Bu sayı, yapay zekanın laboratuvar başarılarından çıkıp gerçek dünyanın karmaşıklığıyla yüzleştiği kritik geçiş noktasını mercek altına alıyor: Belleği ölçeklendirmek, akıl yürütmeyi hızlandırmak, sensör güvenilirliğini garantilemek ve insanlarla güvenli temas kurmak. Robotik, bilgisayarlı görü ve dil modellerini birbirine bağlayan ortak iplik, sistem mimarisinin teorik performansı değil sahaya uygulanabilirliği belirleyen nihai etken olduğu gerçeği. Bu makaleleri bir arada okumak, farklı alanların aynı mühendislik zorluklarıyla —doğrulama, genelleme ve güvenilirlik— nasıl boğuştuğunu gösteriyor ve çözüm stratejilerini karşılaştırmalı düşünmenizi sağlıyor.
1.
Araştırma
Memora: Yapay Zeka Ajanları için Ölçeklenebilir Bellek Sistemi
Microsoft'un Memora sistemi, ajan belleğini soyutlama ve özgüllük arasında dengeleyerek %98 daha az token kullanıyor.
Microsoft Research, uzun vadeli görevlerde yapay zeka ajanlarının bellek sorununu çözen Memora sistemini ICML 2026'da yayımladı. Mevcut yapay zeka ajanları geçmiş konuşmaları hatırlayamadığından, her seferinde bağlamı yeniden yüklemek zorunda kalıyor; bu da uzun ve karmaşık görevlerde ciddi bir verimsizliğe yol açıyor. Memora, neyin saklandığını (zengin bellek içeriği) nasıl erişildiğinden (hafif soyutlamalar ve ipucu çapaları) ayırarak bu sorunu kökten çözüyor. Sistem, döngüsel olarak büyüyen bağlam yükünü ortadan kaldırıyor: geçmiş etkileşimlerden elde edilen bilgiler, tam bağlam çıkarımı yapmak yerine yalnızca küçük soyutlamalar aracılığıyla sorgulanıyor. Bu tasarım, hem depolanan bilginin kalitesini korurken hem de sorgulama maliyetini dramatik biçimde düşürüyor. LoCoMo ve LongMemEval benchmark'larında Mem0, RAG ve tam bağlam çıkarımı gibi güçlü rakiplerini geride bırakan Memora, bunu yaparken bağlam token sayısını yüzde 98'e kadar azaltıyor. Doğruluk ile verimlilik arasındaki bu denge, sistemin pratik dağıtım senaryolarında ne kadar değerli olduğunu açıkça ortaya koyuyor. Kodu açık kaynak olarak GitHub'da paylaşılan bu çalışma, çok haftalık projeleri yöneten iş asistanlarından karmaşık araştırma görevleri yürüten ajanlara, müşteri destek sistemlerinden kişisel üretkenlik araçlarına kadar son derece geniş bir kullanım alanına kapı aralıyor. Uzun vadeli ajansal yapay zeka uygulamalarının önündeki en kritik engellerden birini aşması bakımından Memora, bu alandaki araştırmalar için önemli bir referans noktası olmaya aday.
Microsoft Research Blog →
Paylaş: X · LinkedIn
2.
Araştırma
Light-Omni: Video Anlamada Akıl Yürütmeyi Refleksle Değiştiriyor
Light-Omni, pahalı iteratif akıl yürütme yerine refleks tabanlı mimariyle video anlamada 12x hızlanma sağlıyor.
Pekin merkezli araştırmacılar, uzun süreli video anlama görevleri için pahalı 'dedektif tarzı' iteratif akıl yürütme yerine refleks tabanlı bir yaklaşım öneren Light-Omni çerçevesini tanıttı. Mevcut video ajanları, eylem kontrolü ve kanıt birleştirme için yoğun hesaplamalı süreçlere başvurduğundan yüksek gecikme ve maliyet sorunuyla karşı karşıya kalıyor; bu durum özellikle gerçek zamanlı veya kaynak kısıtlı ortamlarda ciddi bir engel oluşturuyor. Light-Omni, bu ağır akıl yürütmenin temel nedenini küresel bağlam eksikliği ve anlambilimsel yanlış hizalama olarak tanımlıyor ve iki bileşenli bir çözüm sunuyor: bölümsel bellekten sürekli derlenen küresel bir multimodal betik (global state) ve bu bağlam üzerine koşullandırılarak otonom eylemleri doğrudan tetikleyen parametrik bir gizli durum (latent state). Küresel durum, videonun tamamına ait anlambilimsel bir harita işlevi görürken gizli durum bu haritayı anlık karar alma mekanizmasına dönüştürüyor. Bu tasarım sayesinde sistem, tek bir ileri geçişte gerekli bağlamı oluşturabiliyor ve anlambilimsel olarak hizalanmış erişim sağlıyor; böylece tekrarlayan akıl yürütme döngülerine olan ihtiyaç ortadan kalkıyor. Kapsamlı deneyler, Light-Omni'nin M3-Agent'a kıyasla ortalama yüzde 2,4 doğruluk artışı, 12,1 kat hızlanma ve 2,6 kat daha iyi GPU bellek verimliliği sunduğunu gösteriyor. Bu sonuçlar, ajansal video anlamada hesaplama maliyetini dramatik biçimde düşürmenin doğruluktan taviz vermeksizin mümkün olduğunu somut biçimde kanıtlıyor.
