WeightBench, dil modellerinin diğer sinir ağlarının parametrelerini doğrudan okuma, onarma ve sıfırdan yazma yetkinliğini ölçen bir çerçevedir. 42 görev ve beş iz üzerinden yapılan testlerde, frontier ajanların küçük ağlarda başarılı olduğu ancak büyük dil modellerini onarmada ve veri olmadan sıkıştırmada yetersiz kaldığı görülmüştür.
Araştırma, temel modellerin robot kontrolündeki güvenlik açıklarını RoboRisk benchmark'ı ile ölçüyor. Önerilen LEASH mimarisi, görev ve eylem kapıları aracılığıyla zararları azaltırken performans kaybını minimumda tutuyor. Çalışma, altı ileri düzey modelin yüksek risk taşıdığını ortaya koyuyor.
WorkflowArena, LLM tabanlı çoklu ajan sistemlerinde iş akışı orkestrasyonunu ölçen yeni bir benchmark'tır. 145 görev ve 8 alanda, ajanların otonom delegasyon stratejilerini ve çıktı kalitesini gizli doğrulayıcılarla değerlendirir. Dokuz modelin testinde, iş akışı yapısının görev başarısını belirleyen ölçülebilir bir faktör olduğu ortaya konmuştur.
arXiv / cs.AI + cs.CL1 dk okuma
1–3 / 3 yayın
Nasıl hazırlıyoruz?
Kaynağı belli. Sınırları açık.
Resmî duyuruları, araştırma makalelerini ve açık kaynak projelerinin sürüm notlarını yapay zekâ ile Türkçe özetliyoruz. Her haberde kaynak bağlantılarına, kullanım alanlarına ve açıklanmayan noktalara yer veriyoruz.
Doğrudan kaynak
Araştırma makalesine, model duyurusuna veya projenin deposuna haberden ulaşabilirsiniz.
Bulgular ve yorumlar
Kaynakta açıklanan sonuçları, olası kullanım alanları ve bilinmeyenlerden ayrı sunuyoruz.
Görsellerin kaynağı
Görsel ve videoların kaynağını belirtiyoruz. Konuyu anlatmak için kullanılan illüstrasyonları da işaretliyoruz.
Araştırma kaynakları
Makaleleri kendiniz keşfedin.
Yeni çalışmalar bulabileceğiniz dizinler ve araştırma laboratuvarları. Bir görsel özet ilginizi çekerse sonuçları özgün makaleden okuyun.