Yapay zekâ dünyasında
neler oluyor?
AesCode, görsel tasarım kodu üretirken içerik promptuna dayalı kod üretimi ile aynı prompttan üretilen görseli estetik rehber olarak kullanır. Tasarım grafiği üzerinden ayrıştırılabilir özellikler için deterministik doğrulayıcılar, ayrıştırılamayanlar için VLM yargıcı ile ödül üretir. Bu ayrık ödüllendirme, görsel kaliteyi ve doğrulanabilirliği birlikte artırır.
Cepheid, seyrekten yoğuna hareket tamamlamada ölçeği yapıdan ayırarak aileler arası genelleme sorununu ele alır. Boyutsuz öncelik ve hafif düzeltme ile iskeletsiz çalışır.
Jeva, düşük gecikmeli karar verme için tasarlanmış yeni bir mimari sunuyor. Model, seçenek sıralamasından bağımsız çalışıyor ve aday yokluğunu net bir şekilde tespit edebiliyor. Bu yapı, tekrar eden seçenekler için hesaplamayı yeniden kullanarak verimliliği artırıyor.
EventLens, video anlama modellerinin zaman yapısını yeniden kurma yeteneğini geliştirmek için görsel odaklı pekiştirmeli öğrenme kullanır. Model, olay sınırlarını ve ilişkilerini dil kısayolları yerine görsel kanıtlarla öğrenir. Bu yöntem, insan etiketi gerektirmeyen deterministik ödüllerle eğitim sağlar.
Fish Audio Drama 3, 35B parametreli MoE mimarisiyle metni yönlendirilmiş performanslara dönüştüren açık kaynak bir ses üretim modelidir. Model, çok karakterli sahnelerde ses klonlama, infilling ile düzenleme ve akışkan ses sentezi sunar. Tek H200 üzerinde 271 kare/sn hızında çalışarak önceki nesilden daha yüksek verimlilik sağlar.
WorkRover, uzun süreli işbirliği ajanlarının eğitimini ölçeklendirmek için özyinelemeli çevre evrimi sunan bir çerçevedir. FCR ve VTCA mekanizmaları, görev bağlamı, yürütülebilir görevler ve doğrulayıcılar arasındaki uyumu koruyarak iteratif iyileştirmeyi destekler. Qwen3.5-35B-A3B'nin post-training'i ile elde edilen WorkRover-35B-A3B, çeşitli yataklarda temel modele göre belirgin performans artışı göstermiştir.
VideoAvrupa şehirleri, NVIDIA hızlandırılmış hesaplama ve açık modelleri kullanarak fiziksel yapay zeka ajanları ile dijital ikizler geliştiriyor. Bu sistemler, enerji verimliliği, altyapı bakımı ve kamu hizmetleri gibi alanlarda karar alma süreçlerini hızlandırıyor ve yerel veri egemenliğini koruyor.
ONESHOT, zaman serisi anomali tespitinde etiket verimsizliğini çözmek için tek bir onaylı anomaliyi algılayıcı ağırlıklandırmasında kullanır. Bu yöntem, 152 tek değişkenli ve 73 çok değişkenli seride en iyi tek algılayıcıyı ve havuz ortalamasını geride bırakarak, dinamik izleme sistemleri için pratik bir çözüm sunar.
Open-o3-Video-v2, video akıl yürütmeyi ajan tabanlı bir kanıt toplama sürecine dönüştürüyor. Model, eksik bilgileri tespit edip zaman damgaları ve nesne kutuları ile desteklenen çok turlu bir analiz yapıyor. Yeni STGR-v2 veri setleri ve CS-GRPO algoritması bu süreci destekliyor.
GenRevisit, karmaşık kompozisyonlu görüntü üretiminde iteratif düzenleme sürecini iyileştiren yeni bir ajan tabanlı çerçevedir. Mevcut yaklaşımların genellikle en son üretilen görüntüden devam etmesi, kalite düşüşüne yol açabilir. GenRevisit, ajanın geçmişten bir görüntü adayını seçerek düzenlemeye devam etmesine olanak tanır. Bu yöntem, SFT ve ajan takviyeli öğrenme ile eğitilir. GenEval2'de güçlü tabanları geride bırakarak üstün performans gösterir.
Harness^2, LLM ajanlarının çalışma koşullarını otomatik olarak geliştirmek için özyinelemeli bir çerçeve sunar. Doğruluk doğrulayıcıları olmadan görev bazlı iyileştirmeler yapar ve bu deneyimi sürekli gelişen bir yapıya dönüştürür. Üç profesyonel test setinde tek adımlık uygulama, taban modellerde anlamlı performans artışları göstermiştir.
PANINI-DR, derin araştırma süreçlerini yöneten çoklu ajanlı bir çerçevedir. Araştırma durumunu kalıcı bir çalışma alanında tutarak alt soruları ve kanıtları izler. Ayrı bir doğrulama ajanı, bulguları kanıtlarla karşılaştırarak hata yayılımını engeller. Bu yapı, karmaşık sorularda güvenilirliği artırır.
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.
Araştırma makalesine, model duyurusuna veya projenin deposuna haberden ulaşabilirsiniz.
Kaynakta açıklanan sonuçları, olası kullanım alanları ve bilinmeyenlerden ayrı sunuyoruz.
Görsel ve videoların kaynağını belirtiyoruz. Konuyu anlatmak için kullanılan illüstrasyonları da işaretliyoruz.
Yeni çalışmalar bulabileceğiniz dizinler ve araştırma laboratuvarları. Bir görsel özet ilginizi çekerse sonuçları özgün makaleden okuyun.
