Tüm barındırma hizmetlerinde 15% tasarruf edin

Becerilerini test et ve herhangi bir hosting planında İndirim kazan

Kodu kullanın: Skills Başlayın
Bölüm
Özel Sunucular Yönetim

2026’da En İyi RTX 4070 Ti SUPER Sunucu Kullanım Senaryoları

Onboarding documents could become source-linked answers. An owned product photo could become campaign-background concepts. An existing 3D scene could become finished product visuals, all without keeping a laptop occupied. Those are three practical RTX 4070 Ti SUPER server use cases: focused jobs with recognizable outputs.

The eight options below are alternatives, not applications to load together. Here, “best” means useful outcomes with a realistic software path, not a benchmark ranking. Compact image-and-text models and editing workflows expand the options in 2026; encoding and rendering remain useful too. Choose one focused service or queued worker that can keep running independently of your laptop.

Předmět: 16 GB rychlého pracovního prostoru

Bu HTML’yi Türkçeye çevirmeliyim:

Kullanışlı sınır: 16 GB hızlı çalışma alanı

The RTX 4070 Ti SUPER has 16 GB of VRAM—the GPU’s working memory. That is its workbench for models and scenes, so the projects below use smaller models and bounded jobs. Compatible NVIDIA software handles AI and rendering; dedicated video-encoding hardware supports media work. These are documentation-backed starting points, not deployment benchmarks. Each assumes one suitably configured card.

1. Ask your own documents, not the whole internet

Yeni bir ekip arkadaşı, rolüne hangi işe alım kontrol listesinin uygulandığını soruyor. Klasörleri aramak yerine, onaylanmış işe alım dosyalarına veya runbook’lara bağlantılı bir taslak yanıt alıyor. Model uzaktan kendi sunucunuzda barındırıldığında ve ekip erişimi kontrol edildiğinde, bu özel bir bilgi hizmetine dönüşebilir.

Open WebUI for documents and retrieval

Retrieval-augmented generation, yani RAG, açık kitap yapan bir asistan gibi çalışır: yazılım, model yanıt vermeden önce ilgili pasajları bulur ve modele iletir. Embedding’ler, pasajların yalnızca tam kelime eşleşmesiyle değil, anlamlarına göre aranabilir olmasını sağlar. Belgelerin yüklenmesi modeli yeniden eğitmez; yanıt, o soru için alınan materyale bağlıdır.

📝 Not: Özel çıkarım (private inference), modelin uzak sunucuda çalıştığı anlamına gelir; her bileşenin özel olduğu anlamına gelmez. Embedding’lerin ve belge ayrıştırmanın nerede çalıştığını kontrol edin. Kayıtlar (log) ve harici yedek çözümler de gözden geçirilmelidir. Uzak barındırma, sağlayıcıyla olan bir güven ilişkisi olmaya devam eder.

GPU esas olarak çıkarımı (inference) hızlandırır: yanıtı üretmek için zaten eğitilmiş bir modeli kullanmak. Quantized bir model, sayılarını daha az bitle saklar; bu, olası kalite ödünleşimleriyle birlikte bellekten tasarruf sağlar. Soru ve alınan pasajlar, modelin bağlamının (context) bir parçasını oluşturur; yani bir istek için aklında tuttuğu bilgiler. Pasaj eşleştirme, küçük bir kendi kendine barındırılan bileşen kullanabilir; dosyaları saklamak ve aramak ise mutlaka başka bir büyük GPU hizmeti gerektirmez.

  • Başlangıç projesi: Tek bir işe alım koleksiyonu ve cevapları bilinen sorular. Yanıtları alıntılanan pasajlarla karşılaştırın; asistanın eksik bilgiyi kabul edip etmediğini görmek için cevaplanamayan bir soru ekleyin.
  • Örnek yığın: Belgeler ve geri getirme için Open WebUI; pasaj eşleştirme için kendi kendine barındırılan embedding’ler; sunucu tarafı yanıtlar için Ollama üzerinde çalışan quantized Qwen3.5-4B.
  • Ana sınır: Geri getirme kalitesi ve izinler, modele neyin ulaştığını belirler. Alıntılar yanıtları kontrol etmenize yardımcı olur; ancak doğruluğu garanti etmez.

