İşaret

2026-11-16 Yapay Zeka · Bilgisayarlı Görü · Doğal Dil İşleme · Robotik

Bugünkü sayıda yapay zekanın iki sınırı aynı anda zorlanıyor: hız ve fiziksel dünya. Spekülatif kod çözmeden akış tabanlı ayrıştırmaya verimlilik atılımları, video modellerinin robot kontrolcüsüne dönüşmesi ve dokunsal verinin simülasyonla ölçeklenmesi, laboratuvardan sahaya geçişin ipuçlarını veriyor. Açılan hava durumu veri kümeleri ise bu ilerlemenin kimin elinde şekilleneceğini soruyor. Birlikte okununca hem teknik gidişat hem de açıklık tartışması netleşiyor.

MMFlash: Görsel-Dil Modellerinde Daha Hızlı Spekülatif Kod Çözme

MMFlash, görsel-dil modellerinin kod çözmesini kayıpsız biçimde 3,58 kata kadar hızlandırıyor.

Singapur Ulusal Üniversitesi'nden araştırmacılar, görsel-dil modellerinde spekülatif kod çözmeyi hızlandıran MMFlash çerçevesini geliştirdi. Yöntem, hafif bir taslak modelin önerdiği token'ları hedef modelin paralel olarak doğrulamasına dayanıyor; kayıpsız çalışarak çıktı kalitesini korurken 3,58 kata kadar hız artışı sağlıyor. Ekip önce, görsel girdi olan ve olmayan durumlardaki bir sonraki token dağılımları arasındaki KL ıraksamasına dayanan bir görsel bağımlılık metriği tanımladı. Sonuç net: görsel bağımlılığı en düşük çeyrekte token kabul oranı %46 iken en yüksek çeyrekte %22'ye düşüyor ve bu fark çok kipli eğitimden sonra da sürüyor. Başka bir deyişle, taslak model tam da görsel bilgiye en çok ihtiyaç duyulan token'larda zorlanıyor ve spekülatif kod çözmenin hız kazancı bu noktada kayboluyor. MMFlash bu darboğaza iki hamleyle yanıt veriyor. Taslak modelin kötü tahmin ettiği görsel bağımlı token'ların ağırlığını uyarlamalı biçimde artırıyor; uzun video girdilerinde ise gereksiz dikkat hesabını azaltmak için seyrek dikkat (sparse attention) kullanıyor. Çeşitli çok kipli benchmark'larda MMFlash, EAGLE-3'ü %195,4'e, DFlash'i %17,1'e varan oranlarda geride bırakıyor. Sonuç, çok kipli modellerin çıkarım maliyetini düşürmek isteyen ekipler için somut bir yol gösteriyor: hız kazancı için taslak modeli genel olarak büyütmek yerine, görsel bağımlı token'lara odaklanmak daha etkili görünüyor.

Hugging Face Daily Papers →

eDIAR: Konuşmacı Sınırı Olmayan Akış Tabanlı Ayrıştırma

Yeniden eğitim gerektirmeyen eDIAR, sabit konuşmacı yuvası sınırını kaldırıp saatlik toplantıları ayrıştırıyor.

KAIST'ten araştırmacılar, sabit sayıda çıktı yuvasına sahip nöral konuşmacı ayrıştırıcılarının en büyük sınırını yeniden eğitim yapmadan kaldıran eDIAR yöntemini sundu. Streaming Sortformer ve Nemotron-3 gibi modeller doğru ve çevrimiçi çalışıyor, ancak yuva sayısından fazla konuşmacıyı adlandıramıyor. Toplantılar ve çağrı merkezi kayıtları gibi gerçek senaryolarda konuşmacı sayısı arttıkça hata oranı da hızla yükseliyor. Yöntemde yuva başlığı kimin aktif olduğunu ve konuşmaların nerede çakıştığını belirlemeyi sürdürüyor. Tüm yuvalar kullanıldıktan sonra konuşmacı gömmeleri, Meta'nın e-means algoritmasıyla tek bir yuva içinde kümeleniyor. Akış modunda yeniden kümeleme son 90 saniyelik pencereyle, etiket düzeltmeleri ise son 10 saniyeyle sınırlı; böylece güncelleme başına maliyet yaklaşık 57 ms'de sabit kalıyor. Sonuçlar etkileyici: 20 konuşmacılı senaryoda DER %66,5'ten %43,7'ye iniyor. 12–20 konuşmacılı saatlik toplantıların 45. dakikasında Streaming Sortformer yaklaşık %57 DER'e çıkarken eDIAR %25 civarında kalıyor. e-means ayrıca 1.251 konuşmacılı kayıtlar arası eşleştirmede Lloyd k-means ile aynı kümeleme kalitesine birkaç kat daha hızlı ulaşıyor. Büyük konuşma arşivlerini hazırlayan ekipler için pratik bir çözüm.

