{
  "schema": 1,
  "date": "2026-11-11",
  "url": "https://isaret.ai/2026-11-11/",
  "language": "tr",
  "title": "Gemini Robotics 2.5 robotlara daha fazla beceri kazandırıyor",
  "foreword_tr": "Bugünün sayısını bir ilke birleştiriyor: yapay zeka artık ekranın dışına çıkıp fiziksel dünyayı anlıyor, ona dokunuyor ve ona hükmediyor. Robotlar insan videolarından beceri devşiriyor, görü modelleri hiç görmedikleri nesneleri tanıyor, belirteçleyiciler dilin sınırlarını genişletiyor, biçimsel doğrulama ise güvenin zeminini sağlamlaştırıyor. Bu başlıkları yan yana okumak, algı, dil ve eylemin tek bir hatta birleştiği anı yakalamanızı sağlıyor.",
  "article_count": 8,
  "articles": [
    {
      "id": "gemini-robotics-2-5-robotlara-daha-fazla-beceri-kazandiriyor",
      "position": 1,
      "isaret_url": "https://isaret.ai/2026-11-11/#gemini-robotics-2-5-robotlara-daha-fazla-beceri-kazandiriyor",
      "turkish_headline": "Gemini Robotics 2.5 robotlara daha fazla beceri kazandırıyor",
      "turkish_teaser": "DeepMind'ın yeni görü-dil-eylem modeli, robotların el becerisini, güvenilirliğini ve güvenliğini artırıyor.",
      "turkish_summary": "Google DeepMind, en yetkin görü-dil-eylem (VLA) modeli olan Gemini Robotics 2.5'i duyurdu. Model, bir robotun öğrenebileceği beceri yelpazesini genişletirken bu becerileri edinme hızını da artırıyor. Ekip, 200'den fazla farklı görevde model performansını test etti. Görevler arasında maşayla yemek servis etmek, hediye kutusuna fiyonk bağlamak ve pipetle sıvı aktarmak gibi ince motor becerisi gerektiren işler yer alıyor. Bu görevlerin ortak noktası, hem hassas el hareketi hem de nesneleri doğru anlamayı gerektirmesi; model görüntüyü yorumlayıp dil talimatını eyleme çevirerek bu iki ihtiyacı tek bir yapıda buluşturuyor.\n\nÖne çıkan sonuçlardan biri Mercedes-Benz üretim hatlarında yapılan gerçek dünya denemesinden geldi. Apptronik'in Apollo 2 insansı robotu, Gemini Robotics 2.5 ile otomotiv parçalarını %96 başarı oranıyla alıp paketledi. Laboratuvar koşullarının dışında, değişken ve öngörülemez bir fabrika ortamında elde edilen bu oran, modelin pratik değerini gösteriyor. DeepMind ayrıca robotikte fiziksel güvenlik yönlendirilebilirliğini iyileştirdi ve robotlara özgü adversarial jailbreak saldırılarına karşı yeni bir benchmark geliştirdi. Model, robotik iş ortaklarına açılmaya başladı.\n\nBu gelişme, robotların laboratuvardan çıkıp öngörülemez gerçek ortamlara geçişi için kritik bir adım. Monoton ve tekrarlı işlerin robotlara devredilmesi, teknisyenlerin daha karmaşık montaj görevlerine odaklanmasını sağlayabilir. Güvenlik tarafındaki yatırım ise bu tür sistemlerin geniş ölçekte benimsenmesi için en az performans kadar önemli.",
      "content_type": "research",
      "source": "DeepMind Blog",
      "url": "https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/"
    },
    {
      "id": "acik-sozcuk-dagarcikli-tespitte-yeni-siniflara-yer-acan-pr-ovd",
      "position": 2,
      "isaret_url": "https://isaret.ai/2026-11-11/#acik-sozcuk-dagarcikli-tespitte-yeni-siniflara-yer-acan-pr-ovd",
      "turkish_headline": "Açık sözcük dağarcıklı tespitte yeni sınıflara yer açan PR-OVD",
      "turkish_teaser": "PR-OVD, nesne tespitinde yeni kategoriler için ayrılmış kapasite sağlayarak anlamsal çöküşü önlüyor.",
