İşaret — 2026-07-15

Bu sayı, yapay zekanın artık yalnızca düşünmekle kalmayıp kararlı biçimde hareket ettiği bir dönüm noktasının fotoğrafını çekiyor: tarlada gece görüşüyle çalışan robotlardan sözleşme temelli güvenlik katmanlarına, 3D sahne anlayışıyla donatılmış manipülatörlerden çok-robot koordinasyonuna uzanan geniş bir uygulama yelpazesi. Öte yandan değerlendirme metodolojisine duyulan kuşkuculuk da aynı ölçüde derinleşiyor; hangi soruyu sorduğunuz, hangi sarmalayıcıyı seçtiğiniz ya da döngülere inanıp inanmadığınız, bir modelin sizin gözünüzdeki değerini kökten değiştirebiliyor. İkisini birlikte okumak, uygulama coşkusunu ölçüm disipliniyle dengelemenin neden bu kadar kritik olduğunu gösteriyor.

1. Araştırma

Tarım Robotları Artık Gece de Çalışabiliyor

Denetimsiz gündüz-gece görüntü çevirimi, tarım robotlarının karanlıkta güvenle navigasyon yapmasını sağlıyor.

Araştırmacılar, gündüz çekilen bitki sırası RGB görüntülerini yakın kızılötesi (NIR) gece görüntülerine dönüştüren denetimsiz bir görüntü çeviri çerçevesi önerdi. Tarım robotiği sistemlerinin büyük çoğunluğu yalnızca gündüz koşullarını varsayarak tasarlanıyor; oysa gece operasyonu sürekli ürün ve toprak izleme, meyve hasadı ve gece zararlı tespiti gibi kritik avantajlar sunuyor. Önerilen yöntem, piksel düzeyinde etiket gerektirmeden gündüz semantik etiketlerini gece algı modellerine aktarıyor; CLIP modeli ise çeviri sürecinde anlamsal tutarlılığı koruyan bir rehber işlevi görüyor. Ayrıca NIR aydınlatmasının sınırlı menzilini hesaba katmak amacıyla bir görünürlük maskesi mekanizması da sisteme dahil edildi. Ekip bu çalışma kapsamında, gece görüşlü robotlarla tarım arazilerinde derlenen 428 gündüz ve 549 gece görüntüsünden oluşan AgriNight adlı ilk kamuya açık benchmark veri setini de yayımladı. Veri seti, farklı bitki türleri ve değişken aydınlatma koşullarını kapsayan çeşitli senaryolar içeriyor; bu da modellerin gerçek dünya genelleştirme kapasitesini test etmek için elverişli bir ortam sunuyor. Sistem, IROS 2026'ya kabul edilen gerçek zamanlı otonom gece navigasyon deneyleriyle doğrulandı ve tarla koşullarında tutarlı performans sergiledi. Hem denetimsiz öğrenme yaklaşımının hem de açık erişimli veri setinin bir arada sunulması, alandaki diğer araştırmacıların benzer sistemleri hızla geliştirip karşılaştırabilmesine zemin hazırlıyor. Tarımsal otomasyon için 24 saatlik kesintisiz operasyonun önünü açan bu çalışma, hassas tarım ve akıllı sera yönetimi gibi alanlarda da doğrudan uygulanabilir potansiyel taşıyor.

Arxiv CS.RO →

2. Araştırma

EFLUX: LLM Destekli Esnek Çok-Robot Formasyon Kontrolü

EFLUX, büyük dil modellerini kullanarak çok-robotlu ekiplerin dar ortamlarda dinamik formasyon uyarlaması yapmasını sağlıyor.

EFLUX, sıkışık ve dağınık ortamlarda faaliyet gösteren çok-robotlu ekiplerin formasyon geometrilerini ve grup topolojilerini dinamik biçimde uyarlayabilmesini sağlayan geometri-temelli bir LLM ajan çerçevesi sunuyor. Mevcut yaklaşımlar, deformasyon (şekil değiştirme) ve yeniden yapılandırma (bölünme-birleşme) davranışlarını genellikle birbirinden bağımsız modellerle ya da sabit kurallar kümesiyle ele alıyor; bu durum sistemlerin beklenmedik engel konfigürasyonlarına karşı esnekliğini kısıtlıyor. EFLUX ise her iki davranış türü üzerinde LLM aracılığıyla birleşik akıl yürütme yaparak bu kısıtlamayı aşmayı hedefliyor. Sistem, ölçekleme ve kesme gibi deformasyon eylemlerini ile bölünme ve birleşme gibi yeniden yapılandırma eylemlerini robot başına yürütülebilir ara noktalara dönüştürmek için kapalı döngülü bir üretim-doğrulama-düzeltme hattından yararlanıyor. Bu hattın her aşaması, LLM çıktısının fiziksel uygulanabilirliğini ve güvenliğini güvence altına alacak şekilde tasarlandı. Simülasyon ve donanım deneylerinde EFLUX, kilitlenme ve navigasyon hatalarını temel yöntemlere kıyasla belirgin biçimde azaltırken tutarlı çok-robot koordinasyonunu da korudu. Gerçek donanım üzerinde gerçekleştirilen testler, çerçevenin yalnızca kontrollü sanal ortamlarla sınırlı kalmayıp fiziksel sistemlere aktarılabilir olduğunu doğruluyor. LLM'lerin çok-ajan robotikte pratik bir orkestrasyon katmanı olarak işlev gördüğünü gösteren bu çalışma, kural tabanlı filo yönetimi sistemlerinin yerini öğrenen ve çevreye uyum sağlayan mimarilere bırakabileceğine dair önemli bir kanıt sunuyor ve otonom filo yönetiminde yeni bir paradigmanın kapısını aralıyor.