Hugging Face Daily Papers →

DeepMind Hava Durumu Modellerinin Veri Kümelerini Açıyor

DeepMind, WeatherNext 3'ün dayandığı SatWeave ve PARDIG veri kümelerini araştırmacılara açtı.

Google DeepMind, yakın zamanda yayımlanan WeatherNext 3 modelinin temelini oluşturan iki veri kümesini, SatWeave ve PARDIG'i, araştırma ve geliştirici topluluğuna açtı. Hem on yılı aşkın arşiv hem de canlı veri akışı erişime açıldı. SatWeave, GOES-East, GOES-West, Meteosat 0, Meteosat Indian Ocean ve Himawari uydularının görüntülerini birleştiren küresel bir mozaik. Farklı projeksiyon, dosya formatı, sensör ve tarama programları nedeniyle tutarlı bir küresel harita oluşturmak zor; mevcut kompozitler genellikle dört veya daha az kanal sunuyor ya da saatler arayla güncelleniyor. SatWeave ise görünür, su buharı ve kızılötesi dahil 17 kanalı saatlik olarak güncelliyor ve WeatherNext 3'e gelişen bulutlar ile fırtınalara canlı bir bakış sağlıyor. PARDIG ise modelin yağış tahminlerini eğitmek için kullanılan, yapay zeka tabanlı küresel yağış veri kümesi; yer radarları ve yağmur ölçer ağlarının yetersiz kaldığı bölgelerdeki boşluğu kapatmayı hedefliyor. DeepMind, güneş enerjisi tahmini ve orman yangını izleme gibi uygulamaların da bu verilerle geliştirilebileceğini belirtiyor. Hava, hidroloji ve iklim alanındaki açık modelleme çalışmaları için değerli bir altyapı.

DeepMind Blog →

JVT: Piksel Uzayında Sade Video Difüzyonu

JVT, otokodlayıcı kullanmadan piksel uzayında video difüzyonu yapan sade bir Transformer sunuyor.

Yüksek boyutlu ham video verisini doğrudan difüzyonla modellemek zor bir problem ve mevcut piksel uzayı yöntemleri çoğunlukla özelleşmiş mimarilere dayanıyor. Araştırmacılar bunun yerine JVT'yi (Just Video Transformer) önerdi: önceden eğitilmiş otokodlayıcı, yardımcı detaylandırıcılar, kademeli aşamalar veya U-Net tarzı atlama bağlantıları içermeyen, büyük yama boyutlu DiT tarzı sade bir Transformer. Ekip; video yama gömmelerini, register token'larını ve uyarlamalı katman normalizasyonunu sistematik olarak inceleyerek üretim kalitesi ile hesaplama verimliliğini dengeleyen tasarım tercihlerini belirledi. Ortaya çıkan JVT, hem sınıf koşullu hem koşulsuz senaryolarda gizil difüzyon (latent diffusion) tabanlı yöntemlerle rekabetçi kalite sunuyor. Piksel uzayında çalışmak, piksel hizalı kipleri birlikte üretmeyi de doğal kılıyor. Kamera koşullu RGB-dispariti üretimi bunu gösteriyor: yalnızca RGB üreten referans yöntemlere göre kamera takibini iyileştiriyor ve çıkarım sırasında ek bir yeniden yapılandırma modeli gerektirmeden açık sahne geometrisi veriyor. Çalışma, sade DiT tarzı Transformer'ların video üretiminde yeterince güçlü olabileceğini somut biçimde gösteriyor. Ayrıca ek bileşenlerden arındırılmış mimari, ölçeklendirme ve farklı görevlere uyarlama açısından da daha sade bir başlangıç noktası sunuyor.

