İşaret — 2026-07-20

Bu sayı, yapay zekanın ölçek ve verimlilik gerilimini farklı cephelerden ele alan çalışmaları bir araya getiriyor: milyonlarca saatlik veriyle robotik temsillerini sertleştirmek, KV önbelleği ve MoE mimarilerinde hesaplama maliyetini törpülemek, sanal ortam sentezi ve öz-iyileştirme döngüleriyle veri darboğazlarını aşmak. Birlikte okunduğunda bu makaleler, 2026'nın belirleyici sorusunu netleştiriyor: Daha büyük modeller değil, daha akıllıca tasarlanmış sistemler ne kadar ileri gidebilir?

1. Araştırma

Xiaomi'nin 100K Saatlik Gerçek Veriyle Eğittiği Robot Modeli

Xiaomi-Robotics-1, 100K saatin üzerinde gerçek dünya verisiyle eğitilen ve görülmemiş ortamlarda doğrudan çalışan temel bir VLA modeli sunuyor.

Xiaomi Robotics Team, 100 bin saati aşan gerçek dünya manipülasyon yörüngesiyle eğitilen Xiaomi-Robotics-1 adlı temel bir vizyon-dil-eylem (VLA) modeli yayımladı. Model, ön eğitim ve son eğitimden oluşan iki aşamalı bir tarif izliyor: Ön eğitimde UMI cihazlarıyla toplanan geniş kapsamlı yörüngeler üzerinde çalışan model, sahne durum geçişlerini doğal dille açıklayan otomatik etiketleme hattı sayesinde zengin bir eylem anlayışı kazanıyor. Son eğitimde ise model, çeşitli robot gövdeleriyle ve insanların robota doğal biçimde verdiği emirlerle hizalanıyor. Ölçekleme deneyleri, veri ve model büyüklüğü arttıkça performansın tutarlı biçimde yükseldiğini gösteriyor; bu kazanım son eğitim aşamasına da doğrudan aktarılıyor. Simülasyon benchmark'larında Xiaomi-Robotics-1, RoboCasa365'te yüzde 57,6 başarı oranıyla yeni bir rekoru kırarken önceki en iyi sonuç yüzde 46,6 düzeyinde kalıyordu. RoboDojo'da ise 20,07 ortalama skorla mevcut en iyi yöntemi 13,07 skorun belirgin biçimde gerisinde bırakıyor. Sistem ayrıca gerçek dünya robot görevlerinde de rekabetçi sonuçlar üretiyor; bu durum, yalnızca simülasyon performansına odaklanmayan kapsamlı bir değerlendirme anlayışını yansıtıyor. Xiaomi'nin bu çalışması, mobil manipülasyon için ölçeklenebilir temel politikaların endüstriyel ölçekte üretilebileceğini somut verilerle ortaya koyuyor ve genel amaçlı robot sistemlerine giden yolda önemli bir referans noktası oluşturuyor.

Arxiv CS.RO →

2. Araştırma

MIT'ten 2D Tasarımları 3D CAD'e Dönüştüren Yeni Sistem

MIT'in GIFT sistemi, görsel-dil modellerini kullanarak 2D mühendislik çizimlerini doğrudan doğru ve işlevsel 3D CAD programlarına dönüştürüyor.