      "turkish_summary": "Açık sözcük dağarcıklı nesne tespiti (OVD), yalnızca temel sınıflarla eğitilen bir modelin çıkarım sırasında hem temel hem de yeni sınıfları tanımasını hedefliyor. CLIP tarzı görü-dil gömme uzayları ise genellikle temel kategorilere doğru yanlı kalıyor; yeni kavramlar için sınırlı kapasite korunuyor ve bu da anlamsal çöküşe ile hatalı kalibre edilmiş güven skorlarına yol açıyor.\n\nAraştırmacılar bunu çözmek için PR-OVD adlı bir böl-ve-iyileştir çerçevesi öneriyor. Yöntem önce hem görsel hem metinsel kipte temel, yeni ve açık bir arka plan bölümü oluşturuyor; böylece nesneyle ilgisiz gömmelerin kategoriye özgü temsillere karışması önleniyor. Ardından her bölüm içinde kategori düzeyinde iyileştirme yaparak karar sınırlarını keskinleştiriyor. Yeni kategoriler için güvenilir görsel çıpalar sağlamak üzere bilişsel olarak esinlenmiş bir Structure Prompt (SP) tasarlanmış; bu istem hem benmerkezli öznitelikleri hem de dışmerkezli bağlamı kodluyor.\n\nİki OVD benchmark'ında PR-OVD, yeni kategorilerde mevcut en iyi yöntemlere göre ortalama %6,5 oransal iyileşme sağlıyor. Yöntem farklı dedektör mimarilerine entegre edilebiliyor ve segmentasyon ile sınıflandırma gibi diğer açık sözcük dağarcıklı görevlere de fayda sağlıyor.",
      "content_type": "research",
      "source": "Arxiv CS.CV",
      "url": "https://arxiv.org/abs/2611.12976"
    },
    {
      "id": "alphaproof-code-signal-in-sifreleme-kodunu-bicimsel-olarak-dogruladi",
      "position": 3,
      "isaret_url": "https://isaret.ai/2026-11-11/#alphaproof-code-signal-in-sifreleme-kodunu-bicimsel-olarak-dogruladi",
      "turkish_headline": "AlphaProof Code, Signal'in şifreleme kodunu biçimsel olarak doğruladı",
      "turkish_teaser": "Yapay zeka ajanları, Signal protokolünün gerçek kodunun güvenlik özelliklerini Lean ile matematiksel olarak kanıtladı.",
      "turkish_summary": "Google DeepMind araştırmacıları, Signal protokolünün altında yatan gerçek kodun temel güvenlik özelliklerini yapay zeka ajanlarıyla matematiksel olarak kanıtladı. Bu protokol, Signal ve Google Messages gibi uygulamalarda milyarlarca özel konuşmayı koruyor. Çalışma, insan uzmanlığını yapay zeka ajanlarıyla birleştiren çok LLM'li ajan tabanlı bir çerçeve olan AlphaProof Code ile yürütüldü.\n\nYöntem, bir araştırma ekibinin iş bölümünü taklit ediyor. Önce insan uzmanlar modellerle birlikte Signal'in güvenlik hedeflerini biçimsel matematiksel spesifikasyonlara çevirdi ve her birini gözden geçirdi. Ardından Gemini Carbon tabanlı ajanlar, kodun doğruluğunu matematiksel olarak kanıtlayan Lean dilinde altı milyon satırdan fazla kanıt üretti. Ajanlar sonrasında kanıtı denetleyerek insanın ikinci kez bakması gereken alanları, yani kod tabanının yalnızca %1'ini, işaretledi. Kalan kısmı Lean otomatik olarak kontrol etti. Doğrulama süreci yalnızca dört hafta sürdü.\n\nÖnceki çalışmalar çoğunlukla protokolü tasarım düzeyinde doğruluyordu. Bu çalışma ise cihazlarda çalışan derlenmiş koda kadar inerek, bir cihaz geçici olarak ele geçirilse bile mesajların korunması gibi özellikleri kanıtladı. DeepMind, bunun yaygın kullanılan bir şifreleme protokolünün uygulamasının, yapay zekayla ya da yapay zekasız, ilk kez biçimsel olarak doğrulanması olduğunu belirtiyor.",
      "content_type": "research",
      "source": "DeepMind Blog",
      "url": "https://deepmind.google/blog/introducing-alphaproof-code/"
