Araştırmacılar, sosyal medyada kullanıcıları kandırmak için duygusal manipülasyon tekniklerini kullanan yeni bir yapay zeka saldırı yöntemi geliştirdi. Çalışma, geleneksel clickbait tespitinin yetersizliğini ortaya koyarken, Valence-Arousal-Dominance (VAD) duygusal modelini kullanarak optimize edilmiş aldatıcı başlıklar üreten bir sistem sunuyor. Bu sistem, büyük dil modellerini kullanarak semantik olarak benzer sosyal medya gönderileriyle eşleşen, ancak duygusal etkisi maksimize edilmiş içerikler yaratabiliyor. Araştırma, dijital güvenlik ve bilgi kirliliği alanında önemli sonuçlar doğuruyor.

Yapay zeka sistemlerinde metinleri sayısal verilere dönüştürmek için yaygın olarak kullanılan 'ortalama havuzlama' yönteminin neden başarılı olduğu uzun süre merak konusuydu. Bu teknik, kelime temsillerinin aritmetik ortalamasını alarak cümle ve paragrafları tek bir vektöre indirgiyor. Araştırmacılar, bu basit yöntemin teorik olarak önemli bilgi kaybına yol açması beklenirken, pratikte neden etkili çalıştığını inceledi. Çalışma, modern metin kodlayıcılarının bu bilgi kaybına karşı dirençli olduğunu ve özellikle karşılaştırmalı öğrenme ile eğitilmiş modellerin bu soruna daha az maruz kaldığını ortaya koydu. Bu bulgular, doğal dil işleme alanındaki temel yöntemlerin anlaşılmasına önemli katkı sağlıyor.

Japonca metinler üzerinde yapılan yeni bir araştırma, insanların cümleleri anlarken hangi bilgileri bellekte tutmayı seçtiğini ortaya çıkardı. Çalışma, okuyucuların gelecekteki kelime tahminleri için kritik olan bilgileri seçici olarak hatırladığını ve bu süreçte cümlenin yapısal özelliklerinden yararlandığını gösteriyor. Araştırmacılar, bilgi hatırlama maliyetini etkileyen iki temel faktör keşfetti: tahmin edilen kelime sayısı ve tamamlanmamış dilbilgisel bağlantılar. Bu faktörler arasında bir denge olduğunu, yavaş okuyan kişilerin tahmin edilebilirlikten daha fazla faydalandığını tespit ettiler. Bulgular, insan beyninin dil işleme sürecindeki seçici bellek mekanizmalarına yeni bir bakış açısı getiriyor.

Araştırmacılar, karmaşık bilimsel problemleri çözmek için adım adım yol haritaları oluşturabilen yeni bir yapay zeka sistemi geliştirdi. RoadMapper adlı bu çok aracılı sistem, büyük dil modellerinin araştırma sürecini planlama konusundaki yetersizliklerini gidermek için tasarlandı. Sistem, profesyonel bilgi eksikliği, mantıksız görev ayrıştırması ve düzensiz mantıksal ilişkiler gibi temel sorunları çözerek, araştırmacıların kompleks projeleri daha sistematik bir şekilde ele almasını sağlıyor. Bu gelişme, bilimsel araştırma süreçlerinin otomatikleştirilmesi ve hızlandırılması açısından önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, dil modellerinin bilmedikleri konularda yanlış bilgi üretmek yerine susma kararı alabilmelerini sağlayan yeni bir yöntem geliştirdi. Conformal Abstention (CA) adlı bu yaklaşım, modelin güven seviyesini ölçerek yanıt verip vermeyeceğini belirliyor. Sistem, hem katılım olasılığı hem de doğru yanıt verme olasılığı için matematiksel garantiler sunuyor. Yöntem, modeli yeniden eğitmek yerine mevcut modeller üzerine uygulanabiliyor ve böylece aşırı temkinli davranış riskini azaltıyor. Bu gelişme, yapay zeka sistemlerinin güvenilirliğini artırarak halüsinasyon sorununa önemli bir çözüm getiriyor.

Araştırmacılar, büyük dil modellerinin tablo verilerinden gelecekteki durumları öngörme yeteneklerini test eden TopBench adlı yeni bir değerlendirme sistemi geliştirdi. 779 farklı örnekten oluşan bu sistem, yapay zeka modellerinin tablolardaki geçmiş verilerden hareketle gelecek tahminleri yapabilme becerisini ölçüyor. Çalışma, mevcut yapay zeka modellerinin basit bilgi çıkarma işlemlerinde başarılı olduğunu, ancak gizli amaçları anlama ve güvenilir öngörü yapma konularında yetersiz kaldığını ortaya koydu. Bu bulgular, yapay zekanın gerçek dünya uygulamalarında karşılaştığı önemli sınırları gösteriyor.