2. Bir ekibe kendi görsel üretim ve düzenleme stüdyosunu verin

Küçük bir dükkan bir ürün fotoğrafına sahiptir ve kampanya arka planı konseptlerine ihtiyaç duyar: stüdyo arka planı, mevsimsel bir ortam, farklı bir renk paleti. Çıktı, birinin seçip düzenleyeceği bir dizi taslaktır; bu, ürün fotoğrafçılığının yerini almaktan daha yönetilebilir bir ilk hedeftir.

Görsel iş akışı, bir referans görseli yükleyen, talimatları uygulayan ve sonuçları kaydeden, node adı verilen işlem istasyonlarını birbirine bağlar. GPU, fotoğrafı ve istemi bir varyasyona dönüştürmek için görsel modelini çalıştırır. Bu iş akışını kaydetmek, ekibe bir sonraki konsept seti için tekrarlanabilir bir başlangıç noktası sağlar.

FLUX.2 [klein] 4B for generation and reference-image editing

Ekip arkadaşları, kurulumu bireysel masaüstü bilgisayarlarda yeniden oluşturmak yerine işlerini paylaşılan bir sunucu kuyruğuna gönderebilir. Önerilen FLUX.2 [klein] 4B modeli, koşulları çerçevesinde ticari kullanıma izin veren Apache-2.0 lisansını kullanır. Bu lisans, tüm FLUX modellerine değil, bu varyanta uygulanır; görsellerin haklarının da önemli olmaya devam ettiğini unutmayın.

  • Başlangıç projesi: Sahip olunan tek bir ürün görseli için birkaç arka plan varyasyonu oluşturun. Kullanmadan önce şekli, ambalaj metnini, logoları ve marka tutarlılığını orijinalle karşılaştırın.
  • Örnek yığın: Kaydedilmiş görsel iş akışı ve iş kuyruğu için ComfyUI; GPU üzerinde üretim ve referans görsel düzenleme için damıtılmış FLUX.2 [klein] 4B.
  • Ana sınırlama: İkna edici bir görsel, yine de ürünü veya metnini değiştirebilir. Çıktıları, doğruluk ve hak incelemesi gerektiren konseptler olarak ele alın.

3. Превращение записей в транскрипты, субтитры и поисковые знания

Wait, the target language is Turkish, not Russian. Correcting:

3. Kayıtları transkriptlere, altyazılara ve aranabilir bilgilere dönüştürme

Uygun onayla kaydedilen webinarınız veya toplantınız, daha sonra bulunması zor olan bilgiler içerebilir. Bir transkripsiyon çalışanı bunu zaman damgalı metne ve altyazı dosyalarına dönüştürür. İncelenmiş transkriptleri düzenleyin; normal metin araması, her kaydı baştan dinlemeden bir konuyu bulmanıza yardımcı olabilir.

comp

Konuşma modeli önce zaman damgalı transkript segmentleri üretir. Bir dışa aktarma sarmalayıcısı—tanıma kütüphanesinin etrafındaki uygulama kodu—bunları okunabilir metin ve SRT ya da VTT altyazı dosyaları olarak kaydeder. Bu zaman damgaları kelimeleri kayda geri bağlar ve altyazı dışa aktarıcısına zamanlama bilgisi sağlar.

Bir yükleme klasörü veya kuyruğu, sunucunun kayıt birikimini denetimsiz olarak işlemesini sağlar; konuşma tanıma işini GPU yapar. İsteğe bağlı özetler için ayrı bir model gerekir ve tercihen aynı kartta ayrı zamanlanmalıdır. Konuşmacı etiketleri, konuşmacıları ayırt etmek için ayrı bir aşama gerektirir; yalnızca transkripsiyon bunları sağlamaz.

  • Başlangıç projesi: Kullanım izni alınmış birkaç kaydı transkript ve altyazıya dönüştürün. Örnekleri ses kaydıyla karşılaştırarak isimleri, teknik terimleri ve altyazı zamanlamasını kontrol edin.
  • Örnek yığın: large-v3 ile faster-whisper ve uygun düşük hassasiyetli GPU ayarları; bir yükleme kuyruğu; altyazı dosyaları ve aranabilir transkript depolaması için bir dışa aktarma sarmalayıcısı.
  • Temel sınır: Ses kalitesi düzeltme iş yükünü belirler. Gürültü, aksanlar, tanıdık olmayan terimler ve üst üste konuşan kişiler, insan incelemesi gerektiren hatalara yol açabilir.