    },
    {
      "id": "physmoe-tek-belirtecle-hizli-uzamsal-temellendirme",
      "position": 4,
      "isaret_url": "https://isaret.ai/2026-11-11/#physmoe-tek-belirtecle-hizli-uzamsal-temellendirme",
      "turkish_headline": "PhysMoE: Tek belirteçle hızlı uzamsal temellendirme",
      "turkish_teaser": "PhysMoE, her koordinatı tek belirteçle kodlayıp temellendirme görevlerinde 8,31 kat hız artışı sağlıyor.",
      "turkish_summary": "Somutlaşmış görü-dil modelleri (VLM), robotik planlama ve manipülasyonun omurgasını oluşturuyor. Ancak koordinat tahmini gerektiren temellendirme görevlerinde mevcut mimariler iki darboğazla karşılaşıyor: ayrık belirteçleme uzamsal sürekliliği bozup kod çözme gecikmesini artırıyor, standart nokta regresyonu ise çok temaslı affordance'larda ve düzensiz şekilli hedeflerde başarısız oluyor.\n\nAraştırmacılar PhysMoE ile üç katkı sunuyor. Birincisi, alt katmanlar çok kipli bağlam için paylaşılırken üst katmanlar fiziksel kipe göre uzmanlaşmış uzamsal (piksel) ve dilsel (metin) uzmanlara yönlendiriliyor; bu da gradyan girişimini ortadan kaldırıyor. İkincisi, görsel kodlayıcının öğrendiği konumsal gömmeler yeniden kullanılarak her koordinat tek belirteç olarak kodlanıyor ve 2B uzamsal önbilgi doğrudan görsel özelliklerle hizalanıyor. Üçüncüsü, işaretleme üzerinde türevlenebilir Signed Distance Field (SDF) denetimi uygulanarak maliyetli maske kod çözücülere gerek kalmadan affordance'lar ve düzensiz geometriler karşılanıyor.\n\nTemel modele kıyasla PhysMoE, 9 koordinat tabanlı temellendirme benchmark'ında (yörünge, affordance, konumlandırma) ortalama %15,7 kazanç ve 8,31 kat verim artışı sağlıyor. Aynı zamanda 11 metin tabanlı somutlaşmış benchmark'ta çok kipli anlama ve akıl yürütme yeteneğini koruyor.",
      "content_type": "research",
      "source": "Arxiv CS.CV",
      "url": "https://arxiv.org/abs/2611.13000"
    },
    {
      "id": "204-dil-icin-gpt-4o-dan-daha-az-token-kullanan-belirtecleyici",
      "position": 5,
      "isaret_url": "https://isaret.ai/2026-11-11/#204-dil-icin-gpt-4o-dan-daha-az-token-kullanan-belirtecleyici",
      "turkish_headline": "204 dil için GPT-4o'dan daha az token kullanan belirteçleyici",
      "turkish_teaser": "Havon belirteçleyicisi, Hindistan dillerinde medyan %26, İngilizcede %9,6'ya varan token tasarrufu sağlıyor.",
      "turkish_summary": "GPT-4o'nun belirteçleyicisinde Hindistan dilleri, aynı içerik için İngilizceden 1,6 ila 14 kat daha fazla token gerektiriyor. Bu da bu dillerde modelleri hem daha pahalı hem daha yavaş hale getiriyor. Araştırmacılar, yaklaşık 200 dilde insan yazımı metinler üzerinde sıfırdan belirteçleyiciler eğitti. Havon v3, 262.144 tokenlık bayt düzeyinde bir BPE belirteçleyicisi; birleştirici işaretleri harflerinden ayırmayan ve boşluksuz yazılan yazı sistemlerini parçalara bölen bir ön belirteçleyici kullanıyor.\n\nFLORES-200 devtest'te v3, Hindistan'ın 25 dilinin tamamında GPT-4o'nun o200k_base belirteçleyicisinden daha az token gerektiriyor (medyan oran 0,74); 204 dilin 172'sinde de kazanç sağlıyor, ancak İngilizcede %7 daha fazla token kullanıyor. v4, çok kelimeli bir ikinci eğitim aşaması (SuperBPE) ekliyor. GPT-4o ile aynı 200.019 token boyutunda İngilizcede %6,1 daha az token, 204 dilin 161'inde de daha az token gerekiyor. 262.144 token ile İngilizcede %9,6 tasarruf ve 182 dilde kazanç elde ediliyor. v5 ise kod örneklerini 15 programlama diline genişletiyor.\n\nÖnemli bir sınırlama var: bunlar yalnızca sıkıştırma sonuçları ve v4 veya v5 ile eğitilmiş bir model henüz değerlendirilmedi. Hmer, Birmanya ve Tibet gibi boşluksuz yazılan yazı sistemlerinde kazançlar sınırlı kalıyor.",