Arxiv CS.RO →

3. Araştırma

VistaVLA: 3D Gaussian Sahnelerle Daha Akıllı Robot Manipülasyonu

VistaVLA, 3D Gaussian ilkelleri üzerine geometri ve anlam farkındalığı kazandırarak robot manipülasyonunda %22,8 başarı artışı sağlıyor.

VistaVLA, Vision-Language-Action (VLA) modellerinin temel açığını kapatmayı hedefliyor: mevcut modeller dil talimatlarını ve 2D görsel girdileri doğrudan eylemlere eşlerken sahne düzeyinde 3D uzamsal temsil kuramıyor; bu eksiklik özellikle karmaşık manipülasyon görevlerinde ciddi hata kaynaklarına yol açıyor. Yeni çerçeve, çok-görüş dil-görme özelliklerini 3D Gaussian ilkellerine taşıyarak geometri-çıpalı anlamsal tokenler oluşturuyor; bu tokenler görüş açısından bağımsız uzamsal akıl yürütmeyi mümkün kılıyor ve robotun nesneyi farklı perspektiflerden gördüğünde bile tutarlı bir temsil sürdürmesini sağlıyor. Yoğun Gaussian ilkellerini verimli biçimde işleyebilmek için Merge-then-Query (MtQ) adlı bir token özetleme mekanizması geliştiriliyor. Bu yöntem token sayısını yüzde doksan dokuz oranında azaltırken eylemle ilgili 3D düzeni ve anlamsal bağlamı koruyarak hesaplama maliyetini gerçek zamanlı robot kontrolüyle uyumlu seviyelere indiriyor. Simüle ve gerçek dünya ortamlarında yapılan kapsamlı değerlendirmelerde VistaVLA, yedi gerçek dünya görevinde başarı oranını yüzde 22,8 artırdı; dağılım dışı zorlu görevlerde ise VLA-Adapter taban çizgisini yüzde 30 geride bıraktı. Özellikle dağılım dışı performanstaki bu fark, 3D temsillerin modelin eğitim sırasında görmediği senaryolara genelleme yapma kapasitesini doğrudan güçlendirdiğini gösteriyor. Sonuçlar, 3D bilişsel temsillerin robotik manipülasyon için artık isteğe bağlı bir eklenti değil, kritik bir mimari bileşen olduğuna işaret ediyor.

Arxiv CS.RO →

4. Araştırma

LLM Kod Ajanları ile Güvenli Robot Davranış Ağacı Sentezi

Sözleşme-temelli mimari, LLM'lerin yalnızca robotun gerçekte yapabildiği becerilere dayanan davranış ağaçları üretmesini garantiliyor.

Doğal dilden robot davranış ağacı (BT) sentezi, üretilen ağacın robotun gerçek yetenek kümesiyle örtüşmesini zorunlu kılıyor; aksi hâlde sistem sahaya çıkamaz ve kullanıcı hatayı tespit etmekte güçlük çeker. Mevcut LLM tabanlı yaklaşımlar bu uyum sorumluluğunu genellikle prompt yazarına yüklüyor; kullanıcı robot yeteneklerini bilmiyorsa sistem kırılgan ve öngörülemez hale geliyor. Önerilen sözleşme-temelli mimari bu açığı yapısal biçimde kapatıyor: bir kod ajanı, bir Model Context Protocol (MCP) sunucusunu sorgulayarak beceri kütüphanesini, izin verilen BT operatörlerini ve isteğe bağlı BT kompozisyon şablonlarını içeren açık bir sözleşme alıyor. Böylece LLM yalnızca robotun gerçekten yapabileceği eylemler üzerinden akıl yürütüyor ve geçersiz beceri çağrıları derleme aşamasında ayıklanıyor. Üretilen her BT, robot çalışma zamanına iletilmeden önce bir doğrulama kapısından geçiyor; bu katman sisteme ek bir güvenlik kalkanı sağlıyor. PyRoboSim'de 110 simüle görev ve fiziksel bir Husarion Panther robotu üzerinde 14 görev üzerinde gerçekleştirilen değerlendirmeler, sözleşme sabitlemenin neredeyse mükemmel BT doğrulama oranı ve yüksek görev başarısı sağladığını ortaya koydu. Fiziksel robot deneyleri, yaklaşımın yalnızca simülasyonda değil gerçek donanımda da güvenilir biçimde işlediğini doğruluyor. Bu mimari, uzman olmayan operatörlerin robot uygulama ayrıntılarına hâkim olmadan güvenle komut verebileceği dağıtım hazır LLM-robot sistemlerinin kapısını aralıyor.

