İşaret

2026-11-09 Yapay Zeka · Bilgisayarlı Görü · Doğal Dil İşleme · Robotik

Bugünkü sayıda ortak iplik şu: yapay zeka artık yalnızca metni değil, fiziksel dünyayı da modelliyor. Kumdan proteine uzanan evrensel simülasyondan robotik temel modellerine, uyarlanabilir sürüş algısından çok kipli modellerin iç işleyişine kadar, sistemler genelleme ve gerçek dünyayla başa çıkma becerisi kazanıyor. Türkçe video doğrulama ve açık kaynak eğitim araçları ise bu ilerlemenin herkese ulaşmasını sağlıyor. Birlikte okuyunca resim netleşiyor: algıdan eyleme tüm zincir aynı anda olgunlaşıyor.

1. Araştırma

Tek yapay zeka modeli kumdan proteine birçok maddeyi simüle ediyor

MIT'nin WorldParticle sistemi, kum akışından protein katlanmasına birçok maddenin davranışını tek modelle öğreniyor.

MIT, British Columbia Üniversitesi (UBC) ve diğer kurumlardan araştırmacılar, farklı fiziksel süreçleri tek bir derin öğrenme sistemiyle simüle eden WorldParticle'ı tanıttı. Bugüne kadar bir bilim insanı, simüle etmek istediği süreç için o işe özel bir çözücü seçmek zorundaydı: akan su için tasarlanmış bir çözücü ya da proteinin nasıl katlandığını modelleyen bir başkası. Her biri, ilgili sürecin davranışını belirleyen denklemler etrafında elle kodlanıyordu. Bu yaklaşım hem uzmanlık gerektiriyor hem de her yeni malzeme ya da olay için sıfırdan geliştirme yükü getiriyordu. WorldParticle bu parçalı yapıyı tek bir sistemle değiştiriyor. Sistem, maddeyi parçacıklar olarak ele alıp bu parçacıkların her adımda nasıl hareket edeceğini tahmin ediyor. Araştırmacılardan Peter Yichen Chen'e göre mimari ChatGPT'ye benziyor; ancak metinde bir sonraki kelimeyi tahmin etmek yerine, parçacıkların bir sonraki adımdaki hareketi tahmin ediliyor. Böylece her madde türü için ayrı bir fizik motoru yazma ihtiyacı ortadan kalkabilir. Akışkanlar, katılar ve esnek malzemeler aynı ortak çerçevede ele alınabildiği için farklı disiplinlerdeki araştırmacılar aynı altyapıyı paylaşabilir. Yaklaşım olgunlaşırsa yumuşak robotların tasarımından ilaç geliştirmeye kadar, farklı malzemelerin davranışını hızlı biçimde deneyen çalışmalar için ortak bir simülasyon altyapısı sunabilir. Bu da simülasyon odaklı bilimsel çalışmalarda hem maliyeti hem de zamanı azaltma potansiyeli taşıyor.

MIT CSAIL →
2. Araştırma

BEVCast: Sürüş yoluna göre uyarlanan kuş bakışı temsil

BEVCast, çözünürlüğü tahmin edilen sürüş yoluna göre ayarlayarak otonom sürüşte hesaplamayı azaltıyor.

Kamera tabanlı sürüş modelleri yoğun bir kuş bakışı (BEV) ızgarası kurar ve her hücre için aynı hesaplamayı harcar; oysa araç planlama ufku içinde bu hücrelerin yalnızca küçük bir kısmından geçer. BEVCast, çözünürlüğü tahmin edilen sürüş yoluna göre uyarlayan iki aşamalı bir BEV sunuyor. İlk geçiş tüm sahneyi 4,096 m çözünürlüklü kaba hücrelerle kodluyor. Kaydedilen yol üzerinde eğitilen bir ısı başlığı her kaba hücreye bir ısı değeri atıyor ve en yüksek değerli hücreler sabit bir bütçe dahilinde 1,024 m çözünürlüklü hücrelere ayrıştırılıyor. Geri kalan hücreler kaba çözünürlükte kalıyor; böylece yörünge başlığı sahnenin tamamını kapsayan karma çözünürlüklü bir BEV okuyor ve HD haritaya ya da navigasyon komutuna ihtiyaç duymuyor. Aynı mimari ve eğitim tarifiyle 1,024 m çözünürlüklü tam ızgaraya kıyasla, %10 iyileştirme bütçesinde BEV sorgularının yalnızca %28'i kodlanıyor ve BEV kodlayıcısının süresi %66'ya iniyor. nuScenes'te ortalama yer değiştirme hatası 1,149 m yerine 1,078 m, sürülebilir alan ihlal oranı %2,29 yerine %1,46 olarak ölçülüyor; NAVSIM navtest'te hata 0,598 m'den 0,577 m'ye düşüyor. Sonuç, sürüş BEV'inin çözünürlüğünün ızgarayı değil görevi izleyebileceğini gösteriyor.

