Günlük hayatımızda milyonlarca kişinin kullandığı yapay zeka asistanları, şimdiye kadar kullanıcı tercihlerini yeterince anlayamıyordu. Stanford ve diğer kurumlardan araştırmacılar, bu sorunu çözmek için PersonaVLM adlı yenilikçi bir sistem geliştirdi. Bu sistem, geleneksel AI asistanlarının aksine kullanıcılarla geçirdiği süre boyunca onların değişen tercihlerini ve kişiliklerini öğrenebiliyor. PersonaVLM üç temel yetenek üzerine kurulu: kullanıcı etkileşimlerinden anıları çıkarıp saklama, bu anıları kullanarak çok aşamalı düşünce yürütme ve zamanla değişen kullanıcı tercihlerine göre yanıtlarını uyarlama. Bu gelişme, yapay zeka asistanlarının tek seferlik etkileşimlerden çok daha derin ve kişiselleştirilmiş deneyimler sunabilmesinin önünü açıyor.

Büyük dil modellerinin kararlarını nasıl aldığını anlamak, yapay zekanın güvenilirliği için kritik önem taşıyor. Araştırmacılar, GPT benzeri modellerin hangi kelimelerin etkisiyle belirli çıktılar ürettiğini açıklayan yeni bir yöntem geliştirdi. HETA adlı bu sistem, mevcut tekniklerin aksine, sadece kodlayıcı tabanlı değil, üretici modeller için özel olarak tasarlandı. Yöntem, kelimelerin birbirini nasıl etkilediğini, hassasiyet puanlarını ve bilgi kaybını bir arada değerlendireyor. Bu sayede modelin düşünce sürecini daha doğru bir şekilde haritalayabiliyor. Geliştirilen sistem, özellikle otoregresif üretim yapan modellerin karmaşık nedensel ilişkilerini yakalayabildiği için önemli bir ilerleme sayılıyor. Araştırma, yapay zekanın açıklanabilirliği konusunda yeni bir standart oluşturma potansiyeli taşıyor.

Büyük dil modelleri telekomünikasyon sektöründe 3GPP spesifikasyon analizi ve ağ sorun giderme gibi karmaşık görevlerde kullanılıyor. Ancak bu modellerin kendi cevaplarına dair güven skorları genellikle yanıltıcı ve aşırı iyimser çıkıyor. Araştırmacılar, Gemma-3 model ailesi üzerinde yaptıkları çalışmada standart tek geçişli güven tahminlerinin yetersiz kaldığını gösterdi. Sorunun çözümü için Twin-Pass Chain of Thought yöntemi adı verilen yeni bir yaklaşım geliştirdiler. Bu teknik, birden fazla bağımsız düşünce zinciri kullanarak modelin kendi doğruluğunu değerlendirme yeteneğini artırıyor. Telekomünikasyon alanında AI güvenilirliğinin kritik öneme sahip olduğu düşünüldüğünde, bu gelişme sektörün AI benimseme sürecini hızlandırabilir.

Karmaşık sahnelerin nasıl gelişeceğini doğru tahmin etmek için belirsizliği temsil eden, uzun etkileşim zincirlerini simüle eden ve birçok olası geleceği verimli şekilde keşfeden modeller gerekiyor. Mevcut yaklaşımlar yoğun video tahminlerine odaklanırken, yeni yaklaşım sahnenin altında yatan seyrek nokta yörüngelerine odaklanıyor.