4. Подключите приватного помощника по программированию к редактору

Ошибка: the system prompt requires Turkish. Correcting below.

4. Özel bir kodlama asistanını editörünüze bağlayın

Editörde bir fonksiyon seçin ve test, açıklama ya da küçük bir yeniden düzenleme isteyin. Çalıştığınız fonksiyonun yanında taslak kod alırsınız. Editörünüz ve çalışma dosyalarınız dizüstü bilgisayarınızda kalabilirken, seçilen kod çıkarım için sunucuya gönderilir.

Programmer surrounded by HTML, CSS, code, and layout panels.

Editör, seçilen kodu ve sorunuzu uzak bir model uç noktasına gönderir, ardından yanıtı geliştirme çalışma alanında görüntüler. Fonksiyonun amaçlanan davranışını eklemek isteği somutlaştırmaya yardımcı olur. Test yazma görevinde sonuç, boş bir test dosyası yerine, bu davranışla karşılaştırabileceğiniz bir taslak sunar.

GPU yanıt üretimini gerçekleştirirken sunucu, editör istekleri için yeniden kullanılabilir bir uç nokta sağlar. Çalıştırma ve riskli düzenlemeleri kısıtlı izinlerle kontrolünüz altında tutun. Burada editör sohbeti başlangıç iş akışıdır; hızlı yanıt veren satır içi otomatik tamamlama ise farklı model ve gecikme gereksinimlerine sahiptir.

  • Başlangıç projesi: Bir modül için test taslakları oluşturun. Bunları inceleyin, kontrollü bir geliştirme ortamında çalıştırın ve yalnızca derlenip derlenmediğini değil, amaçlanan davranışı doğrulayın.
  • Örnek yığın: Editör sohbeti ve önerilen düzenlemeler için Continue; yanıt üretimi için sunucuda çalışan, kuantize edilmiş Qwen3.5-4B modelini kullanan kontrollü bir Ollama uç noktası.
  • Ana sınır: Küçük model kalitesi, sınırlı kod bağlamı ve ağ gecikmesi yardımın kapsamını kısıtlar. Bu, en büyük ticari kodlama sistemlerinin yerine geçmez.

5. Chuyển hóa hóa đơn và bản quét thành bản ghi có cấu trúc

Ý sai: the output must be Turkish. Correcting below.

5. Hóa đơn ve taramaları yapılandırılmış kayıtlara dönüştürün

Fatura görüntüleri, bir inceleme elektronik tablosunda önerilen satıcı, tarih, fatura numarası ve toplam tutarı alanlarına dönüştürülebilir. Her satırı orijinal belgeye bağlamak karşılaştırmayı kolaylaştırır. Pratik kazanç, birinin kontrol edip bir sonraki iş sürecine aktarabileceği tutarlı bir kayıt kümesidir.

Orange robot beside analytics dashboards, server racks, and a folder.

Bir görsel-dil modeli, metinle birlikte görüntüleri de kabul eder. Bir seferde bir sayfa görüntüsü hazırlayın, ardından ihtiyacınız olan alanları isteyin. Bu, modelin her PDF türünü ayrıştırabileceğini varsaymak yerine GPU’yu görsel yorumlama için yararlı kılar. Temiz, metin tabanlı PDF’ler yalnızca normal ayrıştırma gerektirebilir ve GPU kullanılmaz.

Çıkarımdan sonra, normal uygulama kodu gerekli değerlerin mevcut olduğunu ve tarih ile sayıların beklenen biçimlerde olduğunu kontrol eder. Uygun olduğunda aritmetiği de kontrol edebilir ve yinelenen fatura tanımlayıcılarını arayabilir. Eksik veya belirsiz alanlar işaretli kalır. Sunucu, toplu sonuçları ve kaynaklarını inceleme aktarımı için bir araya getirir:

Çıkarılan alanlar, normal kontroller ve insan incelemesi tamamlanana kadar önerilerdir; ancak ondan sonra onaylanmış kayıtlara dönüştürülmelidir.

