Kendi Bilgisayarınızda Yerel Kodlama Asistanı: Ollama ile Qwen 2.5 Coder Kurulumu

Kurulum bitince elinizde üç parça olur: Ollama inference motoru, indirilmiş Qwen2.5-Coder paketi ve VS Code’da Continue. İnternet, modeli ilk çekmek için gerekir; sonrasında yerel çıkarım çevrimdışı denenebilir. Yerel model sınırsız performans veya koşulsuz gizlilik vaat etmez. Donanım, quantization, telemetry ve eklenti ayarları sınırı belirler.

Bulut Modellerine Karşı Yerel LLM: Neden Kendi Modelinizi Çalıştırmalısınız?

Yerel LLM nedir?

Büyük dil modeli (LLM), metin ve kod üreten bir sinir ağıdır. Bulut API’sinde model uzak sunucudadır; siz token gönderir, cevap alırsınız. Yerel inference’da model dosyası sizin diskinizdedir; hesap CPU veya GPU’nuzda yürür. Ollama, bu yerel çalıştırmayı paketleyen bir araçtır: modeli çeker, servisi ayağa kaldırır, localhost:11434 üzerinden API sunar.

Bulut API’si ile yerel model arasındaki farklar

API maliyeti ve ajan katmanı ayrı yazılarda da işlendi: GPT-6 Astra / Claude Opus 5.5 ve Terminal-Bench. Yerel kurulum bu tablonun üçüncü sütunudur; ajan framework’ü değildir.

Avantajlar ve dezavantajlar

Avantajlar: Token faturası yok; çevrimdışı deneme mümkün; model sürümünü siz kilitlersiniz; kaynak kodu zorunlu olarak dış API’ye gitmez; model değiştirmek kolaydır.

Dezavantajlar: VRAM/RAM ister; elektrik ve disk maliyeti vardır; büyük modelde gecikme artar; context ve kalite bulut sınır modellerinin gerisinde kalabilir; sürücü, güncelleme ve yapılandırma size aittir.

“Ücretsiz” neyi kapsar?

Ollama ve birçok Qwen2.5-Coder ağırlığı için token başına API ücreti ödemezsiniz. Donanım, ekran kartı, elektrik, SSD ve sizin zamanınız maliyettir. “Sıfır maliyet” değil; değişken API maliyetinin sabit sermaye ve operasyona kaymasıdır. Kodun buluta gitmemesi de Shadow AI riskini otomatik silmez: telemetry, yanlış yapılandırılmış bulut fallback veya açık bırakılmış port ayrı kapılardır.

Qwen 2.5 Coder Modeli Neden Bu Kadar Başarılı?

Qwen2.5-Coder nedir?

Qwen2.5-Coder, Alibaba Qwen ekibinin kod odaklı dil modeli ailesidir (eski adıyla CodeQwen hattının devamı). Genel sohbet modeli değil; kod üretimi, kod akıl yürütmesi ve kod onarımı için ölçeklenmiş bir code LLM’dir. Teknik rapora (arXiv:2409.12186) göre aile 0.5B, 1.5B, 3B, 7B, 14B ve 32B boyutlarında gelir; eğitim karışımı yaklaşık 5,5 trilyon token (kaynak kod, metin-kod hizalama, sentetik veri) içerir. Üretici iddiasına göre 32B Instruct, EvalPlus / LiveCodeBench / BigCodeBench’te açık modeller arasında güçlüdür ve GPT-4o ile rekabetçi görülür. Bunlar üretici ölçümleridir; sizin deponuzda ayrı ölçülmelidir.

Kod üretimi, FIM ve Instruct

• Base: Ön eğitimli omurga; sohbet için ince ayarsız.
• Instruct: Komut ve sohbet için post-training görmüş sürüm. Günlük “şu endpoint’i yaz / bu hatayı açıkla” işi için Instruct (Ollama’daki qwen2.5-coder etiketleri genelde bu hatta oturur) daha uygundur.
• FIM (Fill-in-the-Middle): İmlecin öncesi ve sonrası verilerek ortanın tamamlanması. Continue autocomplete bu kalıba yaslanır; Continue dokümantasyonu autocomplete için qwen2.5-coder:1.5b önerir.

