Morph (YC S23) – AI kod düzenlemelerini saniyede 4.500 token hızında uygulama

• Morph, yapay zeka tabanlı bir kod düzenleyici olup büyük kod tabanlarına saniyede 4.500’den fazla token uygulayabilen yüksek hızlı kod değişiklikleri sunar
• Geliştiriciler, tekrarlayan veya geniş çaplı değişiklik gerektiren işlerde yapay zekanın hızlı işleme yeteneği sayesinde çalışma süresini kısaltabilir
• Mevcut araçlardan farklı olarak, büyük projelerde de işleme yükü olmadan verimli şekilde uygulanabilen bir yapıya sahiptir

Temel özellikler

• 4.500 token/sn desteği: Morph, yüksek işlem hacmiyle birikmiş kod üzerinde AI düzenlemelerini hızla uygulayabilir
• Basit kullanım: Kullanıcı odaklı arayüz ve sezgisel iş akışı sunarak yapay zeka tabanlı kod düzenlemenin giriş engelini düşürür
• Genel kullanım esnekliği: Farklı programlama dilleri ve framework’lerde geniş kapsamda kullanılabilen ölçeklenebilirlik sunar

Kullanım örnekleri ve beklenen etkiler

• Kod refactoring’i, değişken adı değiştirme, yorumların toplu eklenmesi, güvenlik yaması otomasyonu gibi alanlarda yüksek verimlilik sağlar
• Büyük ölçekli kod tabanına sahip şirketler ve startup’larda zaman ve maliyet tasarrufu beklenebilir

[GN⁺]

Hacker News görüşü

• Geliştirici deneyiminde ham çıkarım hızından çok doğruluğun daha önemli olduğu iddiasına pek katılmıyorum. Kullanıcıların çok daha yavaş tok/sec değerlerine katlanarak daha büyük modelleri tercih etmesinin nedeni sonuçta kod kalitesinin birinci ölçüt olması. Büyük kod değişikliklerinde (ör. 5.000 token) 200~300 ms civarındaki gecikme çok anlamlı bir sayı değil. Düzenleme hızının kendisinden ziyade kalite daha büyük bir etken. Kod değişikliğinde 200 ms kısalma kalitenin önüne geçiyorsa buna hiç katılamam. 1~2 ajanı paralel kullanırsanız, siz kodu incelerken düzeltmelerin çoğu zaten tamamlanmış oluyor. Kaliteyi hangi ölçütlerle değerlendirdiğinizi ve hızlı model ile büyük model arasındaki hata oranı farkının ne kadar olduğunu merak ediyorum

  • Bana göre çıkarım hızı yaklaşık %50 artarsa, doğruluğun tek haneli bir oranda iyileşmesinden çok daha fazla değer katıyor. Sonuçta değişiklikleri zaten kendim kontrol etmek zorundayım; bu yüzden daha hızlı yineleme döngüsü bana daha iyi geliyor. Ancak doğruluk yeterince yüksek olur da daha az veya daha seyrek doğrulama yapabilecek seviyeye gelirse, o zaman çıkarım hızı avantajı neredeyse anlamsız hale gelir

  • Kesinlikle katılıyorum. Bir yapay zeka modeli kod değişikliği önerdikten sonra yapılacak ilk iş, ortaya çıkan çıktıyı mutlaka dikkatle incelemektir. Çoğu durumda prompt'ta eksik kalan bağlam ya da belirli bir token yüzünden kodun yinelendiği veya alakasız şekilde üretildiği çok oluyor. Değişiklikleri topluca uygularsanız hata ayıklama daha da zorlaşıyor ve bu tür büyük kod eklemeleri biriktikçe kod tabanının beklenenden hızlı bozulma ihtimali yükseliyor

  • Benim anladığım kadarıyla mesele sadece ±300 ms değil; 300 ms ile 10 saniye gibi çok büyük bir fark var. Bu tür büyük modellerin yanıtını beklemek benim açımdan gerçekten kısıtlayıcı oluyor. Üstelik bu kadar basit işler için gereksiz kaynak tüketimi de var. Aslında kod değişikliklerini akıllıca uygulama işi, mevcut programlama ortamlarında da gayet ele alınabilecek bir alan diye düşünüyorum. Bunun gerçekten LLM gerektirecek kadar zor bir iş olup olmadığını merak ediyorum

  • Görünüşe göre sana göre darboğaz inceleme süresi. Ben şu anda birinin kod ajanı çıktısını çok daha hızlı incelemesine yardımcı olacak bir özellik geliştiriyorum. Vaktin varsa iş akışın hakkında daha ayrıntılı bir görüşme yapmak isterim. Yorumlardan ya da profilimdeki iletişim bilgisinden bana ulaşabilirsin

  • Asıl mesele geliştiricinin flow durumunu koruması diye düşünüyorum. Hem hatalar hem de gecikmeler bu akışı bozuyor. Sonuç olarak kodlamada en önemli unsur kalite (doğruluk). Kalite değerlendirmesinde büyük ölçüde iki ölçüt kullanıyoruz. Birincisi, kullanıcının sorgusundan görevin tamamlanmasına kadar tüm hattı değerlendiren uçtan uca performans (aider tarzı bench); ikincisi ise uygulama doğruluğu (gramer/sözdizimi sorunları, karakter düzeyinde diff vb.). Büyük ve hızlı modeller arasındaki hata oranı farkı yaklaşık %2 civarında. Karmaşık ya da zor diller için büyük model daha uygun ve göreve en uygun modeli otomatik yönlendiren bir seçenek de var

