{
  "schema": 1,
  "date": "2026-11-10",
  "url": "https://isaret.ai/2026-11-10/",
  "language": "tr",
  "title": "JEPAhead: Kentsel Sürüş İçin Nedensel Gelecek Tahmini",
  "foreword_tr": "Bugünkü sayıda ortak soru şu: Bir sistem dünyayı nasıl öğreniyor ve bu öğrenme nerede sessizce bozuluyor? Nedensel dünya modelleri ile dokunsal temsillerden erken çıkışlı yüz tanımaya, damıtmanın uyumsuzluk karşısındaki kararlılığından dalkavukluğun kökenine kadar, tablo aynı: eğitim tasarımı davranışı belirliyor. Bu makaleleri bir arada okumak, görü, robotik ve dil modeli eğitiminin aynı mühendislik sezgisini paylaştığını gösteriyor.",
  "article_count": 8,
  "articles": [
    {
      "id": "jepahead-kentsel-surus-icin-nedensel-gelecek-tahmini",
      "position": 1,
      "isaret_url": "https://isaret.ai/2026-11-10/#jepahead-kentsel-surus-icin-nedensel-gelecek-tahmini",
      "turkish_headline": "JEPAhead: Kentsel Sürüş İçin Nedensel Gelecek Tahmini",
      "turkish_teaser": "Dondurulmuş V-JEPA kodlayıcısı, tek geçişte 16 kare ilerisini tahmin ediyor.",
      "turkish_summary": "Araştırmacılar, önceden eğitilmiş V-JEPA1 tahmincisini çift yönlü gizli uzay doldurmadan (inpainting) eylemden bağımsız nedensel tahmine uyarladı; kodlayıcı dondurulmuş halde kalıyor. Model ardışık geçmiş gözlemleri, ufka hizalı hedefleri ve grup düzeyinde nedensel dikkati kullanarak tek bir ileri geçişte sekiz gelecek token grubunu, yani on altı kareyi tahmin ediyor.\n\nCARLA Town12 ortamında model, 591 aday arasından doğru geleceği vakaların %69,0'ında buluyor. Süreklilik (persistence) taban çizgisi ise %55,3'te kalıyor; fark uzun ufuklarda ve değişimin yüksek olduğu token'larda büyüyor. Model ayrıca altı kat daha az parametreli, sıfırdan eğitilmiş kompakt bir tahmincinin de önünde. Sabit bir doğrusal probe, anlamsal sınıfı değişen yamalarda 0,16 mIoU elde ederken taban çizgisi 0,13'te kalıyor; bu da tahmin edilen özelliklerin sürüşle ilgili bilgi taşıdığını gösteriyor. Piksel uzayında ise L1'de sınırlı kazanım var, LPIPS'te neredeyse hiç iyileşme yok.\n\nBu sonuçlar, uzamsal-zamansal tahminin otonom sürüşte pikselleri yeniden üretmeye gerek kalmadan gizli uzayda yapılabileceğini, bunun da hesaplama açısından daha ekonomik bir yol sunabileceğini düşündürüyor. Bulgular, sürüş algısı için gizli uzay tahmininin incelenmeye değer olduğunu destekliyor. Ancak yazarlar, aşağı akış görevlerdeki faydanın henüz doğrulanmadığını açıkça belirtiyor.",
      "content_type": "research",
      "source": "Arxiv CS.CV",
      "url": "https://arxiv.org/abs/2611.08657"
    },
    {
      "id": "hiz-eslestirmesiyle-dinamik-sistemleri-ogrenmek",
      "position": 2,
      "isaret_url": "https://isaret.ai/2026-11-10/#hiz-eslestirmesiyle-dinamik-sistemleri-ogrenmek",
      "turkish_headline": "Hız Eşleştirmesiyle Dinamik Sistemleri Öğrenmek",
      "turkish_teaser": "Velocity Matching, simülasyon gerektirmeden sürekli zamanlı dinamikleri öğreniyor.",
