İşaret

2026-11-20 Yapay Zeka · Bilgisayarlı Görü · Doğal Dil İşleme · Robotik

Bu sayının ortak ipliği, yapay zekanın ekrandan fiziksel dünyaya taşınması: modeller artık yalnızca metin üretmiyor, mekânı ölçüyor, videodan eylem öğreniyor ve laboratuvarda deney yürütüyor. Aynı sayfalarda hem son-eğitim ve dikkat verimliliğindeki ilerlemeleri hem de robotik ve görü alanındaki gelişmeleri görmek, yetenek ile maliyetin birlikte nasıl evrildiğini ve alanın nereye gittiğini tek bakışta okumanıza yardım ediyor.

Accord: Tek Kamera ve IMU ile Yoğun Metrik Harita

Accord, tek kamera ve IMU'dan çevrimiçi, metrik ölçekli yoğun harita üretiyor.

Accord, herhangi bir kamera ve bir IMU'dan çevrimiçi olarak doğru, yoğun ve metrik ölçekli harita çıkaran bir sistem. Görsel-eylemsiz odometri (VIO) metrik hareketi veriyor ama geometriyi seyrek bırakıyor; ileri beslemeli derinlik modelleri ise yoğun yapı tahmin ediyor ama metrik ölçeği garanti edemiyor. Accord bu iki yaklaşımı birleştiriyor: VIO filtresi metrik pozları yayımlıyor, bu pozlara koşullanan bir derinlik temel modeli kısa anahtar kare pencereleri için derinlik tahmin ediyor, bir faktör grafiği de ortaya çıkan alt haritaları birleştiriyor. Yöntemin özü çoklu görüş uyumu: her pencere, filtre pozlarından üçgenlenen metrik 3B noktalara çapalanıyor; ardından birlikte görünen görüntüler arasındaki çift yönlü yoğun derinlik uyumu, metrik ölçeği koruyarak görüntü başına ölçek hatalarını kestirip düzeltiyor. Tek bir haritalama konfigürasyonu, beş açık kamera-IMU düzeneğinde ve yeni bir Phone-rig/GoPro veri kümesinde, veri kümesine özel ayar yapılmadan test edilmiş. Accord her platformda 5 cm'de ortalama F-skorunda tutarlı biçimde en iyi ya da ikinci en iyi sonucu veriyor. Kod ve veri kümesi açık kaynak olarak paylaşılıyor. Bu, ucuz sensörlerle çalışan robotlar ve telefon tabanlı haritalama için pratik bir adım.

Hugging Face Daily Papers →

Tek Önsel, İki Dinamik: Video Difüzyonuyla Eylem Öğrenmesi

O²LaF, önceden eğitilmiş video modelini etiketsiz videolardan gizli eylem öğrenmek için yeniden kullanıyor.

Videolar dünyanın nasıl değiştiğini gösterir ama değişimi yaratan eylemleri nadiren gösterir. Gizli eylem öğrenmesi bu denetimi görsel geçişlerden geri kazanmaya çalışır; ancak alttaki dinamikleri çoğunlukla sıfırdan öğrenir. O²LaF, bunun yerine önceden eğitilmiş bir video üreticisinin hem ters hem ileri dinamik için önsel sağlayıp sağlayamayacağını soruyor. İlke basit: tek önsel, iki dinamik. İki model de aynı önceden eğitilmiş video DiT'ten başlatılıyor ve farklı rollere uyarlanıyor. Ters dinamik için öğrenilebilir eylem sorgularına sahip ileri beslemeli bir geçiş kodlayıcı, ileri dinamik için nedensel ve eyleme koşullu bir video üreteci kullanılıyor. Bilgi erişimi kontrol edilip her iki dinamik kompakt bir darboğaz üzerinden uçtan uca eğitilince, etiketsiz videolardan aktarılabilir eylemler çıkıyor. Navigasyon ve robotik manipülasyonda O²LaF, az örnekli eylem sondalamada en iyi sonucu veriyor; görsel bağlamlar ve robot gövdeleri arasında daha güçlü sıfır örnekli eylem aktarımı sağlıyor. Çerçeve, V-JEPA2 gibi öngörücü temsil önselleri için de rekabetçi sonuç veriyor. Bulgular, önceden eğitilmiş video modellerini aktarılabilir eylemleri keşfetmek ve sonuçlarını öngörmek için yeniden kullanmanın geniş bir paradigma olabileceğini gösteriyor.

Hugging Face Daily Papers →

DaisyRose-27B: Son-Eğitim Verimliliğinde Yeni Sınır

RadixArk, 1.200 görevle 18 günde pekiştirmeli öğrenmeyle eğitilen DaisyRose-27B'yi Apache 2.0 ile yayımladı.