• microsoft copilot kullandım ve özellikle kod uygulama aşamasında çok yavaş ve kullanışsız geldi. Kaynakları bol bir yerde modelin düzgün eğitilememiş olması tuhaf. İstek: En iyi diff formatını LLM'nin üretebilmesi için sistem prompt'unu resmi dokümantasyona ekleseniz iyi olur. LLM her yükseltildiğinde diff formatı sık sık değişiyor; hangi formatın en iyisi olduğunu sürekli tahmin etmek zorunda kalmak yorucu. Ayrıca gizlilik politikasını tam anlayamadım; benim yorumuma göre ücretli kullanıcıların verileri de saklanıyor/eğitimde kullanılıyor mu? (Telefon olmadan) sadece hizmet için ödeme yapıp verilerimin eğitimde kullanılmamasını sağlamanın bir yolu var mı merak ediyorum. Morph Privacy Policy referans alınmıştır

  • ZDR (Zero Data Retention) seçeneği de mümkün. [e-mail] adresine e-posta gönderirseniz ayarlayabiliriz. Morph'u OpenRouter üzerinden kullanırsanız her zaman Zero Data Retention olur

  • “Modeli benim verilerimle eğitmeyin” talebi biraz komik bir iddia. Bu modellerin ortaya çıkma biçimi zaten başkalarının kodlarıyla eğitilmelerine dayanıyor. Bu araçları kullanırken kendi verilerimin eğitime dahil edilmesini istememek, aslında bencilce bir düşünce; bir tür kolektif fayda ikilemi gibi. Modelin daha iyi hale gelmesi de bu şekilde oluyor

• Resmî demoda verilen HTML örneğini https://morphllm.com/dashboard/playground/apply üzerinde aynen uyguladım; hiçbir değişiklik istememiş olmama rağmen CSS eklendi, hatta bir contact bölümü oluştu. Bunlar güncelleme talimatlarında yoktu

  • Bunu çok iyi yakalamışsın. HTML örneğinde hardcoded snippet'in yorumu kaldırılmamıştı. Şimdi düzelttik

• Maliyet açısından bakınca Morph'un Gemini Flash'tan epey pahalı olduğu izlenimi var. Gemini Flash da gayet iyi kod üretebiliyor ve düzenlemeleri hızlı yansıtan yapay zeka hoş, ama fiyat bandı hafif değil. Örneğin Morph v3 fast için input $1.20/M token, output $2.70/M token; Gemini 2.5 Flash için ise input $0.30/M token, output $2.50/M token (kaynak: OpenRouter)

  • Bu fiyatlar 0 veri saklama seçeneği için. Morph'un resmî web sitesi fiyatları input $0.80 / 1M token, output $1.20 / 1M token. Yüksek hacim/ayrılmış instance için indirim politikamız da var

• Karışıklık olmasın diye soruyorum: Morph, başka LLM'lerin çıktısını “uygulayan” bir araç mı, yoksa kendi LLM'i de var mı? Yani saniyede 4.500 token üretmekten değil, uygulama hızından mı söz ediliyor?

  • Evet. Ama Morph'un kendisi de bir LLM. Pratikte yapı, büyük bir LLM'nin küçük bir LLM'yi araç çağrısı gibi kullanması şeklinde

• Oldukça etkileyici. İç yapay zeka kodlama sistemimiz için böyle bir çözüm arıyoruz; açık kaynak Osmosis Apply 1.7B gibi projelerle kıyaslandığında farkı nedir merak ediyorum. Morph modelinin açık kaynak/açık ağırlık olmadığını varsayıyorum

  • En iyisi ikisini de bizzat denemeniz! Bizim modelimiz hız ve doğruluk açısından belirgin şekilde üstün

• Daha önce Morph'u OpenRouter'da görmemiştim, şimdi eklenmiş gibi duruyor. Ancak listelenen model eski sürüm gibi? Daha aktif destekleme planınız var mı? Ayrıca fast apply modelinin Relace ya da Llama/Cerebras ile performansını, özellikle de doğruluk açısından, karşılaştıran benchmark sonuçlarını merak ediyorum

  • Hacker News'in gücü işte! Artık yeni modeller orada da listeleniyor

  • Şu anda v2 modeli morph-v3-large'a işaret ediyor. Yakında v3-large ve v3-fast da eklenecek

• Relace ile karşılaştırmayı merak ediyorum. İkisi de YC çıkışlı şirket ve işlevleri de oldukça benzer görünüyor Relace

  • Güzel soru. Müşteri listesi bile aynı görünüyor (create.xyz, continue.dev)

• ChatGPT ile VSCode arasında köprü kuran bir tarayıcı eklentisi olsa, araya Morph (veya Claude) konup agentic coding doğrudan web arayüzü üzerinden kullanılabilse harika olurdu. Fikir, API yerine web arayüzünü kullanmak

  • Bu amaç için MCP kullanılabilir. Çok yakında çıkıyor

• Yapay zekanın akıllıca rebase+merge otomasyonu yapabilmesi geliştirme hızını inanılmaz artırır diye düşünüyorum. Birden çok kullanıcının kod değişikliğini, niyetlerini de anlayarak otomatik birleştirebilirse bu gerçekten büyük bir verimlilik artışı olur

  • Claude Code kullanırsanız bu özellik zaten var. Sadece “diğer branch'i birleştir ve çatışmaları çöz” demeniz yeterli

  • Merge conflict durumlarını ne sıklıkla yaşıyorsunuz?