Arxiv CS.CV →
3. Araştırma

Türkçe için ilk çok kipli video doğrulama veri seti: TeViD

TeViD, Türkçe video dezenformasyonuna karşı ilk çok kipli doğrulama veri seti; iki sistemi karşılaştırıyor.

Video tabanlı dezenformasyon sosyal medyada hızla yayılıyor, ancak mevcut doğrulama sistemlerinin neredeyse tamamı yalnızca İngilizce metne odaklanıyor; Türkçe gibi düşük kaynaklı diller için araçlar son derece sınırlı. Azra Açıl, bilinen kadarıyla Türkçe için ilk çok kipli video doğrulama veri seti olan TeViD'i sunuyor. Veri seti, IFCN sertifikalı bir kuruluşun yayımladığı makalelerden derlenmiş; sınıf dengesizliğini azaltmak için çevrilmiş Snopes makaleleri ve sentetik örneklerle zenginleştirilmiş. Çalışma aynı açık kaynak temel modeli paylaşan iki doğrulama hattı geliştiriyor. İlki olan 3MFact-TR, çok rollü 3MFact çerçevesini Qwen2.5-7B dil modeli ve Qwen2-VL-7B görsel-dil modeliyle Türkçeye uyarlıyor; anlamsal tutarsızlık denetleyicisi, 5N1K soru yöneticisi ve doğrulama sitelerini dışlayarak sızıntıyı önleyen iki dilli kanıt getirici ekliyor. İkincisi, tek bir Qwen2.5-7B'nin LoRA ile ince ayarlanarak iddia ve videonun metinsel açıklamasından kapalı kitap hüküm üretmesine dayanıyor. Çalışma doğruluk, makro F1, Doğru sınıfı F1'i ve Doğru sınıfı duyarlılığını her iki sistem için ablasyon çalışmalarıyla raporluyor. Türkçe dezenformasyonla mücadele eden araştırmacılar ve doğrulama kuruluşları için bu veri seti, düşük kaynaklı dillerde çok kipli değerlendirme için ilk sağlam zemini oluşturuyor.

Arxiv CS.CV →
4. Araştırma

Meituan-Robotics-0: Masaüstü manipülasyon için temel model

Meituan'ın MR0 modeli, 12 robot gövdesinden 15 bin saatlik veriyle eğitilmiş bir görsel-dil-eylem temel modeli.

Meituan Robotics ekibi, sabit tabanlı masaüstü manipülasyon için görsel-dil-eylem (VLA) temel modeli ve gömülü ajan sistemi Meituan-Robotics-0'ı (MR0) sundu. MR0, 147 milyon görsel-dil örneğini 12 farklı gövdeyi kapsayan 15.060 saatlik seçilmiş robot yörüngesiyle birleştiriyor. Üç aşamalı eğitim tarifinde önce ayrık eylem belirteçleriyle ön eğitim yapılıyor, ardından akış eşleştirme (flow matching) ile gövdeler arası sürekli kontrole geçiliyor ve son olarak gerçek dünya son eğitimiyle politika uyarlanıyor. Ekip, değiştirilen politika bölümlerini insan düzeltmeleriyle eşleştiren Rollback yöntemini de tanıtıyor; bu yöntem, değer öğrenmesi ya da avantaj etiketlemesi olmadan CFG-DAgger için olumlu ve olumsuz denetim sağlıyor. MR0, RoboTwin 2.0'da %93,6 başarı oranına ulaşıyor ve RoboDojo VLA kategorisinde beşinci sırada yer alıyor. Eşleştirilmiş HG-DAgger (insan müdahaleli DAgger) son eğitimiyle üç gerçek robot görevinde π0.5'ten daha yüksek ortalama başarı ve ilerleme puanı elde ediyor; Ethernet takma görevinde Rollback verisiyle eğitilen CFG-DAgger %70 başarıya ve 0,90 ilerleme puanına ulaşıyor. Olay güdümlü ajan ise kalıcı görev olaylarını tutup ilerleme veya uygulanabilirlik değiştiğinde planı yeniden değerlendiriyor. Bu da MR0'ı yalnızca bir politika değil, görevler arası geri çağırma ve koşullu devam yeteneği olan bütünleşik bir sistem yapıyor.