Qwen2.5-Coder 7B vs 32B

Ollama kütüphanesinde (ollama.com/library/qwen2.5-coder, araştırma tarihi: 11 Ekim 2026) paket boyutları ve context şöyle listelenir:

Önemli: Hugging Face kartındaki 128K, Ollama paketinin varsayılan 32K’sı demek değildir. Uzun context KV cache’i şişirir; Continue bazen yüksek contextLength ile “Model requires more system memory” üretir. Çözüm: defaultCompletionOptions.contextLength düşürmek (Continue Ollama dokümantasyonu).

Hangisini tercih etmeli?

• 7B: Günlük fonksiyon yazımı, açıklama, küçük refactor, çoğu dizüstü/oyuncu PC. Önce bunu stabilize edin.
• 32B: Daha zor kod incelemesi ve uzun akıl yürütme; bellek ve sabır ister. Autocomplete için değil.
• 1.5B / 0.5B: Satır içi tamamlama ve çok zayıf donanım.
• 3B: Ara boyut; lisansı Qwen Research — ticari kullanımda ayrıca kontrol.
• 14B: 7B ile 32B arası denge; 9 GB’lık Ollama paketi (kütüphane listesi).

7B’nin token/s açısından 32B’den hızlı olması beklenir ama ölçmeden garanti yazılmaz. Kalite farkı her görevde 32B lehine çıkmaz; dar ve iyi prompt bazen 7B’yi yeter kılar.

Lisans

Qwen bloguna göre 0.5B / 1.5B / 7B / 14B / 32B Apache 2.0; 3B ise Qwen Research lisansındadır (ticari kullanım için ayrıca izin gerekir). Tüm varyantları aynı lisans sanmayın. Açık ağırlık ≠ eğitim verisinin ve tam eğitim kodunun açık olmasıdır; bu ayrım DeepSeek / Qwen 2026 yazısında da durur.

Qwen2.5-Coder vs Claude

Claude (ve benzeri bulut asistanlar) sürekli güncellenen kapalı modellere + araç katmanına yaslanır. Qwen2.5-Coder yerel, sabit bir ağırlıktır. Tek fonksiyon, açıklama, birim test iskeleti gibi işlerde 7B/32B çoğu zaman yeterlidir. Çok dosyalı ajan, güvenilir tool calling ve uzun ufuklu repo işinde bulut + ajan çifti genelde öndedir; Agentic AI katmanı modelden ayrıdır. “Claude’un yerini alır” iddiası görev ve donanıma bağlıdır; tek skorla kapanmaz.

Donanım Gereksinimleri: RAM, VRAM ve GPU Optimizasyonu

Quantization nedir?

Quantization, ağırlıkları daha az bitle (ör. Q4_K_M) saklamaktır. Disk ve VRAM düşer; kalite ve hız değişebilir. Ollama’nın 7B (~4,7 GB) ve 32B (~20 GB) paketleri zaten quantize dağıtımdır. Diskteki GB, çalışma anı VRAM’in alt sınırıdır; KV cache, context ve runtime payı üstüne biner.

Kavramlar (kısa)

• VRAM: GPU belleği; modeli mümkünse buraya yüklemek istersiniz.
• Sistem RAM: GPU sığmazsa veya CPU inference’da kullanılır; yavaşlar.
• GPU offloading: Katmanların bir kısmını GPU’ya, kalanını CPU/RAM’e alma.
• KV cache: Uzun sohbet/context için ek bellek.
• Tokens/s: Ölçülmeden sayı uydurulmaz; ollama ps ve hissedilen gecikme ile bakılır.

CPU–GPU ilişkisi ve KV yönetimi için NVIDIA Vera CPU yazısındaki çerçeve geçerlidir: çıkarım yalnızca “GPU yeter” cümlesine indirgenmez.

Donanım profilleri (koşullu öneri)

RTX 5080’i “32B rahat akar” diye yazmak yanlıştır: Ollama 32B paketi ~20 GB; kart 16 GB’tır. Kısa context ve agresif offload ile denenebilir; garanti değildir.

VRAM bantları (yaklaşık, kesin uyumluluk değil)

CUDA çekirdeği veya Tensor Core sayısı, oyun FPS’i kadar doğrudan “LLM tokens/s” demek değildir. Bellek kapasitesi ve bant genişliği çoğu zaman ilk duvardır. Aynı seride 8 GB ile 16 GB kart, yerel LLM’de farklı ligdedir.

Adım Adım Kurulum: Ollama, Qwen 2.5-Coder ve VS Code Entegrasyonu

Aşağıdaki komutlar resmî Ollama / Continue dokümantasyonuna dayanır. Bu ortamda sizin makinenizde ölçülmüş token/saniye yoktur.