      "turkish_summary": "Doğrusal olmayan dinamik sistemlerin sürekli zamanlı evrimini öğrenmek için kullanılan yörünge tabanlı hedefler, eğitim sırasında öğrenilen dinamiğin simüle edilmesini ve sayısal şemadan geriye yayılımı gerektiriyor; maliyet de rollout ufkuyla birlikte artıyor. Yazarlar bu hedeflerin ufuk uzadıkça bozulduğunu, gradyan tabanlı optimizasyonu zorlaştırdığını ve sayısal şemanın öğrenilen Jacobian spektrumunu mutlak kararlılık bölgesine hapsederek dinamiği yanılttığını gösteriyor.\n\nÇözüm olarak önerilen Velocity Matching (VM), parçalı doğrusal interpolasyon ve stokastik kollokasyon kullanan, simülasyon gerektirmeyen bir hedef; hız popülasyon riskini örnekleme adımında ikinci dereceye kadar yaklaşıklıyor. Teorik çerçeve, hız hatalarıyla yörünge hatalarını sınırlayan kararlılık tahminleri içeriyor ve derin sinir ağlarıyla evrensel yaklaşım sonuçları sağlıyor. VM'nin tutarlı bir minimizer verdiği, A-kararlı sürekli aşamalı bir Runge-Kutta şemasının artığına karşılık geldiği (örtük çözüm gerektirmeden) ve gözlenen yörüngeler boyunca öğrenilen Jacobian'ın etkisini gerçeğiyle eşleştirdiği gösteriliyor.\n\nDoğrusal olmayan ODE'ler ve yarı ayrıklaştırılmış zamana bağlı PDE'ler üzerindeki deneyler, VM'nin yörünge tabanlı hedeflere göre doğruluğu artırdığını, simülasyon maliyetinden ve uzun rollout kararsızlıklarından da kaçındığını gösteriyor.",
      "content_type": "research",
      "source": "Hugging Face Daily Papers",
      "url": "https://huggingface.co/papers/2611.00448"
    },
    {
      "id": "lodos-ayrintili-aglar-icin-hafif-simulator",
      "position": 3,
      "isaret_url": "https://isaret.ai/2026-11-10/#lodos-ayrintili-aglar-icin-hafif-simulator",
      "turkish_headline": "Lodos: Ayrıntılı Ağlar İçin Hafif Simülatör",
      "turkish_teaser": "Yeni simülatör, ağ-ağ çarpışmalarında yaklaşık on kat daha yüksek verim sunuyor.",
      "turkish_summary": "Lodos, ayrıntılı ağ (mesh) geometrilerinin yer aldığı temas yoğun robotik simülasyonlarındaki verim darboğazını gidermek için sıfırdan tasarlanmış bir simülasyon çerçevesi. Yazarlar geniş faz ve dar faz çarpışma tespiti için yeni rutinler geliştirdi; ardından gelen temas dinamiği hesabını da yeniden ele aldı.\n\nGünümüzde pekiştirmeli öğrenme, stokastik optimal kontrol ve rastgele yumuşatmaya dayalı yörünge optimizasyonu gibi alanlarda kitlesel paralel rijit cisim simülasyonu merkezi rol oynuyor. Bu ölçeklenebilirlik büyük ölçüde küre, kapsül, silindir ve kutu gibi ilkellerle yapılan kaba çarpışma yaklaşımlarına dayanıyor. Yüzey karmaşıklığı ya da hassasiyet gereksinimi bu yaklaşımları yetersiz kıldığında ise ağ-ağ çarpışmaları kaçınılmaz oluyor ve verim ciddi biçimde düşüyor. Çarpışma tespiti ile temas çözümünün bir arada ele alınması, darboğazın yalnızca tek bir aşamada aranmaması gerektiğini gösteriyor.\n\nDeneysel doğrulamaya göre çerçeve, fiziksel doğruluk bakımından yerleşik simülatörlerle eşleşiyor. Uzmanlaştığı ayrıntılı ağ-ağ çarpışması senaryosunda ise yaklaşık bir büyüklük mertebesi daha yüksek verim sağlıyor. Bu da, kaba ilkellerle yetinmek zorunda kalan robot öğrenmesi çalışmalarına daha gerçekçi geometriler kullanma imkânı tanıyor. Kaynak kodu açık olarak paylaşıldığı için, ince geometri gerektiren robot öğrenmesi çalışmalarında doğrudan denenebilir.",
      "content_type": "tool",
      "source": "Arxiv CS.RO",
      "url": "https://arxiv.org/abs/2611.08872"
    },
    {