Arxiv CS.CV →
Paylaş: X · LinkedIn
3.
Araştırma
InvWeaver: LLM ile Karmaşık Döngü Değişmezi Sentezi
InvWeaver, LLM destekli nöro-sembolik çerçevesiyle çok döngülü programlarda 82 problemin 72'sini çözüyor.
Program doğrulamanın en zorlu problemlerinden biri olan döngü değişmezi çıkarımında önemli bir adım atıldı: InvWeaver, birbiriyle etkileşime giren döngüler içeren programlar için büyük dil modellerini nöro-sembolik bir çerçevede kullanan yeni bir sistem olarak öne çıkıyor. Mevcut LLM destekli tahmin-ve-kontrol yaklaşımları tek döngülü programlarda güçlü sonuçlar verse de birden fazla döngünün birbiriyle karmaşık biçimde etkileşime girdiği durumlarda başarısız oluyor; bu boşluk, formal doğrulamanın pratikte yaygınlaşmasının önündeki başlıca engellerden birini oluşturuyor. InvWeaver, bu sorunu döngüler arası bağımlılıkları açığa çıkaran ve kanıt yükümlülüklerini döngü seviyesinde soyutlama, yükümlülük güdümlü çıkarım ve en zayıf ön koşul tabanlı arıtma adımlarının kombinasyonuyla ileten özgün bir stratejiyle aşıyor. Sistem, LLM'nin güçlü örüntü tanıma yeteneğini sembolik doğrulama motorlarının kesinliğiyle harmanlayarak her iki yaklaşımın avantajlarından yararlanıyor. Klasik algoritmalardan türetilen yeni bir benchmark dahil kapsamlı testlerde InvWeaver, 82 çok döngülü problemin 72'sini çözmeyi başararak mevcut yöntemleri belirgin biçimde geride bırakıyor. Bu başarı oranı, yaklaşımın yalnızca özel durumlar için değil geniş bir problem sınıfı için geçerli olduğunu gösteriyor. Elde edilen sonuçlar, LLM'lerin formal doğrulama görevlerine entegrasyonunda somut bir ilerlemeye işaret ediyor ve kritik yazılım altyapısının güvenilirliğini artıracak daha olgun geliştirme araçlarının önünü açıyor.
Arxiv CS.LG →
Paylaş: X · LinkedIn
4.
Araç
NVIDIA Isaac GR00T ile İnsansı Robot Politikaları Uçtan Uca
NVIDIA, ~32.000 saatlik gerçek demo verisiyle eğitilmiş GR00T 1.7 ile insansı robotik geliştirmeyi standartlaştırıyor.
NVIDIA, insansı robot geliştirme süreçlerini tek bir tutarlı platforma bağlayan Isaac GR00T Development Platform'u ve GR00T 1.7 modelini duyurdu. Bugüne kadar veri toplama, simülasyon, eğitim ve konuşlandırma aşamaları birbirinden kopuk araçlarla yönetiliyordu; bu parçalı yapı entegrasyon karmaşıklığını artırıyor ve değerli geliştirme süresini tüketiyordu. GR00T platformu, açık kaynaklı ve modüler mimarisiyle bu aşamaları Isaac Teleop, Lab, Sim ve ROS bileşenleri aracılığıyla kesintisiz bir iş akışı içinde birleştiriyor. Her bileşen bağımsız olarak kullanılabildiği gibi uçtan uca entegre bir pipeline olarak da çalışabiliyor. GR00T 1.7 modeli ise yaklaşık 32.000 saat gerçek insan demonstrasyonu ve 8.000 saat simülasyon verisiyle ön eğitim görmüş; Cosmos-Reason2-2B (Qwen3-VL) omurgasını benimseyen, sağlam ONNX ve TensorRT dışa aktarımı sunan ve uzun vadeli görev ayrıştırmasını geliştiren bir vizyon-dil-eylem modeli olarak öne çıkıyor. Model, farklı robot gövdelerine ve görev türlerine uyum sağlayacak şekilde tasarlanmış; bu esneklik, araştırmacıların sıfırdan başlamak yerine mevcut ön eğitimi kaldıraç olarak kullanmasına olanak tanıyor. Büyük robotik şirketleri, araştırma kurumları ve XR cihaz üreticilerinin platforma dahil olduğu belirtiliyor; bu ekosistem büyümesi, GR00T'un insansı robotik için fiili bir geliştirme standardı haline gelme potansiyelini önemli ölçüde güçlendiriyor.