1) Ollama’yı kurun

• Windows: ollama.com üzerinden yükleyici.
• macOS: Aynı siteden uygulama veya brew install ollama (Continue rehberi).
• Linux: Resmî kurulum betiği dokümantasyonda geçer; kaynak olarak docs.ollama.com / ollama.com kullanın.

Kontrol:

ollama --version

Sürüm numarası görünmeli.

2) Servisi doğrulayın

Kurulum sonrası Ollama çoğu sistemde arka planda çalışır. Gerekirse:

ollama serve

Kontrol:

curl http://localhost:11434

Beklenen yanıt metni: Ollama is running.

3) Qwen2.5-Coder 7B indirin

Continue rehberi, indirme için pull önerir (run etkileşimli oturum açar):

ollama pull qwen2.5-coder:7b

İlk indirme internet ister (~4,7 GB).

Kontrol:

ollama list

Listede qwen2.5-coder:7b görünmeli.

4) 7B’yi terminalde deneyin

ollama run qwen2.5-coder:7b

Örnek istem: ASP.NET Core Minimal API ile ürün listesi dönen bir GET endpoint yaz ve kısaca açıkla. Üretilen kodu derleyip test etmeden “doğru” saymayın.

5) 32B (isteğe bağlı)

Donanım profiliniz uygunsa:

ollama pull qwen2.5-coder:32b
ollama run qwen2.5-coder:32b

Paket ~20 GB. Bellek hatası alırsanız context düşürün veya 7B/14B’ye dönün.

6) GPU kullanımını kontrol edin

ollama ps

Hangi modelin yüklü olduğunu ve yaklaşık bellek yerleşimini gösterir. NVIDIA’da ayrıca:

nvidia-smi

GPU bellek satırına bakın. CPU’da takılı kaldıysanız sürücü, CUDA/ROCm/Metal desteği ve model boyutunu kontrol edin. Apple Silicon Metal; AMD ROCm desteği platforma göre değişir; her GPU ailesi eşit değildir.

7) Visual Studio Code

code.visualstudio.com üzerinden kurun.

8) Continue eklentisi

Extensions’ta Continue (resmî Continue.dev yayıncısı) yükleyin. Alternatif: GitHub Releases’ten .vsix (çevrimdışı rehber).

9–10) Continue config.yaml

Dosya konumları (Continue dokümantasyonu):

• macOS / Linux: ~/.continue/config.yaml
• Windows: %USERPROFILE%\.continue\config.yaml

Sohbet paneli → Local Config yanındaki dişli ile de açılır. Eski config.json yerine YAML kullanın.

Kopyalanabilir örnek (Continue Ollama + autocomplete rehberleriyle uyumlu):

name: Local Qwen Coder
version: 0.0.1
schema: v1

models:
  - name: Qwen2.5-Coder 7B
    provider: ollama
    model: qwen2.5-coder:7b
    apiBase: http://localhost:11434
    roles:
      - chat
      - edit
      - apply
    defaultCompletionOptions:
      contextLength: 8192

  - name: Qwen2.5-Coder 32B
    provider: ollama
    model: qwen2.5-coder:32b
    apiBase: http://localhost:11434
    roles:
      - chat
      - edit
    defaultCompletionOptions:
      contextLength: 4096

  - name: Qwen2.5-Coder 1.5B Autocomplete
    provider: ollama
    model: qwen2.5-coder:1.5b
    apiBase: http://localhost:11434
    roles:
      - autocomplete

32B satırını kullanmadan önce ollama pull qwen2.5-coder:32b yapın. Autocomplete için:

ollama pull qwen2.5-coder:1.5b

Roller: chat sohbet; edit / apply düzenleme akışı; autocomplete satır içi FIM. Agent / tool calling her modelde garanti değildir; Continue, bazı modellerde capabilities: [tool_use] ister ve yine de agent desteklenmeyebilir.

VS Code’u yeniden başlatın. Model seçicide 7B’yi chat için, 1.5B’yi autocomplete için seçin.

11) İlk kodlama testi

Küçük bir klasör açın. Continue chat’te: “Bu klasörde TypeScript ile add(a,b) yaz, birim test iskeleti ekle.” Ardından mevcut dosyayı seçip “Bu fonksiyonu açıkla ve kenar durumları say.” Üretileni çalıştırın; yeşil test başarı kriteriniz olsun.