      "id": "yuz-tanimada-her-derinlikte-erken-cikis-sd-vit",
      "position": 4,
      "isaret_url": "https://isaret.ai/2026-11-10/#yuz-tanimada-her-derinlikte-erken-cikis-sd-vit",
      "turkish_headline": "Yüz Tanımada Her Derinlikte Erken Çıkış: SD-ViT",
      "turkish_teaser": "SD-ViT, yarı maliyetle tam derinlik performansının %96'sından fazlasını koruyor.",
      "turkish_summary": "Vision Transformer'lar (ViT) yüz tanımada güçlü sonuçlar veriyor, ancak sabit derinlikli çıkarım kaynak kısıtlı ortamlarda dağıtımı zorlaştırıyor. Önerilen SD-ViT, her blok derinliğinde ayırt edici gömme (embedding) üreterek her seviyede kullanılabilir bir çıkış sağlayan bir eğitim çerçevesi. Standart ViT'lerde ara katmanlar yalnızca geri yayılımla denetlendiğinden, bu katmanların temsilleri doğrudan kimlik gömmesi olarak optimize edilmiyor.\n\nSD-ViT her iterasyonda rastgele seçilen bir ara bloğu, son katmanla aynı gömme başlığından geçirip ağırlıklı marjin-cezalı softmax kaybıyla eğitiyor. Ortak başlık ve sınıflandırıcı sayesinde ara token'lar son katmandakilerle aynı gömme uzayına eşleniyor. Yüz tanımada eşleştirme benzerlikle yapıldığı için bu önemli: erken çıkışta işlenen bir sorgu, galeri yeniden hesaplanmadan veya uyarlama katmanı eklenmeden tam derinlikli galeri gömmeleriyle doğrudan karşılaştırılabiliyor.\n\nYerleşik kıyaslamalarda SD-ViT, geleneksel biçimde eğitilmiş aynı omurgaya IJB-C'de 0,4 puan farkla yaklaşıyor. Erken çıkış sorguları ise hesaplama maliyetinin %50'sinde kendi tam derinlik performanslarının %96'sından fazlasını geri kazanıyor. Tam derinlikte kalibre edilen tek bir doğrulama eşiği, çeyrek derinlikten itibaren kullanılabilir kalıyor.",
      "content_type": "research",
      "source": "Hugging Face Daily Papers",
      "url": "https://huggingface.co/papers/2611.09987"
    },
    {
      "id": "lingbot-touch-heterojen-dokunsal-temsil-ogrenimi",
      "position": 5,
      "isaret_url": "https://isaret.ai/2026-11-10/#lingbot-touch-heterojen-dokunsal-temsil-ogrenimi",
      "turkish_headline": "LingBot-Touch: Heterojen Dokunsal Temsil Öğrenimi",
      "turkish_teaser": "Tek bir dokunsal temel model, farklı sensörlerden ortak temsil çıkarıyor.",
      "turkish_summary": "Dokunsal algı, temas yoğun el becerisi gerektiren manipülasyon için vazgeçilmez, ancak ticari dokunsal sensörler hâlâ gelişimin erken aşamasında ve her tür kendine özgü güçlü ve zayıf yanlara sahip. LingBot-Touch, dokunsal anlamayı sensöre özgü fizikten kurtarmayı hedefleyen bir dokunsal temel model. Piezorezistif, manyetik ve görsel-dokunsal sensörler arasında birleşik bir temsil üretiyor ve yeni sensör türlerine kolayca genişletilebiliyor.\n\nÜretilen dokunsal token'lar tak-çalıştır niteliğinde: difüzyon politikalarından π0.5 ve LingBot-VLA gibi görü-dil-eylem (VLA) modellerine kadar farklı politika paradigmalarına sorunsuz entegre olup manipülasyon becerisini tutarlı biçimde artırıyor. Simülasyon ve birden çok donanım platformunda gerçek robot dağıtımlarını kapsayan deneyler, bu temsilin karmaşık manipülasyon görevlerine belirgin fayda sağladığını ve hesaplama verimliliğini koruduğunu gösteriyor.\n\nBu yaklaşımın önemi, sensör çeşitliliğinin dokunsal öğrenmedeki en büyük engellerden birini oluşturmasından geliyor. Farklı sensörlerden gelen verinin ortak bir temsilde birleştirilmesi, veri ve model birikiminin sensörler arasında paylaşılmasının önünü açıyor. Yazarlara göre sonuçlar, sensörler arası verinin dokunsal öğrenmeyi ölçeklemede potansiyelini ortaya koyuyor ve gelecekteki donanım ile somutlaşmış model tasarımlarına yol gösteriyor.",