Hugging Face Daily Papers →

Robotun Bulanık Belleğini Netleştiren Sistem

MIT'nin yeni sistemi, robot belleğindeki güvenilmez nesne tanımlarını bulup düzeltiyor.

MIT araştırmacıları, bir robotun belleğinde sakladığı güvenilmez nesne tanımlarını tespit edip düzelten bir sistem geliştirdi. Robot bir ortamda ilerlerken yerleşik kameralarıyla birden fazla fotoğraf çekiyor; sistem bu görüntülerden gelen belirsizliği nicelendirerek tanımları iyileştiriyor. Örnekte robot, çatıdaki koyu renkli bir nesneyi önce doğru tanımlayamayacağını belirtiyor, ardından yanlışlıkla sincap olarak adlandırıyor. Hareket edip yeni görüntüler topladıkça ve belirsizlik nicelendirmesini devreye aldıkça tanımı düzeltiyor: nesne, hafif konik uçlu, pürüzsüz yüzeyli, koyu gri ve silindirik bir baca. Bu yaklaşımın önemi, robotun yalnızca tahmin üretmesinde değil, tahminine ne kadar güvenebileceğini de bilmesinde yatıyor. Tek bir kareye bakıp kesin hüküm vermek yerine, farklı açılardan gelen kanıtları birleştirerek düşük güvenli tanımları yeniden değerlendiriyor. Çalışmayı yöneten Luca Carlone, robotun neyi bilmediğini bilmesinin bu teknolojinin güvenli biçimde konuşlandırılması ve topluma olumlu etki yapması için kritik olduğunu vurguluyor. Yaklaşım, robotların çevreleriyle etkileşimini daha güvenilir kılmak için algı katmanında öz-farkındalık ekliyor; güvenilirliğin belirleyici olduğu gerçek dünya uygulamaları için anlamlı bir adım.

MIT News — AI →

Gemini 4 Carbon MathArena'da Zirvede, Ama 15 Kat Pahalı

Gemini 4 Carbon, MathArena'da GPT-6.1 Sol'u geçti; maliyeti ise yaklaşık 15 kat daha yüksek.

Google'ın Gemini 4 Carbon modeli, MathArena matematik benchmark'ında uzun süredir ilk kez OpenAI dışı bir model olarak zirveye yerleşti. %85,4 beklenen performansla GPT-6.1 Sol'u (%80,6) geride bıraktı; %82,8 ile Anthropic'in Claude Fable 5.2'si ikinci oldu. OpenAI'ın yakın zamanda Navier-Stokes denklemleri gibi zorlu problemleri çözdüğü öne sürülen modelleri ise henüz kamuya açık değil. Carbon'ın en sık hata biçimi süre sınırını aşmak. Model neredeyse hiçbir görevi yarıda bırakmıyor; bir örnekte, durumunu izlemeden on bir saatten uzun süre çalışan bir betik başlattı. Bu performansın bedeli yüksek. Testte kullanılan akıl yürütme ayarlarıyla Carbon yaklaşık 15,70 dolar, Fable 5.2 ise 40,20 dolar maliyetle çalışırken GPT-6.1 Sol yalnızca 1,07 dolara mal oluyor; yani Carbon yaklaşık 15, Fable 5.2 ise yaklaşık 40 kat daha pahalı. En iyi açık model Kimi K3.1 Pro ise %54,3 ve 3,70 dolarla geliyor. Aradaki fark, açık modellerin ileri düzey matematik akıl yürütmede hâlâ belirgin biçimde geride olduğunu gösteriyor. Matematik görevleri için model seçerken doğruluk kadar maliyet-performans dengesi de belirleyici olacak.