VS Code ve Continue Nasıl Çalışır?

Continue, sohbet paneli, düzenleme (edit / apply) ve satır içi autocomplete sunar. İsteğe bağlı agent / tool calling katmanı vardır. Modelin kod üretebilmesi, güvenilir tool calling yaptığı anlamına gelmez. Continue Ollama rehberi, bazı modellerde capabilities: [tool_use] eklense bile “Agent mode is not supported” görülebileceğini yazar. Bu durumda chat + edit ile kalın; ajan işini ayrı bir framework’e taşıyın.

Chat ve autocomplete neden ayrı modeller?

Sohbet uzun bağlam ve daha büyük model ister. Autocomplete milisaniye gecikmesine duyarlıdır ve FIM şablonu kullanır. Continue autocomplete dokümantasyonu yerel kurulumda ollama run qwen2.5-coder:1.5b ve roles: [autocomplete] örneğini verir. 32B’yi autocomplete’e bağlamak genelde gereksiz gecikme üretir.

Panelden chat modeli ile autocomplete modelini ayrı seçin. YAML kaydından sonra VS Code yeniden başlatılmazsa eski yapılandırma kalabilir.

Ollama Yerel API

Varsayılan uç: http://localhost:11434. Yaygın uçlar (güncel Ollama API referansına göre kullanın): /api/chat, /api/generate, /api/tags, /api/ps.

curl http://localhost:11434/api/tags
curl http://localhost:11434/api/ps

Sohbet örneği (resmî kütüphane biçimi):

curl http://localhost:11434/api/chat \
  -d '{
    "model": "qwen2.5-coder:7b",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

Python (ollama paketi, resmî örnek tarzı):

from ollama import chat

response = chat(
    model="qwen2.5-coder:7b",
    messages=[{"role": "user", "content": "Python ile iki sayıyı toplayan fonksiyon yaz."}],
)
print(response.message.content)

JavaScript:

import ollama from "ollama";

const response = await ollama.chat({
  model: "qwen2.5-coder:7b",
  messages: [{ role: "user", content: "TypeScript ile add(a, b) yaz." }],
});
console.log(response.message.content);

C# (HttpClient iskeleti — kendi projenizde uyarlayın):

using System.Net.Http.Json;

var client = new HttpClient { BaseAddress = new Uri("http://localhost:11434") };
var payload = new
{
    model = "qwen2.5-coder:7b",
    messages = new[] { new { role = "user", content = "C# ile iki sayıyı toplayan metot yaz." } },
    stream = false
};
using var response = await client.PostAsJsonAsync("/api/chat", payload);
response.EnsureSuccessStatusCode();
var json = await response.Content.ReadAsStringAsync();
Console.WriteLine(json);

11434’ü internete açmayın. Uzak erişim için OLLAMA_HOST kullanacaksanız firewall, VPN ve kimlik doğrulama olmadan “iç ağda herkese açık model” bırakmayın.

Modelfile ile context kısaltma (isteğe bağlı)

Continue contextLength yetmezse Ollama tarafında özel bir etiket de üretebilirsiniz (Continue rehberindeki Modelfile örneğiyle aynı fikir):

FROM qwen2.5-coder:7b
PARAMETER num_ctx 4096

ollama create qwen-coder-7b-4k -f Modelfile

Ardından Continue model: satırını qwen-coder-7b-4k yapın. Bu adımı ölçmeden “daha hızlı” ilan etmeyin; bellek tavanını düşürmek içindir.

Yerel Kod Asistanının Performansını Artırmak İçin İpuçları

• Context’i ihtiyacınız kadar tutun (8192 veya daha az sık kurtarır).
• Chat için 7B, autocomplete için 1.5B.
• 32B’de ilk denemede kısa prompt.
• NVMe üzerinde model dosyası; yavaş HDD ilk yüklemeyi uzatır.
• ollama ps ile bellek; nvidia-smi ile GPU.
• Continue’da gereksiz bulut embedding / rerank / cloud model fallback kapalı olsun.
• Paralel ağır istekler VRAM’i şişirir.

Güvenli ve çevrimdışı kullanım

Continue çevrimdışı rehberi:

1. .vsix ile kurulum (isteğe bağlı).
2. “Allow Anonymous Telemetry” kapatın.
3. Varsayılan modeli yerel Ollama’ya sabitleyin.
4. VS Code’u yeniden başlatın.
5. Modeller önceden pull edilmiş olsun.
6. Ağı kesin; chat isteği hâlâ cevap veriyorsa yerel yol çalışıyordur.

