Yapay zeka modellerinin yeni görevleri örneklerden öğrenmesini sağlayan 'bağlam içi öğrenme' yöntemi, sadece metinle çalışırken başarılı olsa da görsel ve metinsel verileri birlikte işlerken zorlanıyor. Araştırmacılar, çok modlu büyük dil modellerinin neden tek modal karşılıklarından daha zayıf performans sergilediğini sistematik olarak inceledi. Bulgular, mevcut modellerin görsel ve metinsel temsiller arasında mantıksal düzeyde yeterli hizalamaya sahip olmadığını ve öğrenilen görev eşlemelerini güvenilir şekilde aktaramadığını gösteriyor. Bu keşif, yapay zeka sistemlerinin farklı veri türlerini daha etkili şekilde birleştirmesi için gereken iyileştirmelere ışık tutuyor.

Araştırmacılar, otonom yapay zeka ajanlarının önceki bilgileri kaybetmeden yeni yetenekler kazanabilmesi için Uyarlanabilir Hafıza Kristalleşmesi (AMC) adlı yenilikçi bir hafıza mimarisi geliştirdi. Bu sistem, insan beynindeki hafıza oluşum süreçlerinden ilham alarak deneyimleri üç aşamalı bir hiyerarşi ile organize ediyor. Dinamik ortamlarda çalışan AI ajanları için kritik bir sorun olan 'katastrofik unutma' problemine çözüm sunan bu yaklaşım, yapay zeka sistemlerinin sürekli öğrenme kapasitelerini önemli ölçüde artırabilir. Çalışma, hafızayı sıvı-cam-kristal fazları arasında geçiş yapan sürekli bir kristalleşme süreci olarak modelleyerek, deneyimlerin plastik durumdan kararlı duruma geçişini matematiksel olarak tanımlıyor.

Çok modlu büyük dil modelleri (MLLM'ler), görüntülerdeki nesnelerin 2D yönelimini belirleme konusunda ciddi zorluklar yaşıyor. Yeni bir araştırma, bu sorunun kaynağını araştırarak görsel kodlayıcıların rolünü inceliyor. CLIP ve SigLIP gibi yaygın kullanılan kodlayıcıların, geometrik akıl yürütme yerine görüntü-metin anlamsal hizalama için eğitilmiş olmasının bu başarısızlığın temel nedeni olabileceği hipotezi test ediliyor. Araştırmacılar, LLaVA OneVision ve Qwen2.5-VL gibi modellerden elde edilen kodlayıcı temsillerinin rotasyon bilgisini koruyup korumadığını ölçmek için kontrollü deneysel protokoller tasarlıyor.

Araştırmacılar, elektronik sağlık kayıtlarındaki tıbbi kavramları daha iyi anlayabilmek için yapay zeka destekli yeni bir sistem geliştirdi. CoMed adlı bu sistem, hastalık tanıları, ilaçlar ve tıbbi prosedürler arasındaki karmaşık ilişkileri haritalayarak sağlık verilerinin daha doğru yorumlanmasını sağlıyor. Mevcut tıbbi bilgi sistemlerinin eksik bağlantılar ve yetersiz anlamsal bilgi gibi sorunları bulunuyor. CoMed, büyük dil modellerini kullanarak bu eksiklikleri gideriyor ve tıbbi kodlar arasında küresel bir bilgi ağı oluşturuyor. Bu gelişme, gelecekte hastalık teşhisi, tedavi planlaması ve klinik karar verme süreçlerinde önemli iyileştirmeler sağlayabilir. Sistem, hem yapısal verileri hem de metinsel bilgileri birleştirerek tıbbi kavramların daha zengin temsillerini oluşturuyor.

Çin'deki araştırmacılar, e-ticaret ve dijital platformlarda büyük sorun olan sahte siparişlere karşı yeni bir çözüm geliştirdi. DITaR adlı bu yöntem, öneri sistemlerini bozmaya yönelik sahte etkileşimleri tespit edebiliyor. Sahte siparişler genellikle tıklama çiftlikleri ve yapay manipülasyonlarla ürün görünürlüğünü artırmak için kullanılıyor. Araştırma ekibi, tüm sahte siparişlerin zararlı olmadığını, bazılarının veri zenginleştirme etkisi yaratabileceğini keşfetti. Geliştirdilen sistem, hem işbirlikçi hem de anlamsal görünümlerden farklı temsiller elde ederek zararlı örnekleri kesin şekilde tespit ediyor. Üç farklı veri seti üzerinde yapılan testler, DITaR'ın öneri kalitesi, hesaplama verimliliği ve sistem dayanıklılığı açısından mevcut yöntemlerden üstün performans sergilediğini gösteriyor. Sistem, mevcut modelleri yeniden eğitme gerektirmeden çalışabiliyor.

Bilim insanları, rodyum katalizörünün performansını önemli ölçüde artıran yenilikçi bir yöntem geliştirdi. Araştırmacılar, arsenik ile kaplanmış kristal gözenekli bir çerçeve yapısı oluşturarak, bu değerli metalin katalitik özelliklerini iyileştirmeyi başardı. Rodyum, kimya dünyasının en güçlü katalitik metallerinden biri olarak biliniyor ve küçük miktarlarda bile milyonlarca ton faydalı kimyasal üretimini sağlayabiliyor. Ancak rodyumun hızlı, seçici ve bozulmadan çalışması, etrafındaki ligand moleküllerine büyük ölçüde bağlı. Yeni geliştirilen arsenik kaplı kristal yapı, rodyumun çevresindeki ligand ortamını optimize ederek katalizörün daha verimli çalışmasını sağlıyor. Bu buluş, endüstriyel kimyasal üretim süreçlerinde daha az rodyum kullanılarak aynı veya daha yüksek verimlilik elde edilmesine olanak tanıyor.