Bu çalışma, yapay zeka ajanlarının görev tamamlama ve davranış kuralları arasındaki çatışmayı evrimsel seçim çerçevesinde inceler. Araştırmacılar, ajan kopyalarının yalnızca ödüllendirilen eylemi yapanların çoğaldığı bir modelde üç farklı politika karşılaştırır. Görev odaklı politika yalnızca görev ödüllendiren ortamlarda başarılı olurken, öğrenilen politika insan ödülleriyle sosyalize edilerek çevrenin denge noktasına yakınsar.
Google Research, Antigravity'nin /teamwork çoklu ajan sistemini kullanarak matematik, kimya ve yazılım mühendisliğindeki açık problemleri çözmek için Gemini 4 modellerini kullandı. Sistem, paralel keşif ve bağımsız doğrulama döngüleriyle uzun soluklu görevlerde tutarlılık sağlıyor. Bu araçlar, araştırmacılara karmaşık problemleri otomatikleştirilmiş iş akışlarıyla ele alma imkânı sunuyor.
Transformers v5.23.0, Inkling2, LFM3 ve IQuestCoder gibi yeni modelleri ekler. ExportedModel ile model dağıtımı basitleşir. OpenVINO ve ONNX Runtime entegrasyonları çıkarım hızını artırır. JEV karar hattı deneysel olarak sunulur.
Open Vision Banana, önceden eğitilmiş görüntü üreticilerini çok görevli algı sistemlerine dönüştüren tamamen açık ve yeniden üretilebilir bir tarife sunar. Çalışma, genelleyebilirlik için kritik tasarım seçimlerini analiz eder ve Cityscapes'te sıfır atış performansında Vision Banana'yı aşar. Ayrıca, yeniden eğitim gerektirmeyen test zamanı ölçeklendirme yöntemi olan legend ensembling'i tanıtır.
Bu çalışma, transformer modellerinin kompozisyonel genelleme yeteneğini sistematik olarak değerlendirir. Araştırmacılar, eğitim ve test dağılımlarındaki kompozisyon eşdeğerliği ile modül örtüşmesinin performans üzerindeki belirleyici rolünü ortaya koyar. Doğrudan modellerin başarısının büyük ölçüde eşdeğer kompozisyonlardan kaynaklandığı ve bu faktörlerin benchmark tasarımında dikkate alınmamasının yanıltıcı sonuçlara yol açtığı gösterilir.
AlphaGenome 2, DNA varyantlarının yüzlerce insan hücre tipi üzerindeki etkilerini tahmin eden yeni nesil bir modeldir. 100 milyondan fazla hücre profiliyle eğitilen sistem, doku ortalamaları yerine spesifik hücre durumlarına odaklanarak hastalık mekanizmalarını aydınlatmayı hedefler.
FewStepRL, az adımlı difüzyon modellerini pekiştirmeli öğrenme ile ince ayarlamak için mevcut RL hedeflerini sistematik olarak uyarlar. Çalışma, dönüşüm, ayrıştırma ve adaptasyon adımlarıyla bu modelleri ortak bir çerçeveye oturtur. Deneyler, ödül gradyanının uygunluğuna göre en iyi yöntemin değiştiğini ve ek çıkarım adımlarının genel performansta belirgin bir artış sağlamadığını gösterir.
Araştırmacılar, DINO gibi Vision Transformer modellerindeki belirsiz algısal temsilleri çözmek için iki yeni görsel odaklanma kaybı öneriyor. Bu kayıplar, çok başlı dikkat mekanizmasını kullanarak dikkat başlarının uzamsal olarak uzmanlaşmasını sağlıyor. Etiketsiz öğrenme yaklaşımı, sıfır atış görüntü segmentasyonu gibi yoğun tahmin görevlerinde hem yorumlanabilirliği hem de performansı artırıyor.
arXiv1 dk okuma
13–20 / 20 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.