Bu test mutlak KVKK uyumu değildir. Eklenti güncellemeleri, loglar ve yanlış yapılandırma riski kalır.

En sık hatalar

Qwen2.5-Coder ile Gerçek Yazılım Geliştirme Örnekleri

Bunlar okuyucu test senaryolarıdır; bu yazıda ölçülmüş skor veya tokens/s yoktur.

Test 1 — ASP.NET Core

Prompt: “ASP.NET Core 8 Minimal API’de GET /api/products yaz. ProductDto kullan. Boş liste değilse 200, servis null ise 500 dön. Dependency Injection ile IProductService enjekte et. Kısa xUnit testi iskeleti ekle.”

Başarı: Proje derlenir; endpoint elle çağrılır; test en azından derlenir.

Test 2 — PostgreSQL

Prompt: Aşağıdaki sorguyu yapıştırın (kendi şemanıza uyarlayın): büyük products tablosunda category_id ve price filtresi. “Index öner, parametreli hale getir, olası seq scan riskini anlat.”

Başarı: Önerilen index’i staging’de EXPLAIN (ANALYZE, BUFFERS) ile siz doğrularsınız.

Test 3 — Next.js / TypeScript

Prompt: “App Router’da ProductCard bileşeni yaz. name, price, imageUrl props. Loading ve error için basit UI. next/image kullanma zorunluluğu yok; okunabilir TypeScript istiyorum.”

Başarı: tsc / ESLint temiz; bileşen render olur.

Test 4 — Python CSV

Prompt: “CSV’den okuyup price > 1000 satırlarını listeleyen fonksiyon yaz. Dosya yoksa anlamlı exception. pytest ile iki test öner.”

Başarı: Örnek CSV ile fonksiyon çalışır; testler geçer.

Test 5 — Refactor

Bilerek iç içe if ve sihirli sayılar içeren 20–30 satırlık bir fonksiyon verin. “Davranışı bozmadan okunabilir hale getir; public imza aynı kalsın.”

Başarı: Eski ve yeni çıktı aynı; mümkünse karakterizasyon testi.

Test 6 — Bug fix

Kasıtlı hata: C#’ta async metodu .Result ile bloklamak veya JS’te map içinde await. “Kök nedeni bir cümlede söyle, düzelt.”

Başarı: Düzeltme derlenir / çalışır; açıklama doğru.

Prompt’u dar tutun; tüm repoyu yapıştırmayın. Prompt engineering ve e-ticaret yığını için Next.js altyapı yazısı bağlam verir.

Qwen2.5-Coder 2026’da Hâlâ Mantıklı mı?

Qwen2.5-Coder ailesi 2024 sonu–2025 başı dalgasının olgun paketidir; Ollama’da hâlâ geniş indirme tabanı vardır. 2026’da daha yeni coder / reasoning modelleri (ör. güncel Qwen ve DeepSeek hatları) çıkmış olabilir; DeepSeek R1/V3 analizi ve DeepSeek–Qwen 2026 karşılaştırması güncel API tarafını ayrı okur. Yerel Continue + Ollama için 2.5-Coder 7B hâlâ düşük sürtünmeli bir başlangıçtır: etiketler stabil, Continue autocomplete dokümantasyonu onu örnekler, Apache 2.0 (7B/32B) ticari denemelere uygundur. Daha yeni modele geçmek, benchmark değil kendi regression setinizle karar verilmelidir.

Ollama ve Qwen2.5-Coder Hakkında Sıkça Sorulan Sorular

Qwen2.5-Coder nedir?

Alibaba Qwen’in kod odaklı dil modeli ailesidir. 0.5B–32B boyutlarında gelir; kod üretimi, onarım ve akıl yürütme için eğitilmiştir. Ollama’da qwen2.5-coder etiketleriyle indirilir.

Qwen2.5-Coder tamamen ücretsiz mi?

7B ve 32B Hugging Face’de Apache 2.0 olarak geçer; Ollama üzerinden token ücreti ödemezsiniz. 3B Qwen Research lisansındadır. Donanım ve elektrik maliyeti sizdedir.

Qwen2.5-Coder yerel kurulumu nasıl yapılır?

Ollama kurun, ollama pull qwen2.5-coder:7b çalıştırın, ollama run veya Continue ile bağlayın. VS Code’a Continue ekleyip config.yaml içinde provider: ollama tanımlayın.