Arxiv CS.RO →

5. Araştırma

Prompt Sarmalayıcı Seçimi LLM Sıralamalarını Altüst Edebiliyor

Format Duyarlılık İndeksi, yalnızca biçimlendirme farkının model başarı puanlarını 30 kata kadar değiştirebildiğini gösteriyor.

Yeni bir çalışma, prompt sarmalayıcısındaki yalnızca biçimlendirme detaylarına ilişkin farklılıkların LLM liderboard sonuçlarını tamamen tersine çevirebilecek ölçüde puanları etkileyebildiğini ortaya koyuyor. Araştırmacılar bu riski sistematik biçimde ölçmek için iki tamamlayıcı metrik tanıtıyor: Format Duyarlılık İndeksi (FSI), sarmalayıcı seçiminin neden olduğu doğruluk aralığını nicelleştirirken; Parseability Sensitivity Index (PSI) yanıt ayrıştırılabilirliğindeki karşılık gelen aralığı ölçüyor. Çalışma, 7 soru-cevap görevi, 5 sarmalayıcı ailesi ve 7B'den 72B parametreye uzanan 4 instruct modeli kapsayan toplam 140.000 OpenRouter üretimini inceledi. Sonuçlara göre ortalama FSI modeller arasında 30 kattan fazla değişiyor ve bu farklılığın büyük bölümü uyum hatalarından, yani modelin beklenen çıktı biçimine uymakta zorlanmasından kaynaklanıyor. Sabit etkiler regresyon analizi, ayrıştırılabilirliğin görev, model ve sarmalayıcı türü kontrol edildiğinde bile doğruluğun güçlü ve anlamlı bir yordayıcısı olmayı sürdürdüğünü gösterdi. Bu bulgu, biçimlendirme sorunlarının yalnızca teknik bir ayrıntı olmadığını, model davranışının özüne işleyen bir değişken olduğunu kanıtlıyor. Araştırmacılar, sarmalayıcı varyansı ve uyum oranı raporlanmadan yapılan benchmark karşılaştırmalarının istatistiksel açıdan güvenilir olmadığını öne sürerek LLM değerlendirme metodolojisinin standartlaştırılması gerektiğini güçlü biçimde savunuyor.

Arxiv CS.AI →

6. Araç

RAG mı Fine-Tuning mı? Doğru Soru Bu Değil

RAG ve fine-tuning farklı problemleri çözer; hangisinin 'kazandığı' değil, hangi probleminiz olduğu önemlidir.

Makine öğrenmesi uygulayıcıları arasında sıkça karşılaşılan 'RAG mı yoksa fine-tuning mı?' sorusu, temelden yanıltıcı bir çerçeveleme sunuyor; çünkü bu iki teknik birbirinin rakibi değil, farklı katmanlardaki farklı sorunları çözen tamamlayıcı yaklaşımlar. RAG (Retrieval-Augmented Generation), modeli hiç değiştirmeden çıkarım zamanında dış bilgiyi prompt'a enjekte ederek modelin 'ne gördüğünü' etkiliyor; güncel, dinamik veya alan-özgü bilgiye erişim için idealdir ve bilgi tabanını değiştirmek model yeniden eğitimi gerektirmiyor. Fine-tuning ise modelin ağırlıklarını belirli görevlerde, üsluplarda veya davranış kalıplarında uzmanlaşmak amacıyla yeniden eğiterek modelin 'nasıl davrandığını' şekillendiriyor; bu yaklaşım tutarlı bir çıktı tonu, alan terminolojisi veya görev formatı gerektiren senaryolarda öne çıkıyor. Makale bu kavramsal ayrımı somut kod örnekleri ve gerçek kullanım senaryolarıyla pekiştiriyor: bilgi tabanını genişletmek isteyenler RAG'a, model çıktı stilini veya alan davranışını biçimlendirmek isteyenler fine-tuning'e yönelmeli. İki tekniğin örtüştüğü hibrit mimariler de mümkün ve çoğu zaman en etkili tercih haline geliyor; örneğin fine-tuning ile alan diline uyum sağlanırken RAG ile güncel bilgiye erişim korunabilir. LLM tabanlı uygulama geliştiren takımlar için doğru sorunun 'hangisi daha iyi?' değil 'hangi problemi çözüyorum?' olduğunu netleştiren bu içerik, pratik bir karar rehberi niteliği taşıyor.

