Araştırmacılar, Vision Transformer (ViT) modellerinde token budama işlemlerinin performans sorunlarını çözen yeni bir dikkat mekanizması geliştirdi. Token budama, önemsiz görüntü parçalarını atarak hesaplama maliyetini teorik olarak büyük ölçüde azaltsa da, pratikte mevcut değişken uzunluklu dikkat API'leri bu avantajı tam olarak yansıtamıyordu. Yeni geliştirilen 'dispatch-aware ragged attention' yöntemi, kısa sekans uzunluklarında ortaya çıkan dispatch-overhead darboğazını çözerek, budanmış ViT'lerin gerçek dünya performansını teorik potansiyellerine yaklaştırıyor. Bu çalışma, yapay zeka modellerinin hem doğruluk hem de hız açısından optimizasyonunda önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin kullandığı açık beceri ekosistemlerinde ciddi güvenlik açıkları tespit etti. İki büyük platformda yapılan kapsamlı analiz, 98.440 becerinin %4,93'ünün siber saldırılar, dolandırıcılık ve mahremiyet ihlalleri gibi zararlı amaçlarla kötüye kullanılabileceğini ortaya çıkardı. ClawHub platformunda zararlı beceri oranı %8,84'e ulaşırken, Skills.Rest'te bu oran %3,49 olarak belirlendi. Çalışma, otonom AI ajanlarının güvenlik değerlendirmesi için ilk kapsamlı kıyaslama sistemi olan HarmfulSkillBench'i de tanıttı.

Araştırmacılar, mevcut REST API'leri GraphQL formatına otomatik olarak dönüştüren GraphQLify adlı yenilikçi bir framework geliştirdi. Bu sistem, statik kod analizi kullanarak tip güvenliğini korurken, geleneksel yaklaşımlardan farklı olarak performans kaybına neden olan adaptör sunucular yerine gömülü sunucu mimarisi kullanıyor. GraphQL, şema tabanlı ve güçlü tip sistemine sahip sorgu dili olarak, istemci-sunucu iletişiminde yüksek verimlilik sağlıyor. GraphQLify'ın en önemli yeniliği, kaynak kodunu doğrudan analiz ederek kesin tip çıkarımı yapması ve bu sayede uçtan uca tip güvenliği garantilemesi. 834 farklı API üzerinde yapılan testlerde, sistemin başarılı sonuçlar verdiği gözlemlendi. Bu gelişme, web geliştirme ekosisteminde API migrasyonlarını kolaylaştıracak önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, web uygulamalarının ihtiyaç duyduğu API'leri daha doğru önerebilmek için WARBERT adlı yeni bir yapay zeka modeli geliştirdi. BERT tabanlı bu hiyerarşik model, mevcut sistemlerin karşılaştığı semantik belirsizlikler ve hesaplama verimsizliği gibi sorunları çözmek üzere tasarlandı. Model, mashup gereksinimleri ile API açıklamaları arasında daha hassas eşleştirmeler yapabiliyor ve büyük ölçekli veri tabanlarında hızlı çalışıyor. Web 2.0 ve mikroservis mimarisinin yaygınlaşmasıyla artan API ihtiyacı, bu tür akıllı öneri sistemlerini daha da önemli hale getiriyor. WARBERT, çift bileşenli özellik birleştirme ve dikkat mekanizmaları kullanarak semantik temsillerin doğruluğunu artırıyor ve geliştiricilerin ihtiyaçlarına uygun API'leri bulmalarını kolaylaştırıyor.

Araştırmacılar, API üzerinden erişilebilen kapalı kutu yapay zeka modellerinin gerçek zamanlı adaptasyonu için BETA adlı yeni bir framework geliştirdi. Mevcut yöntemler ya sınırlı uyarlama kapasitesi sunuyor ya da yüksek maliyetli sorgular gerektiriyor. BETA, hafif bir yerel model kullanarak gradient yolu oluşturuyor ve tahmin uyumlaştırma tekniği ile tutarlılık düzenlemesi uygulayarak ek API çağrısı olmadan stabil adaptasyon sağlıyor. ImageNet-C testlerinde ViT-B/16 modelinde %7.1, CLIP modelinde %3.4 doğruluk artışı elde eden sistem, beyaz kutu ve gri kutu yöntemlerini geride bırakıyor. Bu gelişme, özellikle değişken koşullarda çalışan AI sistemlerin performansını artırmak için önemli bir adım.