  • Başlangıç projesi: Bir fatura ailesini kaynak referanslarıyla bir inceleme elektronik tablosuna dönüştürün. Satırı kabul etmeden önce seçilen her alanı orijinaliyle karşılaştırın.
  • Örnek yığın: Sayfa görüntüsü hazırlama; görsel çıkarım için Qwen3.5-4B ile Ollama; kaynak referanslarıyla onaylanmış elektronik tablo kayıtları üretmek için normal doğrulama/dışa aktarma kodu ve bir inceleme adımı.
  • Ana sınırlama: Makul görünen değerler yanlış olabilir. Muhasebe girişi veya ödemeden önce insan onayı gerektirin.

6. Uploaded video’yu farklı izleyiciler için hazır hale getirmek

Bir ders veya ürün gösterimi yeni çekim yerine birkaç farklı dağıtım sürümüne ihtiyaç duyabilir. Transcoding, mevcut kodlanmış videoyu yeniden kodlar. Uygun bir ana dosya, farklı ekranlar ve bağlantılar için 1080p ve 720p kopyalara dönüştürülebilir. Çözünürlüğü düşürmek dağıtıma yardımcı olabilir; artırmak ise eksik detayı geri getiremez.

Robotic arms working around a computer with code, cloud, and tool blocks.

NVENC, NVIDIA’nın özel video kodlayıcısıdır ve dil modeli hesaplamasından ayrıdır. Codec, videoyu kodlamak ve çözmek için kullanılan teknolojidir. H.264, geniş çapta uyumlu bir başlangıç seçeneğidir; hedef oynatma cihazlarınız destekliyorsa AV1 başka bir seçenektir. Çözme ve ölçeklendirme, başka GPU donanımlarını veya CPU’yu da içerebilir.

Sunucu, sıradaki yüklemelere tutarlı dönüştürme ayarları uygulayabilir ve dağıtım kopyalarını ana dosyadan ayrı olarak saklayabilir. Medya donanımı desteklenen kodlamayı gerçekleştirir, ancak ayarlar yine de sonucu etkiler. Donanım kodlamasını, CPU kodlamasına göre garantili kalite kazancı için değil, işlem hacmi için tercih edin.

  • Başlangıç projesi: Sahip olduğunuz tek bir kaydı 1080p ve 720p sürümlere dönüştürün. Hedef cihazlarda oynatmayı, ses senkronizasyonunu, içeriğin okunabilirliğini ve dosya boyutlarını kontrol edin.
  • Örnek yığın: NVIDIA destekli kodlama ile dönüştürme için FFmpeg; işleri planlamak için basit bir yükleme kuyruğu ve kaynak dosyalar ile tamamlanmış dağıtım sürümleri için depolama alanı.
  • Ana sınır: Kapasite yalnızca GPU belleğine değil; codec’lere, ayarlara, sürücü oturum kısıtlamalarına, disk etkinliğine ve aktarım bant genişliğine bağlıdır.

7. Blender render’larını uzak bir GPU çalışanına gönderin

Bir ürün tasarımcısı modelleme işini yerelde sürdürebilirken bir sunucu nihai durağan görüntüleri veya döner tablo karelerini üretebilir. Render alma, mevcut bir 3D sahneden nihai görüntüleri hesaplamak anlamına gelir; bir metin isteminden görüntü oluşturmak anlamına gelmez. Sahneyi, malzemeleri, aydınlatmayı ve kamerayı siz sağlarsınız; çalışan sistem tamamlanmış görüntüleri hesaplar.

Laptop user beside server hardware and large circular arrows.

Render altyapısı sahne hesaplamalarını RTX donanım hızlandırmasına bağlar. Etkileşimli bir uzak masaüstü olmadan arka planda render alabilirsiniz; hazırlanan iş, çıktı dosyalarını sunucuda üretir. GPU renderını ayrıca seçin; yalnızca arka plan modu render cihazını seçmez.

Aktarım, uyumlu Blender özelliklerini ve gerekli tüm varlıkları gerektirir: dokuları projeyle birlikte paketleyin veya yollarının sunucuda çözümlendiğinden emin olun. Yükleme ve hazırlık süresi çok küçük işlerde faydadan fazla olabilir. Desteklenen bellek yedeklemesi daha büyük sahnelerin sığmasına yardımcı olabilir, ancak bir performans ödünü vardır.