Arxiv CS.RO →
5. Araç

ToyBlocks: Robot öğrenmesi için kontrollü bir dünya

Ai2'nin ToyBlocks'u, robot başarısızlıklarının nedenini izlemek için kontrollü bir simülasyon ortamı sunuyor.

Ai2, robot öğrenmesini kontrollü koşullarda incelemek için FoundationWorlds adını verdiği bir çerçeve ve ilk örneği olan ToyBlocks'u açık kaynak olarak yayımladı. Robotlar çamaşır katlamayı ve parça ayıklamayı öğreniyor, ancak bu gösterimler çoğunlukla dar kapsamlı kalıyor ve bir robotun neyi öğrendiğini ya da neden başarısız olduğunu açıklamıyor. Her FoundationWorld, belirli bir ortamı hedefleyen simüle bir dünyayı, görev ve eğitim gösterimlerini otomatik üreten araçlarla ve robotun davranışını zaman içinde ölçen metriklerle birleştiriyor. ToyBlocks'ta bir robot kolu ve masa üstünde bloklar yer alıyor; ortam basit olsa da robot itme, çevirme ve istifleme sırasında blokların nasıl etkileştiğine dair akıl yürütmek zorunda. Sistem, bir kişinin robotu uzaktan yönettiği zaman alıcı teleoperasyon gerektirmeden simülasyonda gösterimleri otomatik üretiyor. Araştırmacılar bu eğitim deneyimlerini kolayca değiştirebiliyor; örneğin daha fazla itme veya çevirme gösterimi üretip eğitim dışında tutulan görevlerde performansı ölçebiliyor. Ekip, yaklaşımı giderek karmaşıklaşan ortamlara genişletmeyi hedefliyor. Bu da robotik araştırmasına, hata nedenini izlenebilir kılan tekrarlanabilir bir deney zemini kazandırıyor.

Hugging Face Blog →
6. Araştırma

Çok kipli modellerde görsel bilgi katmanlara dinamik bağlanıyor

DGP, görsel kodlayıcıdaki her katmanı LLM'in her katmanına dinamik geçitlerle bağlayarak LLaVA-1.5'i geliştiriyor.

Çok kipli büyük dil modellerinde (MLLM) az incelenen temel bir soru var: hiyerarşik bir görsel kodlayıcıdan gelen bilgi, dil modelinin katman katman semantiğine nereden bağlanmalı? Yaygın MLLM'ler dil modeline sabit, tek katmanlı bir görsel temsil veriyor ve tüm katmanları tek bir tüketici gibi ele alıyor; oysa farklı katmanlar farklı görsel ayrıntı düzeyleri gerektiriyor. Önerilen DGP (Dynamic Gated Pathways), her ViT katmanı ile her LLM katmanı arasında çoktan çoğa bağlantılar kuruyor ve her LLM katmanı, kendi semantik durumuna göre hangi görsel katmanları tercih edeceğini dinamik biçimde geçitliyor. LLaVA-1.5-7B ve 13B üzerine inşa edilen yöntem, 7B temel modele kıyasla SQA-I'de +4,2, MM-Vet'te +3,3, VizWiz ve LLaVA-W'de +3,1 puanlık kazanım sağlıyor ve çoğu kıyaslamada önceki çok katmanlı görsel birleştirme yöntemlerini geride bırakıyor. Katman bazlı yönlendirme analizleri, farklı LLM katmanlarının gerçekten farklı görsel ayrıntı düzeylerini talebe göre seçtiğini gösteriyor; bu da yöntemin hem etkinliğini hem yorumlanabilirliğini destekliyor. Kod açık kaynak olarak yayımlandı. Çalışma, görsel-dil modellerinde mimari tasarımın katmanlar arası ince ayarla iyileştirilebileceğini ortaya koyuyor.