Araştırmacılar, geleneksel arama sistemlerindeki sabit puanlama fonksiyonlarının yerini alan yenilikçi Hypencoder teknolojisini kapsamlı testlerden geçirdi. Bu sistem, sorguya özel sinir ağları kullanarak daha esnek ve etkili sonuç sıralama yapabiliyor. Yapılan çalışmada, orijinal bulgular tekrar test edildi ve sistemin performansı farklı zorluktaki görevlerde analiz edildi. Sonuçlar, Hypencoder'ın hem tanıdık hem de yeni veri setlerinde geleneksel yöntemlerden daha iyi performans gösterdiğini ortaya koydu. Özellikle geliştirilen hızlı arama algoritması, performansta minimal kayıpla sorgu süresini önemli ölçüde azalttı. Bu teknoloji, arama motorları ve bilgi erişim sistemlerinde önemli ilerlemeler sunabilir.

Büyük Dil Modelleri (LLM) bilgi arama sistemlerinde sorguları yeniden düzenlemek ve genişletmek için yaygın olarak kullanılıyor. Ancak bu sistemlerin etkinliği konusundaki araştırma sonuçları farklı koşullarda elde edildiği için hangilerinin güvenilir olduğunu anlamak zorlaşıyor. Yeni bir çalışma, on farklı LLM tabanlı sorgu geliştirme yöntemini aynı kontrollü koşullarda test etti. Araştırma, iki farklı LLM ailesini, üç arama paradigmasını ve dokuz kıyaslama veri setini kullanarak kapsamlı bir analiz gerçekleştirdi. Sonuçlar, sorgu geliştirme başarısının kullanılan arama yöntemine bağlı olduğunu ve geleneksel arama sistemlerinde görülen iyileştirmelerin modern yoğun arama sistemlerine aktarılamadığını gösteriyor.

Araştırmacılar, yapay zekanın uzun süreli konuşmalarda önemli bilgileri kaybetme problemine çözüm getiren EviMem sistemini geliştirdi. Sistem, eksik kanıtları tespit edebilen IRIS çerçevesi ve katmanlı hafıza mimarisi LaceMem'i birleştiriyor. Geleneksel tek geçişli arama yöntemleri, zaman içinde dağılmış bilgileri bir araya getirmekte yetersiz kalıyor. EviMem ise kanıt boşluklarını tespit edip hedefli sorgular yaparak bu sorunu çözüyor. Test sonuçları, sistemin zamansal sorularda %73,3'ten %81,6'ya, çok aşamalı sorularda ise %65,9'dan %85,2'ye doğruluk oranını artırdığını gösteriyor. Bu gelişme, sohbet botları ve AI asistanları için daha tutarlı ve kapsamlı konuşma deneyimi sağlayabilir.

MIT araştırmacıları, mevcut yapay zeka ajanslarının hafıza sistemlerinin aslında gerçek hafıza olmadığını, yalnızca bilgi arama mekanizması olduğunu ortaya koydu. Vektör depoları, bağlamsal pencere yönetimi ve benzer teknolojilerin 'arama' işlevi gördüğünü, ancak gerçek öğrenme sağlamadığını gösterdiler. Bu durum, ajanların sürekli not biriktirmesine rağmen uzmanlık geliştiremediği, kompozisyonel görevlerde genelleme tavanına çarptığı ve kalıcı hafıza zehirlenmesine karşı savunmasız kaldığı anlamına geliyor. Araştırma, sinir bilimindeki Tamamlayıcı Öğrenme Sistemleri teorisinden yola çıkarak, biyolojik zekanın bu sorunu nasıl çözdüğünü inceliyor.

Araştırmacılar, yapay zekanın geleneksel arama motorlarını nasıl dönüştürdüğünü anlamak için kapsamlı bir çalışma gerçekleştirdi. 11.500 kullanıcı sorgusundan oluşan benchmark veri setiyle Google Arama, AI Overview ve Gemini Flash 2.5'i karşılaştıran araştırma, çarpıcı bulgular ortaya koydu. Sonuçlara göre, kullanıcı sorgularının yarısından fazlasında (%51.5) AI Overview'lar oluşturuluyor ve organik arama sonuçlarının üzerinde gösteriliyor. Özellikle tartışmalı konularda AI özetlerinin daha sık görüldüğü tespit edildi. Çalışma ayrıca farklı arama sistemlerinin kaynaklarını seçme biçimlerinin önemli ölçüde farklılaştığını gösteriyor. Bu araştırma, yapay zekanın arama deneyimini nasıl şekillendirdiğini ve bilgiye erişim şeklimizi nasıl değiştirdiğini anlamamız açısından kritik bulgular sunuyor.