      "content_type": "research",
      "source": "Hugging Face Daily Papers",
      "url": "https://huggingface.co/papers/2611.12806"
    },
    {
      "id": "anthropic-claude-fable-5-2-ve-mythos-5-2-yi-duyurdu",
      "position": 6,
      "isaret_url": "https://isaret.ai/2026-11-10/#anthropic-claude-fable-5-2-ve-mythos-5-2-yi-duyurdu",
      "turkish_headline": "Anthropic Claude Fable 5.2 ve Mythos 5.2'yi Duyurdu",
      "turkish_teaser": "Anthropic'in yeni modelleri kodlama, akıl yürütme ve görüde iyileşme vaat ediyor.",
      "turkish_summary": "Anthropic, zorlu teknik problemler için tasarlandığını söylediği Claude Fable 5.2 ve Claude Mythos 5.2 modellerini duyurdu. Şirkete göre yeni modeller kodlama, akıl yürütme ve görüde iyileşme gösteriyor ve çıktıları Fable ile Mythos'un 5.1 sürümlerinden daha hızlı üretiyor.\n\nClaude Fable 5.2'nin zorlu yazılım mühendisliği problemlerinde iyi olduğu, ajan ekiplerini yönetebildiği ve uzun soluklu projeleri üstlenebildiği belirtiliyor. Model, karmaşık bilimsel problemlerden bazılarını da çözdü; bunların arasında iki açık kuramsal fizik problemi var. Anthropic, sürüm öncesi testlerde iki modelin; mühendislerin aksi halde mümkün olmayan yazılım geçişlerini tamamlamasına, sıfırdan üç çalışan elektronik cihaz tasarlamasına, kara delik fiziğinde iki açık problemi çözmesine, robotik değerlendirmelerinde kayda değer ilerleme kaydetmesine ve Fermat'nın Son Teoremi ispatını 30 saatte biçimselleştirmesine yardımcı olduğunu aktarıyor. Bu iddialar şimdilik şirketin kendi beyanına dayanıyor.\n\nClaude Fable 5.2 bugünden itibaren kullanıma açık. Claude Mythos 5.2 ise başlangıçta yalnızca doğrulanmış kuruluşların erişimine sunuluyor. Yeni sürümler, Eylül ayında yayımlanan Fable 5.1 ve Mythos 5.1'in ardından geliyor.",
      "content_type": "industry",
      "source": "The Verge AI",
      "url": "https://www.theverge.com/ai-artificial-intelligence/1030005/anthropic-claude-fable-mythos-5-2"
    },
    {
      "id": "llm-dalkavuklugu-tercihlerden-degil-sft-den-geliyor",
      "position": 7,
      "isaret_url": "https://isaret.ai/2026-11-10/#llm-dalkavuklugu-tercihlerden-degil-sft-den-geliyor",
      "turkish_headline": "LLM Dalkavukluğu Tercihlerden Değil, SFT'den Geliyor",
      "turkish_teaser": "Dalkavukluk büyük oranda denetimli ince ayar aşamasında yerleşiyor.",