REST API testlerinin etkinliğini değerlendirmek için log kapsamı metriklerini kullanan yeni bir araştırma, farklı test üretim stratejilerini karşılaştırdı. Claude Opus 4.6 yapay zekası, insan yazımı testlerden %28,4 daha fazla benzersiz log şablonu keşfederek üstün performans gösterdi. EvoMaster ve GPT-5.2-Codex ise sırasıyla %26,1 ve %38,6 daha az etkili oldu. Araştırma, kaynak koduna erişimin olmadığı durumlarda API testlerinin kalitesini ölçmek için log kapsamı metriklerinin kullanışlı olduğunu ortaya koydu. Özellikle farklı stratejilerin kombinasyonunun test kapsamını artırdığı gözlemlendi.

Yapay zeka ajanları günlük hayatta giderek yaygınlaşırken, araştırmacılar şimdiye kadar sadece sunucu tarafındaki verimliliğe odaklanmışlardı. MIT ve Stanford araştırmacıları tarafından geliştirilen AgentOpt, bu alandaki önemli bir boşluğu dolduruyor. İstemci tarafında kaynak optimizasyonu yapabilen ilk framework-bağımsız Python paketi olan AgentOpt, geliştiricilerin model seçimi, yerel araçlar ve API bütçesini uygulama gereksinimlerine göre optimal şekilde dağıtmasını sağlıyor. Sistem, kalite, maliyet ve gecikme kısıtları altında en iyi performansı hedefliyor. Bu yaklaşım, AI ajanlarının daha verimli ve maliyet-etkili çalışmasını mümkün kılarak, gerçek dünya uygulamalarında yaşanan kaynak israfını önemli ölçüde azaltma potansiyeline sahip. AgentOpt'un sunduğu istemci tarafı optimizasyon, AI ajanlarının endüstriyel adaptasyonunda kritik bir adım olarak değerlendiriliyor.

Araştırmacılar, Dünya bilimleri ve uydu gözlemleri konularında uzmanlaşmış EVE (Earth Virtual Expert) adlı ilk açık kaynak yapay zeka sistemini geliştirdi. 24 milyar parametreli bu model, geleneksel yapay zeka sistemlerinin aksine özellikle iklim değişikliği, çevre izleme ve yer bilimleri alanlarında sorulara daha doğru yanıtlar verebiliyor. EVE, Mistral Small 3.2 temelli bir model üzerine inşa edilmiş ve Dünya gözlem verileri ile eğitilmiş. Sistem, hem çoktan seçmeli hem de açık uçlu sorularda benzer boyuttaki genel amaçlı modellerden daha başarılı performans gösteriyor. 350 pilot kullanıcının test ettiği sistem, API ve web arayüzü üzerinden erişilebilir durumda. Proje, model, veri setleri ve kodları açık lisanslar altında bilim insanlarının kullanımına sunuyor.

Büyük dil modellerinin eğitiminde sadece İngilizce kullanmanın yetersiz olduğunu gösteren kapsamlı bir araştırma yayınlandı. 8 milyar parametreye kadar modeller üzerinde yapılan 220 farklı eğitim deneyi, çok dilli yaklaşımın tüm dillerde performansı artırdığını ortaya koyuyor. Araştırmacılar, matematiksel akıl yürütme ve API çağrıları gibi görevlerde çok dilli eğitimin sadece düşük kaynaklı dilleri değil, İngilizce performansını da iyileştirdiğini keşfetti. Hatta tek bir yabancı dil eklemenin bile modelin genel başarısını artırdığı gözlemlendi. Bu bulgular, yapay zeka endüstrisinin İngilizce ağırlıklı eğitim yaklaşımını yeniden değerlendirmesi gerektiğine işaret ediyor.