NVIDIA Developer Blog →
Paylaş: X · LinkedIn
5.
Araştırma
Tek Kamera ve Tek Işıkla Çift Gözlü Bakış Tahmini
Sanal ışık kaynağı yaklaşımıyla tek kamera ve tek ışık kullanarak çift gözlü göz izleme mümkün hale geliyor.
Geleneksel göz izleme sistemleri, serbest kafa hareketiyle bakış tahmini yapabilmek için en az bir kamera ve iki ışık kaynağına ihtiyaç duyuyor. Mobil cihazlar, akıllı gözlükler ve giyilebilir teknolojiler gibi donanım kısıtlamalarının belirleyici olduğu senaryolarda bu gereksinim ciddi bir engel oluşturuyor. Araştırmacılar, bu donanım sınırını aşmak için 'sanal ışık kaynağı' adını verdikleri yeni bir kavram geliştirdi. Gerçek ışık kaynağının kameraya göre geometrik olarak simetrik konumuna yerleştirilen bu sanal kaynak, görüntüde bir 'sanal parıltı' oluşturuyor. Yöntem, iki göz bebeği ve iki parıltı arasındaki mesafe ilişkisinden yararlanarak sanal parıltının konumunu tahmin ediyor ve ardından polinom regresyonu aracılığıyla bakış yönünü hesaplıyor. Yaklaşım, hem geometrik simetri varsayımlarını hem de istatistiksel öğrenme tekniklerini bir arada kullanıyor. Bunun yanı sıra, regresyon tabanlı göz izleme sistemleri için doğrulanan yeni bir normalizasyon faktörü de çalışmanın dikkat çeken katkıları arasında yer alıyor; bu faktör, farklı kullanıcılar ve aydınlatma koşulları arasında tutarlılığı artırıyor. İki gerçek ışık kaynağına kıyasla performansta beklenen bir miktar düşüş gözlemleniyor; ancak elde edilen sonuçlar pratik uygulamalar için kabul edilebilir bulunuyor. Bu yaklaşım, akıllı telefon ve giyilebilir cihazlarda daha erişilebilir ve donanım gereksinimlerinden bağımsız göz izleme çözümlerinin geliştirilmesine somut bir zemin hazırlıyor.
Arxiv CS.CV →
Paylaş: X · LinkedIn
6.
Araştırma
Co-STAR Robotu Evde Demans Terapisi Sunuyor
Özerk sosyal robot Co-STAR, demans hastalarına evde bilişsel stimülasyon terapisi sunarak bakıcı yükünü azaltıyor.
Araştırmacılar, demans hastalarına evlerinde özerk olarak bilişsel stimülasyon terapisi sunabilen sosyal bir robot geliştirdi ve dokuz katılımcıyla yürütülen bir haftalık saha çalışmasının sonuçlarını paylaştı. Uzman terapist eksikliği ve bakıcıların bu terapileri uygulayabilmesi için gereken yoğun eğitim ihtiyacı, bilişsel stimülasyon terapisine erişimi kısıtlayan başlıca etkenler arasında yer alıyor; bu durum özellikle evde bakım alan hastalar için ciddi bir hizmet boşluğu yaratıyor. Co-STAR adı verilen robot, günlük robot liderliğindeki oturumlarla bu boşluğu doldurmayı hedefliyor ve terapisti ihtiyaç duyulmaksızın yapılandırılmış bilişsel egzersizler sunabiliyor. Çalışma bulguları, katılımcıların planlanan seansların yaklaşık yarısını tamamladığını ortaya koydu; bu tamamlama oranı, bakıcı liderliğindeki bilişsel stimülasyon terapisinde tipik olarak gözlemlenen uyum oranlarının üzerinde seyrediyor. Saha çalışması ayrıca beklenmedik bir sosyal dinamiği de gün yüzüne çıkardı: aile üyeleri zaman zaman oturumları başlatmada destek verdi ve etkinliklere doğrudan katılım sağladı; bu durum robotun bir aile etkileşim katalizörü işlevi görebileceğine işaret ediyor. Sistemin güvenilirliği, kabul edilebilirliği ve günlük rutinlere entegrasyonu açısından elde edilen olumlu işaretler, daha büyük ölçekli çalışmalar için sağlam bir zemin oluşturuyor. IEEE RO-MAN 2026'da yayımlanmaya kabul edilen bu çalışma, asistif robotların gerçek ev ortamında kronik hastalık bakımını ölçeklendirme potansiyelini somut verilerle kanıtlıyor ve sağlık sistemleri üzerindeki artan bakım yükünü hafifletebilecek yeni bir teknoloji yolunu işaret ediyor.