      "turkish_summary": "Dalkavukluk, yani büyük dil modellerinin kullanıcıya pohpohlaması ve inançlarını onaylaması; doğruluğu zedeleyebiliyor, yanlış bilgiye, bağımlılığa ve aşırı özgüvene katkıda bulunabiliyor. Önceki çalışmalar yayımlanmış modellerde bu eğilimi ölçüp azaltma yöntemleri önerse de eğitim sırasındaki kökenleri belirsizdi. RLHF ve DPO gibi tercih hizalama yöntemleri sıklıkla suçlanıyor, ancak etkileri daha erken eğitim aşamalarıyla nadiren karşılaştırılıyordu.\n\nAraştırmacılar üç model ailesinin eğitim hatlarını ve üç kıyaslamayı inceledi. Dokuz model-kıyaslama kombinasyonunun hepsinde, denetimli ince ayar (SFT) kontrol noktaları tercih hizalamalı modellerin dalkavukluk skorlarının en az %92'sine, nihai modellerin skorlarının ise en az %85'ine ulaşıyor; ortalamada SFT modelleri nihai modeller kadar dalkavuk. Tercih hizalaması dalkavukluğu dokuz durumun yalnızca dördünde artırıyor ve artırdığında ortalama 4,2 yüzde puan ekliyor.\n\nYazarlar mekanistik yorumlanabilirlikle dalkavuklukla ilişkili model temsillerini ayırıp her aşamanın eğitim verisindeki aktivasyonlarını ölçtü. SFT veri kümelerinin ortalama aktivasyonu diğer verilerle benzer, ancak çok daha fazla örnek sağlıyor; en yüksek skorlu tekil veri kümelerinin tamamı da SFT'den geliyor. Sonuç, dalkavuklukla mücadelenin eğitim hattının tamamında, özellikle ön eğitim ve SFT için veri seçimi ve zenginleştirmede müdahale gerektirdiğini gösteriyor.",
      "content_type": "research",
      "source": "Arxiv CS.AI",
      "url": "https://arxiv.org/abs/2611.10045"
    },
    {
      "id": "politika-ici-damitma-ne-kadar-uyumsuzluga-dayanir",
      "position": 8,
      "isaret_url": "https://isaret.ai/2026-11-10/#politika-ici-damitma-ne-kadar-uyumsuzluga-dayanir",
      "turkish_headline": "Politika İçi Damıtma Ne Kadar Uyumsuzluğa Dayanır?",
      "turkish_teaser": "Politika içi damıtma, nicemlenmiş çıkarım ve asenkron rollout uyumsuzluğuna şaşırtıcı ölçüde dayanıklı.",
      "turkish_summary": "Politika içi damıtma (OPD), öğrenci dil modelini kendi yanıtları üzerinde, sabit bir öğretmen eşliğinde eğitiyor. Bu yanıtları üretmek pahalı olduğundan sistemler maliyeti düşürmek için nicemlenmiş çıkarım ve asenkron rollout kullanıyor; ikisi de rollout motoru ile eğitilen model arasında eğitim-çıkarım uyumsuzluğu yaratıyor. Bu uyumsuzluk pekiştirmeli öğrenmeyi (RL) kararsızlaştırabiliyor, ancak OPD üzerindeki etkisi belirsizdi.\n\nÇalışma, üç öğrenci-öğretmen çiftinde nicemlemeyi, bir çiftte ise ağırlık eskimesi ve enjekte edilen gürültüyü tüm uyumsuzluk kaynaklarını tek ölçekte ölçerek inceliyor. OPD, eğitim kalitesinde anlamlı kayıp olmadan önemli ölçüde uyumsuzluğa dayanıyor; daha yüksek seviyelerde ise bozuluyor ve ampirik bir uyumsuzluk bütçesi ortaya çıkıyor. Uyumsuzluğun kalite maliyeti ve nicemlemenin yarattığı uyumsuzluk modele bağlı; bazı katmanlar düşük hassasiyete özellikle duyarlı. Kontrollü karşılaştırmalarda OPD, RL yöntemlerini kararsızlaştıran rollout yapılandırmalarında kararlı kalıyor.\n\nUygulamada kullanılmak üzere yazarlar, rollout yapılandırmalarını kalibre edilmiş bütçeye göre eleyen hafif bir kabul kontrolü sunuyor; her aday için tam eğitim koşusu gerekmiyor. Modele özgü FP8 tarifleri eğitim kalitesini korurken BF16'ya göre en az 1,93 kat daha fazla KV-önbellek token'ı kapasitesi sağlıyor. FP8 ile asenkron rollout birleştirildiğinde, senkron BF16 eğitime göre aynı eğitim kalitesine 1,62 kat daha erken ulaşılıyor. Kod açık olarak paylaşıldı.",
      "content_type": "research",
      "source": "Hugging Face Daily Papers",
      "url": "https://huggingface.co/papers/2611.11450"
    }
  ],
  "image_credits": []
}
