Yapay zekâ dünyasında
neler oluyor?
“ACE” için 23 sonuç. Aramayı temizle
Görsel üretken modellerde, eğitim görüntüleri arasındaki kod uzayının açıkça denetlenmesi öneriliyor. InterpTok, bu boşlukta kalan karışımları doğal görüntülere dönüştürmek için ayrıştırıcı tabanlı bir yöntem sunuyor. Yaklaşım, interpolasyon kalitesini üç kat artırırken difüzyon modelinin FID skorunu 11.61'den 8.48'e düşürüyor.
Allen Institute for AI, HiRO-ACEv2 sistemini tanıttı. Bu sistem, 100 km çözünürlüklü ACE modelinin çıktılarını 3 km'ye indirgeyerek küresel iklim verisi üretir. Yeni HiROv2 modeli, yalnızca yağış değil; rüzgar ve basınç gibi birden fazla alanı aynı anda tahmin eder. Sistem, X-SHiELD simülasyonuna kıyasla yaklaşık 300 kat daha düşük maliyetle 10 yıllık veri üretebilir.
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.
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.
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.
Yapay zeka modellerinin yaratıcılığını ölçen mevcut testlerin tutarsızlığı, ortak bir tanım arayışını gündeme getiriyor. Bu çalışma, yaratıcılığı referans dağılımın uzun kuyruğundaki performans olarak tanımlıyor. 15 test ve 26 model üzerinde yapılan analiz, bu yaklaşımın insan yargılarıyla daha iyi örtüştüğünü gösteriyor. Araştırmacılar, mevcut testlerin uzun kuyruk kesiminde ortalama kaliteyi ölçen q@Tail adlı düşük maliyetli bir metrik öneriyor.
Transformers v5.19.0, EmbeddingGemma 2 modelini ve uzman paralelliğinde token dağıtımını ekler. Kırıcı değişiklikler arasında MoE router logits çıktılarının standardize edilmesi ve sürekli toplu işlemede 'paged|' öneklerinin kaldırılması yer alır. Ayrıca katman bazlı önbellek yapılandırması ve nicelikli önbellek hatalarının düzeltilmesi ile geliştirme deneyimi iyileştirilir.
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.