MIT araştırmacıları, vizyon-dil yapay zeka modellerinin 2D tasarımlardan otomatik olarak CAD programı üretmesini sağlayan GIFT adlı yeni bir çerçeve geliştirdi. Mühendisler uçak ve otomobil parçaları gibi bileşenleri tasarlarken sıklıkla vizyon-dil modellerinden yararlanıyor; ancak bu tasarımları sanal çarpışma veya dayanıklılık testlerine tabi tutmak için güvenilir CAD yazılımlarında 3D modellere dönüştürmek gerekiyor. Bu dönüşüm süreci hem zaman alıcı hem de manuel uzmanlık gerektiriyor. GIFT, söz konusu adımı otomatize ederek modelin ürettiği CAD programlarını mevcut yöntemlere kıyasla çok daha doğru ve işlevsel hale getiriyor. Sistem, yapay zeka modelini doğru CAD çıktıları üretmesi için yönlendiren özel bir eğitim çerçevesi kullanıyor; bu sayede prototipleme sürecindeki manuel müdahale ihtiyacı önemli ölçüde azalıyor. Çerçeve ayrıca üretilen CAD kodunu doğrulamak için yinelemeli bir geri bildirim döngüsü içeriyor; bu mekanizma geometrik hataların erken aşamada ayıklanmasına olanak tanıyor. Deneyler, GIFT'in standart benchmark'larda mevcut en iyi yöntemleri geometrik doğruluk ve derleme başarısı açısından geride bıraktığını gösteriyor. 2D tasarımdan 3D simülasyona geçiş sürecini önemli ölçüde daraltması, ürün geliştirme döngüsünü hızlandırma ve mühendislik hatalarını erken aşamada tespit etme potansiyeli taşıdığından GIFT, endüstriyel tasarım iş akışları için kritik bir yenilik niteliği kazanıyor.

MIT News — AI →

3. Araştırma

SceneSmith: Robotlar İçin Sanal Eğitim Ortamı Üreten Yapay Zeka

MIT'in SceneSmith sistemi, işbirlikçi yapay zeka ajanlarıyla robotların ev ortamlarında pratik yapabileceği gerçekçi 3D sahneler oluşturuyor.

MIT CSAIL araştırmacıları, robotların günlük görevleri pratik yapabileceği gerçekçi 3D iç mekân ortamları üreten SceneSmith adlı yeni bir sistem geliştirdi. Robotların fiziksel dünyada eğitilmesi hem maliyetli hem de zaman alıcı olduğundan simülasyon en doğal alternatif olarak öne çıkıyor; ancak mevcut fizik motorları ne kadar gelişmiş olursa olsun simülasyon içeriğinin çeşitliliği ve gerçekçiliği çoğu zaman yetersiz kalıyor. SceneSmith bu sorunu birbiriyle işbirliği yapan üç yapay zeka ajanıyla çözüyor: biri sahnedeki nesneleri, biri duvarları ve mimari yapıyı, biri de sahnenin genel görsel tutarlılığını yönetiyor. Ajanlar birbirinin çıktılarını denetleyerek fiziksel açıdan mantıklı ve estetik olarak tutarlı ortamlar oluşturuyor. Sistem, mutfak, otel odası ve oturma odası gibi birbirinden farklı iç mekânları otomatik olarak üretebiliyor; robotlar bu ortamlarda nesne tutma, yer değiştirme ve navigasyon gibi çeşitli görevleri deneyimleyerek beceri kazanabiliyor. Kullanıcı tanımlı kısıtlamalar veya doğal dil talimatlarıyla da yönlendirilebilen sistem, araştırmacılara hızla özelleştirilebilir senaryolar sunuyor. Eğitim verisi kıtlığı robotik alanının önündeki en büyük engellerden biri olmaya devam ettiğinden SceneSmith, bu darboğazı ölçeklenebilir sentetik veri üretimiyle aşmayı hedefleyerek genel amaçlı robot asistanlarının geliştirilme sürecini önemli ölçüde hızlandırma potansiyeli taşıyor.

MIT CSAIL →

4. Araştırma

Loopie: MoE ile Güçlendirilmiş Döngülü Transformer Serisi

Loopie, döngülü Transformer mimarisini Mixture-of-Experts ile birleştirerek aynı hesaplama bütçesiyle standart modelleri geride bırakıyor.