RadixArk'ın ilk modeli olan DaisyRose-27B yayımlandı. Qwen3.8-27B üzerine kurulu model, Miles ile pekiştirmeli öğrenme kullanılarak eğitildi. Eğitim, 1 milyon token'a varan oturumlarla uzun ufuklu ajan görevlerini kapsadı; yalnızca 1.200 özenle seçilmiş görev ve 144 H200 GPU ile 18 günde tamamlandı. Terminal-Bench 4.1'de pass@1 skoru %5,6'dan %12,0'a çıktı; en büyük kazanım da burada. Model; Terminal Bench 2.1 (73,0 → 75,5), DeepSWE v1.1 (42,2 → 46,2), SWE Bench Pro v2 (91,3 → 94,7), IFBench (79,5 → 82,4) ve GPQA Diamond'da (89,2 → 90,7) orijinal Qwen3.8-27B'nin üzerinde; HLE'de (yalnızca metin) de 33,9'dan 34,3'e küçük bir artış var. Model; mimariyi, tokenizer'ı, sohbet şablonunu, görüntü anlamayı ve 256K token bağlam penceresini koruyor. Daha uzun eğitim oturumları, harness tarafında yapılan özetleme sayesinde birden çok yörüngeye yayılıyor. BF16, FP8 ve NVFP4 kontrol noktaları Apache 2.0 lisansıyla açık; SGLang ve DSpark spekülatif kod çözme ile servis edilmesi öneriliyor. Görevler Eigent AI ile iş birliği içinde hazırlandı. Küçük ama kaliteli veriyle büyük kazanımların mümkün olduğunu gösteren bu sonuç, açık model ekosistemi için pratik bir referans.

Hugging Face Blog →

Google DeepMind Gemini 4 Neon'u Tanıttı

Gemini 4 Neon, uçtan uca hızlı görev tamamlama sunan yeni sınır modeli olarak yayında.

Google DeepMind, karmaşık yazılım mühendisliği, bilgi işi ve bilim iş akışlarında hızlı uçtan uca görev tamamlama vaat eden Gemini 4 Neon'u duyurdu. Model, Artificial Analysis Intelligence Index'te xhigh düşünme seviyesinde 61 puanla genel 3. sırada; Vals Index'te 2. sırada ve Pareto sınırında. Agent Arena Index'te yönlendirilebilirlikte (görev ortasında kullanıcı düzeltmelerine uyum) 2. sırada. Çok adımlı talimat takibinde de güçlü ve Google Antigravity iç testlerinde şimdiye kadarki en düşük uydurma (fabrication) oranını kaydetmiş. Kurumsal tarafta Legal Research Bench ve Tax Agent Bench'te 1., Vals Index'te %70,9 skoruna ulaşıyor; Zapier AutomationBench'te %56,3 ve Andon Labs Vending-Bench 2'de 16.843 dolarla genel 1. Bilimsel ve matematiksel akıl yürütmede Terminal-Bench Science (%70,5), RiemannBench (%84,0) ve HLE-Diamond'da (%71,3) sınıfının en iyisi. Fiyatlandırma milyon giriş token'ı başına 3 dolar (önbellekli girdide 0,15 dolar), milyon çıkış token'ı başına 15 dolar; bağlam penceresi 1 milyon token. Model, 18 Kasım'dan itibaren Gemini API'de (Google AI Studio), Gemini for business'ta, Google Antigravity'de ve Pro/Ultra aboneleri için Gemini uygulamasında kullanıma açılıyor.

DeepMind Blog →

TwinLab-Bench: Yapay Zeka Bilimcileri Gerçek Lab İkizlerinde

TwinLab-Bench, ajanların kendi tasarladığı deneyleri gerçek laboratuvar kayıtlarıyla ölçüyor.