      "content_type": "research",
      "source": "Arxiv CS.CL",
      "url": "https://arxiv.org/abs/2611.13059"
    },
    {
      "id": "kimi-k3-1-pro-2-8-trilyon-parametreli-acik-agirlikli-model",
      "position": 6,
      "isaret_url": "https://isaret.ai/2026-11-11/#kimi-k3-1-pro-2-8-trilyon-parametreli-acik-agirlikli-model",
      "turkish_headline": "Kimi K3.1 Pro: 2,8 trilyon parametreli açık ağırlıklı model",
      "turkish_teaser": "Moonshot AI'ın açık ağırlıklı K3.1 Pro modeli, 1 milyon token bağlam penceresi sunuyor.",
      "turkish_summary": "Moonshot AI, Kimi K3.1 Pro'yu Hugging Face üzerinden yayımladı. Doğal olarak çok kipli, ajan odaklı ve açık ağırlıklı model, şirketin bugüne kadarki en yetkin 3T sınıfı modeli olarak tanıtılıyor. Kimi K3'ten sonra yüzlerce alt alanda büyük ölçekli ortak pekiştirmeli öğrenmeyle eğitilen model, K3.1 serisinin ilk üyesi. 1 milyon tokenlık bağlam penceresiyle kodlama, 3D üretim, finansal araştırma ve olgusal doğruluk alanlarında belirgin iyileşmeler vaat ediyor.\n\nMimari olarak Mixture-of-Experts (MoE) kullanan modelin toplam parametre sayısı 2,8T, etkin parametre sayısı ise 104B. 93 katmanın 69'u KDA, 24'ü Gated DSA dikkat katmanı; 896 uzmandan her token için 16'sı seçiliyor. K3'e kıyasla, uzun bağlamlı modellemeyi daha verimli kılmak için tam dikkatli Gated MLA katmanları Gated DeepSeek Sparse Attention (Gated DSA) ile değiştirilmiş. Ağırlıklar MXFP4, aktivasyonlar MXFP8 olarak nicemlenmiş; nicemleme farkındalıklı eğitim kullanılmış. Görsel kodlayıcı 401M parametreli MoonViT-V2.\n\nModel kartındaki benchmark tablosu Terminal-Bench, SWE Marathon, HLE, BrowseComp gibi kodlama ve ajan testlerinde Kimi K3.1 Pro'yu Claude ve GPT sınıfı rakiplerle karşılaştırıyor; sonuçlar benchmark'a göre değişiyor. Release, açık ağırlıklı çok kipli model ekosistemini güçlendiriyor.",
      "content_type": "industry",
      "source": "Moonshot AI (Kimi) Model Releases",
      "url": "https://huggingface.co/moonshotai/Kimi-K3.1-Pro"
    },
    {
      "id": "boston-dynamics-atlas-a-tekerlek-takarak-butun-vucut-kontrolunu-test-etti",
      "position": 7,
      "isaret_url": "https://isaret.ai/2026-11-11/#boston-dynamics-atlas-a-tekerlek-takarak-butun-vucut-kontrolunu-test-etti",
      "turkish_headline": "Boston Dynamics, Atlas'a tekerlek takarak bütün-vücut kontrolünü test etti",
      "turkish_teaser": "Atlas, ayaklarına takılan tekerleklerle klasik kontrol ve pekiştirmeli öğrenmeyi birleştiren dinamik hareket deneyi yaptı.",