Ollama nedir ve ne işe yarar?

Yerel modelleri indirip çalıştıran bir inference aracıdır. Modeli diskte tutar, localhost:11434 API’si sunar ve Continue gibi editör eklentilerine bağlanır.

Qwen2.5-Coder 7B kaç GB ister?

Ollama paketi yaklaşık 4,7 GB disk kaplar. Çalışma anı RAM/VRAM ihtiyacı context ve runtime ile artar; 8–16 GB sınıfı sistemlerde kısa context ile denenir.

Qwen2.5-Coder 32B için hangi ekran kartı gerekir?

Ollama paketi ~20 GB’tır. 16 GB VRAM’li RTX 5080’de tam GPU yerleşimi varsayılmaz; offload veya daha küçük model gerekir. ≥24 GB VRAM daha gerçekçi bir 32B zemini sunar.

Ekran kartı olmadan çalışır mı?

Evet, CPU/RAM ile çalışabilir; gecikme belirgin artar. Küçük etiketler (0.5B–1.5B) daha uygundur.

Ollama ile VS Code nasıl bağlanır?

Continue eklentisini kurun; config.yaml içinde provider: ollama ve model: qwen2.5-coder:7b verin; Ollama’nın çalıştığını curl localhost:11434 ile doğrulayın.

Continue internet olmadan çalışır mı?

Yerel modele sabitledikten, telemetry’yi kapattıktan ve modelleri önceden indirdikten sonra çevrimdışı denenebilir. Resmî Continue offline rehberindeki adımları uygulayın; mutlak gizlilik garantisi değildir.

Qwen2.5-Coder, Claude yerine kullanılabilir mi?

Bazı tek dosya ve açıklama işlerinde evet. Agentic, tool-heavy ve en güncel bulut kalitesinde hayır veya kısmen. Göreve göre ölçün.

Türkçe komutları anlayabilir mi?

Çok dilli eğitim iddiası vardır; kalite modele ve prompt’a göre değişir. Kritik çıktıyı Türkçe açıklama + kod testi ile doğrulayın.

Kaynak kodlar internete gider mi?

Yerel Ollama çıkarımında istek makinenizde kalır. Continue telemetry, bulut model fallback veya başka eklentiler ağı kullanabilir; bunları kapatıp çevrimdışı test edin.

Sonuç

Qwen 2.5 Coder yerel kurulumu üç adıma iner: Ollama’yı kur, donanımına göre 7B (veya dikkatli 32B) çek, Continue config.yaml ile VS Code’a bağla. Autocomplete için 1.5B ayrı tutmak gecikmeyi düşürür. 128K HF context’i ile Ollama 32K paketini ve disk GB ile VRAM’i karıştırmayın. RTX 5080’in 16 GB’ı, ~20 GB’lık 32B paketini “rahat sığar” yapmaz. Güvenlik, yerel çıkarım artı doğru kapatılmış telemetry ve kapalı port demektir.

Kurulumdan sonra bir hafta boyunca yalnızca kendi regression setinizle çalışın: derleme, test, küçük PR. Model önerir; siz onaylarsınız. API faturasını kestiniz diye kod incelemesini terk etmeyin — yerel asistan, kıdemli geliştiricinin yerini değil yan koltuğunu doldurur.

Kaynakça

1. Ollama — https://ollama.com/
2. Ollama docs — https://docs.ollama.com/
3. qwen2.5-coder library — https://ollama.com/library/qwen2.5-coder
4. Qwen2.5-Coder Technical Report — https://arxiv.org/abs/2409.12186
5. Qwen2.5-Coder blog / lisans tablosu — https://qwenlm.github.io/blog/qwen2.5-coder-family/
6. HF Qwen2.5-Coder-7B / 32B-Instruct
7. Continue Ollama — https://docs.continue.dev/customize/model-providers/top-level/ollama
8. Continue Ollama guide — https://docs.continue.dev/guides/ollama-guide
9. Continue autocomplete — https://docs.continue.dev/customize/deep-dives/autocomplete/
10. Continue offline — https://docs.continue.dev/guides/running-continue-without-internet
11. NVIDIA GeForce RTX 5080 (16 GB GDDR7) — nvidia.com

Araştırma tarihi: 11 Ekim 2026. Ollama/Continue sürümleri zamanla değişir; komutları kendi kurulumunuzda doğrulayın.