  • Başlangıç projesi: Ölçülü bir ürün sahnesini nihai durağan görüntülere veya kısa bir döner tabla videosuna render alın. Her şeyi kuyruğa almadan önce temsili bir karenin dokularını, malzemelerini, aydınlatmasını ve kadrajını kontrol edin.
  • Örnek yığın: Sahne renderı için Blender Cycles; GPU hızlandırması için NVIDIA OptiX; etkileşimli bir uzak masaüstü gerektirmeden çıktı dosyaları üreten arka plan yürütme.
  • Temel sınır: Sahne ve doku belleği sığmayı belirler. Birden fazla kart, bu donanımda genellikle sahne belleğini birleştirmez.

8. Küçük bir modeli tekrarlanabilir tek bir göreve uyarlama

Daha ileri düzey. Destek taleplerini mevcut kategorilere ayırmak için küçük bir modeli uyarlayabilirsiniz: faturalandırma, hesap erişimi veya teknik sorunlar. Bunu sıfırdan eğitmek yerine, dar kapsamlı bir prosedür konusunda bir çalışana koçluk yapmak gibi düşünün. Çıktı, bir adaptör ve değerlendirme kanıtlarından oluşur; gözetimsiz bilet işlemleri değildir.

Person coding beside a large connected brain and multiple screens.

QLoRA, nicelenmiş bir temel modeli büyük ölçüde sabit tutarken adaptör adı verilen küçük eklenmiş bileşenleri eğitir. Bu, temel model eğitimi veya tam ağırlık ince ayarı değildir. GPU eğitimi gerçekleştirir; bir sunucu ise izole, tekrarlanabilir bir iş sağlar ve çıktılarını saklar. Diğer tek kartlı iş yüklerini ayrı olarak planlayın.

Daha önceki Ollama çıkarım paketi yerine, desteklenen küçük bir metin modeli eğitim reçetesiyle başlayın. Unsloth’un gereksinimlerine göre, yaklaşık üç ila sekiz milyar parametreli desteklenen modeller başlangıç adayları olarak uygundur. Kısa diziler ve küçük toplu işlemler bellek kullanımını kontrol etmeye yardımcı olur, ancak her model veya reçete 16 GB’a sığmayabilir. Önce istemleri (prompt) deneyin; değişen gerçekler için ise geri getirme (retrieval) yöntemini kullanın.

  • Başlangıç projesi: Orijinal modeli, güçlü istem kullanan bir sürümü ve uyarlanmış bir sürümü, aynı ayrılmış test taleplerinde karşılaştırın; eğitimden hariç tutulan örnekler kullanılsın. Kategori seçimlerini ve hataları inceleyin.
  • Örnek yığın: Unsloth’un belgelenmiş eğitim yolu; daha eski Qwen2.5-7B-Instruct metin modeli uyumlu 4-bit reçetesiyle kullanılır; etiketlenmiş destek örnekleri ve kategori tahminleri için değerlendirme kodu.
  • Ana sınırlama: Veri kalitesi ve değerlendirme, uyarlamanın yardımcı olup olmadığını belirler. Eğitimin tamamlanması iyileşmeyi kanıtlamaz.

Projenizin GPU’nun ötesinde neye ihtiyacı var

Bir proje belirlediğinizde, çevresindeki sunucuyu buna göre boyutlandırın. VRAM çalışma tezgahıysa, sistem RAM’i uygulama ve veri hazırlığı için yakındaki hazırlık alanıdır. Ayrıştırma ve diğer çevresel uygulama işleri için CPU kapasitesini seçin. NVMe SSD depolama, aktif modeller ve varlıklar için depodur.

Daha fazla depolama alanı GPU belleğini büyütmez; işi sistem RAM’ine taşımak, desteklenen uygulamaların sığmasına yardımcı olabilir, ancak performans ek yükü ile birlikte. Seçtiğiniz yazılımın donanım gereksinimlerini bu kaynaklarla birlikte kontrol edin.

Technician at a computer beside a large cabled server rack.

AlexHost tek ve çift kartlı yapılandırmaları listeler; bunlar arasında 16 GB GPU belleğine, 64 GB RAM’e ve 1 TB NVMe’ye sahip tek bir RTX 4070 Ti SUPER da bulunur. Bu, kartı çevresindeki uygulama için kaynaklarla eşleştirmenin bir örneğidir.