      "turkish_summary": "Boston Dynamics, Atlas insansı robotunun bacaklarına tekerlek takıldığı bir deneyi gösteren video yayımladı. Atlas için kontrol mühendisi Andy Wu'nun yürüttüğü deney, klasik model tabanlı motor kontrolü ile bütün-vücut pekiştirmeli öğrenmeyi (RL) birleştirerek yapılandırılmamış arazide dinamik denge sağlamayı hedefliyor. Şirket, tekerlekli Atlas'ın bir ürün değil, araştırma test düzeneği olduğunu vurguluyor.\n\nBütün-vücut RL politikası, gerçek zamanlı propriyoseptif geri bildirimi ve hız komutlarını işleyerek modellenmemiş bozulmalara ve ideal olmayan temas koşullarına karşı poz ve kuvvet ayarlamaları üretiyor. Sistem tümüyle simülasyonda eğitildi ve davranışlar gerçek robota şaşırtıcı bir doğrulukla aktarıldı. Atlas düz zeminde hızlı yuvarlanırken engellerin üzerinde eklemli bacak hareketine geçebiliyor, pirüet gibi agresif manevralar da yapıyor. Dönüşüm de basit: mevcut ayak bileği aktüatörüne tek bir özel adaptörle hazır bir kaydırak tekerleği monte edilmiş. Yazılım tarafında her tekerlek, sürekli dönebilen bir “ayak bileği” olarak modellenmiş.\n\nBir sonraki soru, aktüatör arızalarına verilecek politika yanıtı; bu, güvenlik ve sistem arızası davranışı açısından kritik. Ekibin temel çıkarımı, taban kararlılık için klasik motor kontrolü ile tepkisel uyum için bütün-vücut RL'nin birleşiminin, tek başına her iki yöntemden de daha çevik sonuç verdiği.",
      "content_type": "industry",
      "source": "The Robot Report",
      "url": "https://www.therobotreport.com/boston-dynamics-adds-wheels-to-atlas-humanoid-to-test-whole-body-control/"
    },
    {
      "id": "gr00t-2-insan-videolarindan-robot-becerisi-ogreniyor",
      "position": 8,
      "isaret_url": "https://isaret.ai/2026-11-11/#gr00t-2-insan-videolarindan-robot-becerisi-ogreniyor",
      "turkish_headline": "GR00T 2 insan videolarından robot becerisi öğreniyor",
      "turkish_teaser": "Nvidia'nın GR00T 2 modeli, insan el hareketlerini videodan robot kollarına aktararak teleoperasyon ihtiyacını azaltmayı hedefliyor.",
      "turkish_summary": "Nvidia, robotlara yeni görevler öğretirken gereken yoğun teleoperasyon emeğini azaltmak için tasarlanan GR00T 2 modelini tanıttı. Robot eğitiminde mühendisler genellikle makineleri saatlerce uzaktan kontrol ediyor; bu yöntem pahalı, yavaş ve her robot modeli için ayrı veri gerektiriyor. GR00T 2, kamera görüntülerini ve dil komutlarını doğrudan motor hareketine çeviren selefi GR00T 1'in aksine, bir dünya-eylem modeli (WAM) olarak çalışıyor: sonraki hareketle birlikte yakın geleceğin kısa bir videosunu da hesaplıyor.\n\nNvidia, modeli binin üzerinde GB300 çipi içeren bir kümede, kafaya takılan kameralarla çekilmiş, insanların çeşitli işler yaptığı yaklaşık 400.000 saatlik video üzerinde eğitti. Yeni bir görevi öğretmek için bir kişinin veri eldivenleri, özel tutucular veya parmak dış iskeletiyle adımları göstermesi yetiyor. Bu kayıtlar hedef robotun genel hareket verisiyle birleştirildiğinde model, video tahmininde insan kolunun yerine robot kolunu üretiyor ve eşleşen kontrol komutlarını buradan türetiyor. Laboratuvar testlerinde beş parmaklı robot eller, o görevler için teleoperasyon yapılmadan kibrit yakabildi, muz dilimleyebildi ve paketleri konveyöre atabildi; başarı oranları göreve göre %10 ile %80 arasında değişti.\n\nModelin iyi performans gösterdiği 50 görevde, üç dakikadan kısa geleneksel eğitim başarı oranını %40'tan %95'e çıkardı. Uzun montaj işlerinde ise sistem, GPT-6 Astra gibi üst düzey bir dil modeliyle birlikte çalışıyor. Bu eşleşme hataların düzeltilmesine yardımcı oluyor, ancak robotu yavaşlatıyor.",
      "content_type": "industry",
      "source": "The Decoder",
      "url": "https://the-decoder.com/nvidias-model-gr00t-2-watches-humans-on-video-then-imagines-itself-as-the-robot/"
    }
  ],
  "image_credits": []
}