Arxiv CS.RO →
Paylaş: X · LinkedIn
7.
Araştırma
GNSS Kesintisinde Fizik Destekli ML ile Araç Lokalizasyonu
PRML2, türevlenebilir Kalman filtresi üzerinden uçtan uca eğitimle GNSS kesintisinde araç konumlamayı iyileştiriyor.
Otonom araçların GPS sinyali aldığında konumlarını hassas biçimde belirleyebildiği biliniyor; ancak uydu sinyalinin kesildiği tünel, kapalı alan veya elektromanyetik gürültülü ortamlarda lokalizasyon performansı büyük ölçüde düşüyor. Bu soruna yönelik geliştirilen PRML2 (Physics-Regularized Machine Learning for Localization), Kalman filtrelemesini veri güdümlü öğrenmeyle harmanlayan hibrit bir yaklaşım sunuyor. Sistemin temel yeniliği, bir makine öğrenmesi modelini türevlenebilir Kalman filtresi üzerinden uçtan uca eğitmesi; bu sayede model çıktıları araç hareket modelleriyle fiziksel tutarlılık içinde kalıyor ve aşırı öğrenme riski azalırken farklı sürüş koşullarında genelleme kapasitesi artıyor. Fizik kısıtlamalarını doğrudan kayıp fonksiyonuna dahil eden bu tasarım, saf veri güdümlü yaklaşımların GPS yokluğunda gösterdiği sapma eğilimini kontrol altına alıyor. Sistem, IMU ve üretim araçlarında standart olarak bulunan diğer iç sensörlerden yararlanarak harici altyapıya olan bağımlılığı belirgin biçimde azaltıyor; bu özellik, mevcut araç filolarına entegrasyon maliyetini düşürüyor. PRML2, kamuya açık bir dataset üzerinde değerlendirildi ve düşük sürtünmeli koşullar gibi zorlu senaryoları kapsayan yeni bir benchmark dataset de araştırma topluluğuna sunuldu. IROS 2026'ya kabul edilen bu çalışma, GPS'e bağımlı olmadan güvenilir ve düşük maliyetli lokalizasyonun mümkün olduğunu göstererek özerk mobilite sistemlerinin daha geniş coğrafyalara yayılmasının önündeki teknik engelleri azaltıyor.
Arxiv CS.RO →
Paylaş: X · LinkedIn
8.
Araştırma
GraspIT: Sim-to-Real Köprüsü Kuran Robotik Kavrama Veri Kümesi
GraspIT, 2,3 milyondan fazla kavrama adayı ve gerçek dünya doğrulamasıyla robotik kavrama araştırmalarına yeni bir kaynak sunuyor.
Robotik kavrama araştırmalarındaki kritik bir boşluğu doldurmak üzere geliştirilen GraspIT veri kümesi, fotorealistik RGB-D gözlemler, fiziksel olarak doğrulanmış kavrama kalitesi anotasyonları ve simülasyon ile gerçek dünya arasında ilkeli bir köprüyü ilk kez bir arada sunuyor. NVIDIA Isaac Sim ortamında hazırlanan masa üstü sahneler, paralel Franka Panda örnekleri üzerinde dört aşamalı fiziksel kayma testiyle titizlikle anotasyonlanıyor. Bu süreçte yaklaşık 2,3 milyon kavrama adayının yüzde 83'ü başarılı olarak sınıflandırılırken kuvvet kapatmayı geçip kayma testinde başarısız olan yüzde 17'lik dilim, modellerin zorlayıcı negatif örnekler üzerinde eğitilmesine olanak tanıyan kademeli zor negatifler oluşturuyor. Bu kademeli olumsuz örnek stratejisi, kavrama politikalarının gerçek dünya koşullarında daha iyi genellemesi için kritik öneme sahip. Gerçek-Simülasyon döngüsü, simülasyondan elde edilen etiketleri 100 gerçek dünya sahnesine yansıtarak sim-to-real geçişini sistematik biçimde mümkün kılıyor; böylece araştırmacılar pahalı gerçek dünya etiketleme süreçlerine duydukları bağımlılığı azaltabiliyor. Veri kümesi toplamda 1.035 simülasyon ve 100 gerçek sahneye ait yaklaşık 316.000 anotasyonlu RGB-D çerçeve seti, örnek maskeleri, 6-DoF pozu ve puanlı kavrama verisini kapsıyor. Tüm araçlar açık kaynak olarak sunuluyor ve Docker konteyner desteğiyle yeniden üretilebilirlik garanti altına alınıyor; bu yapı, kavrama politikası öğrenimi ve davranış klonlama çalışmalarını önemli ölçüde hızlandırma potansiyeli taşıyor.
Arxiv CS.RO →
Paylaş: X · LinkedIn