Hugging Face Daily Papers →
7. Araştırma

FLEX: Robotlar komutların ötesini anlamayı öğreniyor

MIT ve NYU'nun FLEX platformu, robotların doğal dil komutlarından daha geniş genellemeler çıkarmasını sağlıyor.

MIT mühendisleri, robotların insan komutlarının yalnızca sözlerini değil, ardındaki daha geniş anlamı da okumasını sağlayan yapay zeka destekli bir öğrenme platformu geliştirdi. MIT ve New York Üniversitesi araştırmacılarının tasarladığı FLEX adlı yaklaşım, insanların robotla doğal ve konuşma diline yakın bir dille etkileşim kurmasına izin veriyor. Robot talimatları birebir yerine getirmekle kalmıyor; kelimelerin arkasını okuyarak daha genel çıkarımlar yapıyor ve bu çıkarımlar hareket planlamasını iyileştiriyor. Geleneksel sistemlerde kullanıcı, robotun işini yapabilmesi için her ayrıntıyı tek tek komuta dökmek zorunda kalıyordu. FLEX bu yükü azaltarak robot etkileşimini daha sezgisel kılmayı hedefliyor. Araştırmacılar bu yaklaşımın ev içi ve yardımcı robotlarda daha sezgisel ve etkileşimli kullanımın önünü açabileceğini belirtiyor. Yön, robotun kullanıcının ihtiyacını kendi başına çıkarabilmesi. Bu, evde ya da bakım ortamında çalışan robotların kullanılabilirliğini artıran bir adım olarak öne çıkıyor. Yaşlı bakımı ya da günlük ev işleri gibi senaryolarda, her ayrıntıyı tarif etmeden robotla iş birliği yapabilmek hem erişilebilirliği hem de kullanıcı deneyimini ciddi biçimde iyileştirebilir.

MIT CSAIL →
8. Araç

torchtune v0.6.0: Tensör paralel ve çok düğümlü eğitim

torchtune v0.6.0, TP+FSDP eğitimi, çok düğümlü ince ayar, tam dağıtık DPO ve Phi 4 desteği getiriyor.

torchtune v0.6.0, dağıtık eğitim desteğini önemli ölçüde genişleten bir sürümle yayımlandı. En belirgin yenilik, TensorParallel (TP) ile FSDP'nin birlikte kullanıldığı eğitim ve TP çıkarımı: FSDP veri kümesini GPU'lara bölerken TP her model katmanını GPU'lara bölüyor; bu birleşim büyük ölçekte katmanların çok daha hızlı hesaplanmasını sağlıyor. TP çıkarımı ise modelin tek bir GPU'ya sığmadığı metin üretimi ve pekiştirmeli öğrenme senaryoları için kritik. Sürümle birlikte SLURM üzerinden tune run komutunu birden çok düğümde başlatmaya olanak tanıyan çok düğümlü ince ayar da geliyor; bir örnek SLURM tarifi ve başlangıç eğitimi sunuluyor. Ayrıca DPO için tam dağıtık bir tarif eklendi; bu da 70 milyar parametre ve üzeri modellerin ince ayarlanabilirliğini artırıyor ve Llama 3.1 8B'yi dört cihazda ince ayarlamak için hazır bir yapılandırma içeriyor. Sürüm ayrıca Phi 4 14B için tam, LoRA ve QLoRA ince ayar tarifleri ekliyor; tek GPU'da düşük bellekli tam ince ayar da mümkün. MLflow ile günlükleme ve NPU desteğinde iyileştirmeler de listede yer alıyor. Açık kaynak LLM ince ayarı yapan ekipler için bu sürüm, büyük modellerde ölçeklenebilirlik açısından önemli bir adım.

Torchtune Releases →