İş yükü arttığında, daha uzun bir kuyruk ile artık sığmayan bir işi birbirinden ayırt edin. Başka bir GPU, bağımsız işleri yönetebilir. Daha büyük bir model veya sahne ise bunun yerine kart başına daha fazla bellek gerektirebilir. Bazı model sunum uygulamaları, bir işi kartlar arasında bölebilir; ancak iletişim ek yükü ile birlikte. Bağımsız çalışanlar ise daha basit bir düzenlemedir:

Modelin ağırlıklarının ötesinde bağlam ve geçici hesaplamalar için yer bırakın. Daha yüksek görüntü çözünürlüğü ve eşzamanlı istekler de bellek ihtiyacını artırabilir. Ollama’nın bellek rehberi, indirme boyutunun neden en yüksek bellek kullanımı olmadığını açıklar. Tek bir kartta, sıraya alınmış işler veya ayrı zamanlamalar, rekabet eden modellerin belleği tüketmesini engelleyebilir.

📝 Not:Kavramsal atamalar, sağlayıcının vaat edilmiş bir yerleşimi değildir: iki ayrı 16 GB GPU toplamda 32 GB sağlar, otomatik tek bir 32 GB tahsisi değil. Desteklenen model bölme, otomatik bellek havuzlama değil, ayrı bir yazılım özelliğidir.

Kayıt kitaplıkları depolama ve yedeklemeye ihtiyaç duyar; sık aktarımlar ise bant genişliğini boyutlandırma kararının bir parçası haline getirir. Dışa açık bir hizmet için kimlik doğrulama kullanın ve erişimi amaçlanan kullanıcılarla sınırlayın. Bir bakım sorumlusu, hizmetin güncel tutulmasını sağlamalı ve harici işleme yollarını kontrol etmelidir. Bu sorumlu ayrıca günlüklerin ve yedeklerin ne kadar süreyle saklanacağına karar vermelidir.

Tekrarlayan işler, ayrılmış kaynakları haklı çıkarabilir; aralıklı kullanım ise bir API veya ara sıra kiralama için daha uygun olabilir. Uygulamayı işletmenin çabasını kiralama maliyetleriyle birlikte tartın.

Bir yararlı ilk projeyi seçin

İhtiyacınız olan çıktıyı kontrol edebileceğiniz küçük bir projeyle eşleştirin:

HedefinizBaşlangıç projesiTemel kısıt
📚 İç dokümanlardan yanıtlarTek bir özenle seçilmiş oryantasyon koleksiyonuGeri getirme kalitesi ve izinler
🎨 Kampanya görsel konseptleriTek bir sahip olunan ürün fotoğrafının varyasyonlarıÜrün doğruluğu ve haklar
🎙️Okunabilir, aranabilir kayıtlarİncelenmiş transkript ve altyazılarSes kalitesi ve düzeltme
💻 Editörünüzde yardımTek bir modül için taslak testlerBağlam ve kod incelemesi
🧾 Yapılandırılmış fatura kayıtlarıBir fatura ailesinin bir inceleme elektronik tablosuna aktarılmasıAlan doğrulama ve onay
🎬 Teslime hazır videoTek bir kaydın iki çözünürlükte hazırlanmasıCodec desteği ve işlem hattı kapasitesi
🧊 Tamamlanmış 3D görsellerKüçük bir ürün render işiSahne belleği ve varlık aktarımı
🧠 Tutarlı model davranışı—ileri seviyeDestek kategorileri için bir adaptörEğitim verisi ve ayrılmış değerlendirme

Dokümanları olan ekipler için bir bilgi asistanı erişilebilir bir başlangıç noktası sunar. Görsel içerik üreticileri görüntü düzenleme ile başlayabilirken, kayıt kütüphanesi olanlar transkripsiyonla başlayabilir. Sahip olduğunuz veya kullanım izniniz bulunan girdilerle tek bir çıktı seçin. Başarıyı somutlaştırın: doğru pasajlarla desteklenmiş bir yanıt ya da kaydı takip eden altyazılar.

Uzak barındırma seçiminize uygunsa, AlexHost’un GPU sunucu teklifi, seçtiğiniz projeyle karşılaştırabileceğiniz yapılandırmalar sunar. Ardından, yararlı bir sonuç üretecek en küçük sürümü oluşturun. İlk kilometre taşınız, yarım kalmış uygulamalarla dolu bir sunucu değil, kullanabileceğiniz tamamlanmış bir çıktı olmalıdır.