they internalize domain language, concepts, and practices without losing their general knowledge.

Fine-tuning for law is particularly challenging because three capability areas must be developed simultaneously:

  • Terminological precision: "Obligation", "performance", "default", "strict liability", each concept has legal weight and semantic boundaries.
  • Procedural awareness: Which court handles which case? What time limitations apply? What are the evidence standards?
  • Case law reading: Following the chain of reasoning in court decisions, interpreting their precedent value.

Q/MENS's approach

1. Domain-specific data curation

Academic legal texts, court decisions, and practical legal documents should not be treated as the same dataset. Each carries a different language and purpose. In Q/MENS, the dataset is curated separately for each of these three source types, and the model is tested on each layer.

2. Safe response architecture

In a legal context, saying "I don't know" is far more valuable than giving a wrong answer. In Q/MENS's training, teaching the model to signal uncertainty is a core principle. When answering below a confidence threshold, it should say so clearly and direct the lawyer to additional sources.

3. Structured output discipline

A useful model output for a lawyer is not a flowing paragraph: it's a structured response containing the legal assessment, its supporting sources, the conditions under which it applies, and its limitations. Q/MENS's output format was designed around this structure.

As critical as what the model knows is knowing what it doesn't know. In law, the latter is more valuable.

The limits of fine-tuning

Fine-tuning doesn't solve everything. For a legal model to be reliable, it needs access to a continuously updated case law database, outputs reviewed by expert lawyers, and clearly defined use cases.

This is why Q/MENS is not just a model; it is a workflow system. It was designed not to replace the lawyer, but to direct their time toward the most critical thinking moments. Reviewing contracts, summarizing case law, drafting client correspondence: these are the workloads Q/MENS takes on.

Deciding, judging, defending: these are always the human's work.

If you would like to discuss similar work for your organization: Q/MENS · Contact