The Decoder →

Runway Praxis-1'i Açtı: Video Yapay Zekası Robot Kontrolcüsü Oldu

Runway, robot modeli Praxis-1'i Apache 2.0 lisansıyla ağırlıkları ve kaynak koduyla yayımladı.

Runway, robotik modeli Praxis-1'i açık ağırlıklar ve kaynak kodla, ticari kullanıma izin veren Apache 2.0 lisansı altında yayımladı. Model eylülün sonunda tanıtılmış, ancak başlangıçta yalnızca seçili ortaklara açılmıştı; yeni sürümle birlikte ayrıntılı bir araştırma raporu ve performans testleri de paylaşıldı. Praxis-1 kamera görüntülerini, metin talimatlarını ve robotun konum bilgisini alıp ortamın nasıl değişeceğini tahmin ediyor, ardından uygun robot hareketlerini hesaplıyor; yeni kareler geldikçe kontrolü sürekli güncelliyor. Temelinde, nesnelerin nasıl hareket ettiğini sıradan videolardan öğrenen bir video modeli var; bu model insan eylemleri ve robot verileriyle ince ayardan geçiriliyor. Böylece pahalı robot verisine daha az ihtiyaç duyulabilir. Yine de uyarlama için özel veri gerekiyor: Franka robot kolu için DROID veri kümesinden yaklaşık 277 saat, çift kollu bir robot için 1.400–2.600 saat kayıt kullanılmış. Standard Bots, Noble Machines ve Ultra gibi şirketler modeli bir insansı robot, bir endüstriyel kol ve bir depo robotu üzerinde test etti. Sınırlar da var: model benzer görünümlü nesneleri zaman zaman karıştırıyor ve karmaşık eylem dizilerini kendi başına güvenilir biçimde planlayamıyor. Yine de açık bir World Action Model olarak robotik araştırması için önemli bir kaynak.

The Decoder →

TouchTwin: İnsan Dokunma Verisini Simülasyonla Ölçeklemek

TouchTwin, ölçülmüş insan dokunuşuyla robotların kavrama kuvveti açığını kapatıyor.

İnsan gösterimleri, ustalık gerektiren manipülasyon için ana veri kaynağı haline geliyor ve gerçek-simülasyon-gerçek hatları her gösterimi simülasyonda çoğaltıyor. Ancak bu hatlar etkileşimi görüntüden yeniden kuruyor; elin nasıl hareket ettiğini kurtarıyor, hangi parmakların ne zaman ve ne kadar güçle dokunduğunu ise kaçırıyor. Bu bir kuvvet açığı: kaydedilen pozu taklit eden bir politika kayıtlı kuvvetin 0,31 katıyla, görüntüyle izlenen pozların fizik tekrarlarıyla eğitilen politika ise 1,55 katıyla kavrıyor. TouchTwin, ölçülmüş insan dokunuşuyla bu açığı kapatıyor. Baş ve bilek RGB-D kameraları ile 880 dokunma noktalı (taksel) bir eldivenle kaydedilen her TouchScale kaydı MuJoCo'da yeniden kuruluyor. Kodlama ajanları nesneleri fizik testinden geçmiş programlar olarak yazıyor; kişinin eline göre uyarlanmış dokunsal bir el modeli, temas noktalarını ve kavrama kuvvetini kayıtlı dokunuştan alarak etkileşimi yeniden oynatıyor. Simülasyonda dokunma temelli tekrarlarla eğitilen politika, kayıtlı kuvvetin 0,99 katıyla kavrıyor; bekletilen kayıtlarda 20/20, görülmemiş bozulmalarda 35/36 başarı elde ediyor. Temas tahmincisi gerçek temas karelerinin %13'ünü kaçırırken görüntü tabanlı tekrarlarda bu oran %32. Her tekrar ayrıca simüle temas ve kuvvet etiketli, yeni görüş ve sahnelerde gerçekçi videoya dönüşen bozulmuş gösterimler üretiyor.

Arxiv CS.RO →