Towards Data Science →

7. Etkinlik

AI Mühendisliğinde 'Döngüler' Tartışması: Hype mi, Gerçek mi?

AI Engineer World's Fair kapanış günü, otonom ajan döngülerinin mühendislik disiplinini aşıp aşmadığını tartışmaya açtı.

AI Engineer World's Fair'in son günü, yapay zeka mühendisliğinin gündemini şekillendiren merkezi bir tartışmayla noktalandı: otonom yazılım fabrikalarını mümkün kılan ajan döngüleri gerçekten olgunlaştı mı, yoksa endüstrideki hype disiplinin önünde mi koşuyor? Döngü savunucuları, kod üretiminin geri dönüşü olmayan biçimde otomasyona geçtiğini ve doğrulanabilirliğin üretim yönteminden bağımsız olması gerektiğini savunarak LLM-tabanlı ajan mimarilerinin artık üretime hazır olduğunu öne sürdü. Karşı cephede ise Kubernetes gibi başarılı sistemlerin deterministik kontrol döngüleri üzerine inşa edildiğini hatırlatan isimler, LLM-tabanlı ajan döngülerinin uzun vadeli ekonomik sürdürülebilirliğini sorguladı; bu görüşe göre LLM çağrılarının birikimli maliyeti ve öngörülemez gecikmeleri kurumsal ölçekte ciddi engeller oluşturuyor. Aynı kesim, soyutlama katmanlarının kontrolsüz biçimde üst üste yığıldığı mimarilerde asıl problemin hiçbir zaman doğrudan ele alınmaması riskine de dikkat çekti. Kapanış konuşmaları 'bundan sonra ne inşa edilmeli?' sorusuna odaklanırken etkinlikte yapay zeka mühendisliğinin mevcut durumunu değerlendiren kapsamlı bir sektör raporu da kamuoyuyla paylaşıldı. Toplantıda öne çıkan gerilim, endüstrinin ajan mimarilerine olan coşkusunun teknik olgunluk çıtasını ne ölçüde geride bıraktığını gözler önüne seriyor ve kurumsal AI ekipleri için hangi mimarilere yatırım yapılması gerektiği sorusunu güncelliğini koruyarak masada bırakıyor.

Latent Space →

8. Endüstri

Anthropic, Claude'u Slack'e Takım Üyesi Olarak Entegre Ediyor

Claude Tag, Slack kanallarında @Claude etiketleyerek arka planda görev yürüten, bağlamı zamanla öğrenen bir yapay zeka takım arkadaşı sunuyor.

Anthropic, Claude'u Slack çalışma alanlarına doğrudan entegre eden Claude Tag'i duyurdu; bu yenilik kurumsal iş akışlarına gömülü LLM deneyimini yeni bir olgunluk düzeyine taşıyor. Kullanıcılar, seçili kanallara @Claude etiketini ekleyerek görev devredebiliyor; Claude ise kanalda biriken konuşma geçmişinden ve bağlamdan öğrenerek her etkileşimde sıfırdan açıklama yapma zorunluluğunu ortadan kaldırıyor. Bu bağlamsal süreklilik özellikle büyük ekiplerde tekrarlayan onboarding maliyetini belirgin biçimde düşürüyor. Sistem çok oyunculu bir yapıda çalışıyor: kanaldaki tek bir Claude örneği tüm ekip üyeleriyle eş zamanlı etkileşime girebiliyor ve birden fazla konuşma kesintisiz sürdürülebiliyor. 'Ambient' modu etkinleştirildiğinde Claude, takip edilmesini önerdiği güncellemeleri proaktif olarak paylaşabiliyor, yanıtsız kalan görevleri hatırlatıyor ve ekip içi iletişimi pasif biçimde izleyerek gerektiğinde devreye giriyor. Anthropic'in kendi ürün ekibindeki verilere göre kodun yüzde 65'i Claude Tag'in iç sürümü tarafından üretiliyor; bu oran sistemin yalnızca bir pazarlama argümanı değil, fiili üretkenlik değeri taşıdığının somut göstergesi. Claude Enterprise ve Team müşterilerine beta olarak açılan ürün, kurumsal AI adaptasyonunun sohbet arayüzlerinden asenkron ajan iş akışlarına doğru evrildiğini açıkça ortaya koyuyor ve bu geçişin kurumsal yazılım ekosistemini nasıl yeniden şekillendirebileceğine dair önemli bir örnek teşkil ediyor.

Anthropic News →