Yapay zeka ajanlarından giderek bilimci gibi davranmaları bekleniyor; bu da üç yeteneği gerektiriyor: verilen hesaplamalı iş akışını doğru yürütmek, tasarım uzayından sonraki ölçümleri seçmek ve kendi deneylerini tasarlamak. Mevcut kıyaslar çoğunlukla ilk ikisini ölçüyor. TwinLab-Bench ise üçüncüsünü, fiziksel bilimler, yaşam bilimleri ve mühendislikteki laboratuvarlardan 52 görevde değerlendiriyor. 100'den fazla deneysel eylem türünü destekliyor; ajanın raporu, gerçek laboratuvar kayıtlarından alınan gizli bir cevapla karşılaştırılarak puanlanıyor. Her görevin kendi TwinLab ajanı var: bu ajan hem ortam görevi görüyor hem de test edilen ajanın tasarladığı deneyleri yürütüyor; laboratuvarın ham materyalini okuyor ve kayıtlardan kurulan hesaplayıcıları çağırıyor. Yalnızca görev tanımını gören bir dil modeline kıyasla TwinLab ajanı, gerçek kayıtlardan sapan okumaları ve tekrarlanan isteğe verilen tutarsız yanıtları neredeyse ortadan kaldırıyor; kapalı kitap sondaları ise hafızadan hatırlanan cevapları kontrol ediyor. Görevler sınır modeller için hâlâ zor: en güçlüsü, Claude Fable 5.2, ortalama yalnızca 45,0 puan alıyor. Makale ayrıca modelin nerede başarısız olduğuna dair ampirik bir çalışma sunuyor.

Hugging Face Daily Papers →

Mind2Act World: Robotik Manipülasyonda Akıl-Eylem Kıyası

180 simülasyon konfigürasyonu, robotların başarısızlığının akıldan mı eylemden mi geldiğini ayırıyor.

Mind2Act World, gömülü zekâ için tanılayıcı bir kıyas: beş gerçek dünya uygulama alanından 30 simüle manipülasyon görevi, üç zorluk seviyesi ve iki sahne ayarıyla (Temiz ve Rastgele) toplam 180 konfigürasyon sunuyor. Mevcut kıyaslar ya akıl yürütmeyi ve yürütmeyi aynı görevlerde ölçüyor ya da ikisini bileşimi olmadan ayrı ayrı değerlendiriyor; bu yüzden hatanın kaynağını gösteremiyor. Kıyas üç görünümden oluşuyor: Mind geçmiş gözlemlere dayalı kararları, Act hassas ve zamanında yürütmeyi, Mind2Act ise eylem sonuçlarının sonraki kararları yönlendirdiği kapalı döngü görevleri sınıyor. Karşılaştırma, bir sistemin bir yetenekten mi yoksa var olan yeteneklerini birleştirmekten mi yoksun olduğunu gösteriyor. Bir tanı çerçevesi, üç temsilci sistemin başarısız bölümlerini Mind, Act veya bileşime atfedip her sistem için profil kartı çıkarıyor. Çok kipli ajanlar, görü-dil-eylem (VLA) modelleri ve dünya-eylem modelleri (WAM) üzerindeki değerlendirme, tek görünümdeki yetkinliğin Mind2Act görevlerine taşınmadığını gösteriyor: en güçlü ajan Mind bölümlerinin %52,7'sinde, Act bölümlerinin %39,0'ında ama Mind2Act bölümlerinin yalnızca %12,0'ında başarılı. Güçlü ajan görev durumunu koruyor ama sürekli temasta zorlanıyor; uçtan uca politikalar ise alıştırılmış hareketleri yürütüyor ama görev durumunu az tutuyor. Asıl açık problem, akıl yürütme ile yürütmeyi çevresel geri bildirimle birleştirmek.

Hugging Face Daily Papers →

MAWAM: Koordineli Manipülasyon için Çoklu Ajan Dünya-Eylem Modeli

MAWAM, robot takımının eylemlerini ve ortak yarattığı fiziksel geleceği tek örneklemede üretiyor.

Bir robot takımında her hamle, takım arkadaşlarının eylem yapacağı dünyayı değiştirir; koordineli manipülasyon bu yüzden takımın eylemleriyle birlikte ortaklaşa yarattıkları fiziksel geleceği de öngörmeyi gerektirir. MAWAM, her robotun gelecek görüntülerini ve çalıştırılabilir eylem parçalarını tek örneklemede ortaklaşa üreten çoklu ajan dünya-eylem modeli. Önceden eğitilmiş tek robotlu bir dünya-eylem omurgası üzerine kurulu model, tüm robotların eylem ve gelecek görüntü token'larını ajanlar arası dikkatle birlikte gürültüden arındırırken her robot için ayrı bir kontrol arayüzünü koruyor. MAWAM üç gerçek robot görevinin (çamaşır torbası toplama, banyo havlusu katlama, şemsiye devri) tamamında en yüksek başarıyı elde etti: ortalama %67,8, aynı gösterim ve kameralarla eğitilen MA-VLA'nın 18,9 puan üzerinde. Simülasyonda dört kola kadar takımlarla sekiz görevde ortalama %90,3 başarıya ulaştı. Ablasyonlar, ajanlar arası dikkatin ve takım aşaması gelecek-video denetiminin koordineli kontrolü iyileştirdiğini gösteriyor: dikkat olmadan dört kollu bir aktarma görevi %95,0'dan %39,0'a, bu denetim olmadan Place Food görevi %78,0'dan %47,0'a düşüyor. Sonuçlar, çoklu robot koordinasyonunda dünya modelini eylem üretimiyle birleştirmenin işe yaradığını gösteriyor.