Araştırmacılar, döngülü Transformer mimarisini Mixture-of-Experts (MoE) yaklaşımıyla birleştiren Loopie model serisini tanıttı. Seri, 20 milyar parametreli (2B aktif) ve 6 milyar parametreli (0,6B aktif) olmak üzere iki modelden oluşuyor. Döngülü Transformer'ların uzun süredir karşılaştığı temel sorun şuydu: aynı ön eğitim hesaplama bütçesiyle modeli N kez döngüye sokmak yerine parametre sayısını N katına çıkarmak genellikle daha iyi sonuç veriyordu. Bu durum, döngülü mimarilerin parametre verimliliği konusundaki teorik avantajlarını pratikte kanıtlamayı zorlaştırıyordu. Loopie, kapsamlı ablasyon çalışmaları ve aynı bütçeyle eğitilen vanilla 30B-A3B modeliyle sistematik kıyaslama yoluyla bu engeli aşıyor ve standart Transformer baseline'larını belirgin biçimde geride bırakıyor. MoE bileşeni, her döngü adımında farklı uzman alt ağların devreye girmesine olanak tanıyarak hesaplamayı daha verimli kullanıyor. Özellikle dikkat çekici olan ise Loopie'nin özgün son eğitim hattı sayesinde 2025 IMO ve IPhO yarışmalarında araçsız altın madalya düzeyinde performans sergilemesi. Bu başarı, modelin yalnızca dil modellemesinde değil, derin matematiksel ve fiziksel akıl yürütmede de güçlü sonuçlar ürettiğini gösteriyor. Döngülü mimarilerin parametre verimliliği açısından sunduğu potansiyeli pratikte kanıtlayan bu çalışma, hesaplama etkin dil modeli tasarımı araştırmaları için önemli bir referans noktası oluşturuyor.

Hugging Face Daily Papers →

5. Araştırma

GraphDx: Maliyet Bilinçli Çok-Ajanlı Tıbbi Teşhis Çerçevesi

GraphDx, LLM tabanlı sıralı tıbbi teşhiste başarı oranını %93'e çıkarırken test maliyetini %54'e kadar düşürüyor.

Araştırmacılar, yinelemeli bilgi toplama gerektiren sıralı tıbbi teşhis süreçleri için GraphDx adlı maliyet farkındalıklı, bilgi destekli çok-ajanlı bir çerçeve önerdi. Mevcut LLM tabanlı yaklaşımlar geniş tıbbi bilgi içermelerine karşın maliyet kısıtları altında sistematik akıl yürütmede yetersiz kalıyor ve gereksiz test siparişine yöneliyordu; bu durum hem klinik verimliliği hem de hasta maliyetlerini olumsuz etkiliyor. GraphDx bu sorunu iki temel yenilikle ele alıyor: LLM'lerin otomatik olarak oluşturduğu Tıbbi Teşhis Bilgi Grafikleri (MDKG) ve üç işbirlikçi ajan mimarisi. Bu üç ajan sırasıyla Algılama, Akıl Yürütme ve Karar rolleri üstleniyor. Algılama ajanı hasta semptomlarını ve test sonuçlarını yorumlarken, Karar ajanı sonraki adım için öneride bulunuyor. Akıl Yürütme ajanı ise MDKG üzerinde belirlenimci kanıt puanlaması ve maliyet duyarlı planlama yaparak gereksiz tetkiklerden kaçınıyor. DeepSeek-V3, Kimi-k2 ve Llama-3.3 üzerinde MedQA ve MIMIC-IV dataset'leriyle gerçekleştirilen deneyler, GraphDx'in teşhis başarı oranını yüzde 50–68 aralığından yüzde 79–93 düzeyine yükseltirken test maliyetini yüzde 20–54 oranında düşürdüğünü gösteriyor. Klinik yapay zeka sistemlerinde doğruluk ile kaynak verimliliğini eş zamanlı iyileştiren bu yaklaşım, otomatik teşhisin gerçek dünya uygulamalarına taşınması açısından umut verici bir adım niteliği taşıyor.

Arxiv CS.AI →

6. Araştırma

VarRate: Uzun Bağlamlı LLM'ler İçin Eğitimsiz KV Önbellek Sıkıştırması

VarRate, eğitim gerektirmeden her token'a değişken düşük-rank bütçe atayarak uzun bağlamlı LLM çıkarımında bellek darboğazını aşıyor.