Arxiv CS.RO →

MV-JEPA: Video Kodlayıcılara Çoklu Görüş Son-Eğitimi

MV-JEPA, kodlayıcı mimarisine dokunmadan JEPA video kodlayıcılarında kameralar arası eşleşmeyi güçlendiriyor.

MV-JEPA, tek GPU'da yalnızca 9.000 son-eğitim güncellemesiyle JEPA tabanlı video kodlayıcılarda farklı kamera görüşleri arasındaki eşleşmeyi güçlendiriyor: çeşitli veri kümelerinde görüşler arası örnek getirimi ve kaba ölçekli kameralar arası an getirimi iyileşiyor; AE2'de sıfır örnekli eylem aşaması getiriminde ve dondurulmuş özelliklerle sınıflandırmada ek kazanım sağlanıyor. JEPA tabanlı video kodlayıcılar, gizli uzayda tahmin yoluyla video ve görüntü anlamada güçlü temsiller öğrenir; ancak standart ön eğitimleri özellikleri tek tek görüntüler ya da video klipleri içinde tahmin eder ve aynı nesnenin ya da anın eşleştirilmiş kamera görüşlerinden açıkça yararlanmaz. Bu yüzden öğrenilen temsiller, farklı kamera açıları arasında güvenilir eşleştirmeyi desteklemeyebilir. Çözüm olarak önerilen çoklu görüşlü öngörücü son-eğitim, tek görüşlü çıkarımı korurken görüşler arasındaki örnek eşleşmesini ve zamansal eşleşmeyi güçlendiriyor. Ortak bir kodlayıcı, maskelenmiş bağlam görüşlerini birbirinden bağımsız işliyor; yalnızca eğitim sırasında kullanılan bir öngörücü ise maskelenmiş bağlam bölgelerinin ve tümüyle dışarıda tutulan bir görüşün gizli token'larını birlikte tahmin ediyor. Kodlayıcının ön eğitimden gelen yeteneklerini korumak için görüşler arası tahmin, genel görüntü ve video verisi üzerinde tek görüşlü maskeli tahminle dönüşümlü yürütülüyor. Dondurulmuş sonda değerlendirmeleri; hareket tanıma, görüntü tanıma ve yoğun anlamsal bölütleme performansının büyük ölçüde korunduğunu gösteriyor.

Arxiv CS.CV →

LightningMoBA: Blok Dikkatinde Dinamik Yönlendirme ve Hız

LightningMoBA, uzun bağlam dikkatini 1,20–1,60 kat hızlandırırken RULER skorunu 74,42'den 75,28'e çıkarıyor.

Mixture of Block Attention (MoBA), her sorgu için anahtar-değer (KV) blokları seçerek uzun bağlam hesabını azaltır. FlashMoBA bunu verimli uygular ama sabit bir Top-k bütçesini ve sorgu merkezli bir zamanlamayı korur. Sabit Top-k, farklı skor dağılımlarına tek bütçe uygular ve yönlendirmeyi görev granülaritesine bağlar; sorgu aralığı sahipliği ise birkaç aralık aynı sütunu seçtiğinde K/V yeniden kullanımını parçalar. LightningMoBA seçimi ve yürütmeyi birlikte tasarlıyor: dinamik yönlendirme, KV merkezli sahiplik ve çalışma zamanı boru hattı. Dinamik yönlendirme, MoBA'nın sorgu başına blok skorlarına eşik uygulayıp değişken kardinaliteli seyrek üst veriyi doğrudan üretiyor. KV merkezli sahiplik, seçilen satırları (sorgu başlığı, KV bloğu) sütununa göre grupluyor, yüksek yayılımlı sütunları sınırlı görevlere bölüyor ve yüklenen KV karosunu yeniden kullanıyor. Hopper GPU'larda boru hattı, düzenli K/V transferlerini ve düzensiz sorgu toplamalarını Tensor Core hesabıyla örtüştürüyor. Beş kontrol noktasında eşleşen Top-16 tutma oranıyla uçtan uca üretimi 1,20–1,60 kat hızlandırırken ortalama RULER skorunu 74,42'den 75,28'e çıkarıyor. Yaklaşım, seyrek dikkatin GPU'daki gerçek maliyetlerini hedefliyor ve ek bir dizinleyici eğitmeyi gerektirmiyor.

Hugging Face Daily Papers →