Araştırmacılar, uzun bağlamlı LLM çıkarımında ana bellek darboğazı olan KV önbelleği için eğitim gerektirmeyen değişken oranlı bir sıkıştırma yöntemi olan VarRate'i önerdi. Mevcut eğitimsiz yaklaşımların iki temel kısıtı bulunuyor: SnapKV ve Ada-KV gibi token seçimi yöntemleri düşük önem skoru alan token'ları geri dönüşü olmayan biçimde siliyor ve bu durum sorgu bilgisiz yeniden kullanım senaryolarında doğruluğu 11–15 puan düşürüyor. Öte yandan tekdüze düşük-rank kodlama her token'a eşit rank harcayarak bellek bütçesini israf ediyor. VarRate, bu iki sorunu birden çözmek için her token'a sorgu saliency'sine göre değişken düşük-rank bütçe atıyor ve hiçbir token'ı tamamen silmiyor. Böylece nadiren sorgulanan token'lar daha az yer kaplarken kritik token'lar yüksek çözünürlükte korunuyor. Bu yaklaşım sayesinde doğruluk kaybı yalnızca 3,5–5,5 puana iniyor; bu değer mevcut yöntemlerin üçte biri kadar küçük bir kayıp anlamına geliyor. LongBench benchmark'ında 16 farklı görevde yüzde 20 bellek bütçesiyle Llama-3.1-8B ve Qwen2.5-7B modellerinde sıkıştırılmamış modelin 0,8 puan içinde kalıyor. Uzun bağlamlı LLM'lerin giderek yaygınlaştığı bir dönemde ek eğitim maliyeti olmadan bellek verimliliğini bu denli yüksek tutmak, hem araştırma hem de üretim ortamları için pratik ve hemen uygulanabilir bir çözüm sunuyor.

Arxiv CS.CL →

7. Araştırma

Recursive Harness Self-Improvement: Kendini Geliştiren Ajan Döngüsü

RHI, ajan scaffold'larını kendi revizyon geçmişini kullanarak yinelemeli biçimde iyileştiriyor ve çıkarım maliyetini %60'a kadar düşürüyor.

Sakana AI dahil birden fazla kurumdan araştırmacılar, model ve scaffold'ın birlikte evrimleştiği ortamlar için Recursive Harness Self-Improvement (RHI) adlı yeni bir yöntem tanıttı. RHI, scaffold'ları hem anlık ajan performansı hem de gelecekteki model eğitimi için veri kalitesi açısından optimize ediyor. Scaffold'lar artık yalnızca çıkarım zamanı altyapısı değil, gelecekteki temel modelleri şekillendirebilecek yürütme izleri üreten bileşenler olarak ele alınıyor. RHI, scaffold'u prompt düzeyinde bir ajan döngüsü tanımı olarak temsil ediyor ve sistemin kendi revizyon geçmişi üzerindeki ikili geri bildirimle yinelemeli biçimde iyileştiriyor. Bu döngüsel yapı, her iterasyonda scaffold'un zayıf noktalarını tespit edip hedefli düzeltmeler yapmasına olanak tanıyor. Nicel finans, robotik ve eczacılık alanlarını kapsayan 30 sentetik makine öğrenmesi araştırma görevinde değerlendirilen RHI, birkaç yineleme sonrasında düşük akıl yürütme çabası gerektiren ajanların performans tavanını belirgin biçimde yükseltiyor. Sistem, maksimum akıl yürütme ayarını aşarken çıkarım maliyetini yüzde 60'a kadar azaltıyor. Üstelik bu kazanımların uzun akıl yürütme izlerinden değil, ajanlar arası daha etkin bilgi akışından kaynaklandığı gösteriliyor; bu bulgu, performans artışının gerçek bir mimari verimlilik kazanımı olduğuna işaret ediyor. Tüm bu özellikler RHI'yı sürekli öğrenme için pratik ve hafif bir algoritma olarak öne çıkarıyor.

Hugging Face Daily Papers →