Geleneksel arama motorları insanlar için tasarlanmıştı, ancak artık büyük dil modelleri de bu sistemleri yoğun şekilde kullanıyor. Araştırmacılar, yapay zekanın bilgi arama ihtiyaçlarının insanlardan çok farklı olduğunu keşfetti. YZ modelleri, sınırlı dikkat kapasiteleri nedeniyle gürültülü veya alakasız bilgilere karşı çok daha hassas. Bu durum halüsinasyonlara ve mantık hatalarına yol açabiliyor. Yeni araştırma, bilgi arama sistemlerinde 'gürültü temizleme' yaklaşımının kritik önemde olduğunu vurguluyor. Sistemler artık kullanılabilir kanıt yoğunluğunu artırıp doğrulanabilirliği maksimize etmeye odaklanmalı. Bu paradigma değişimi, arama teknolojilerinin temelinden yeniden düşünülmesini gerektiriyor.

Araştırmacılar, büyük dil modellerinin yapılandırılmış görevleri güvenilir şekilde yerine getirememesi sorununa çözüm ürettiler. RunAgent adlı yeni platform, doğal dilde yazılan planları anlayıp adım adım uygulayabiliyor. Sistem, insan benzeri problem çözme yaklaşımını taklit ederken, programlama dillerinin deterministik yapısını koruyor. RunAgent, IF, GOTO ve FORALL gibi kontrol yapılarıyla donatılmış agentic bir dil kullanarak, doğal dilin ifade gücünü programlamanın kesinliğiyle birleştiriyor. Platform, her adımda otomatik olarak kısıtlamalar türetip doğrulama yapıyor, LLM tabanlı akıl yürütme, araç kullanımı ve kod üretimi arasında dinamik seçim yapabiliyor. Hata düzeltme mekanizmalarıyla desteklenen sistem, yapay zekanın karmaşık iş akışlarını güvenilir şekilde yürütebilmesi için önemli bir adım sayılıyor.

Araştırmacılar, beynin doğal temizlik ağı olan glimfatik sistemin çalışmasını görüntüleme verilerinden yeniden oluşturabilen yeni bir hesaplama yöntemi geliştirdi. Bu sistem, beyin omurilik sıvısının damar çevresindeki boşluklardan beyin dokusuna taşınarak metabolik atıkların temizlenmesini sağlıyor. Yeni yaklaşım, gürültülü görüntüleme verilerinden fiziksel olarak geçerli transport alanları oluşturarak, Alzheimer ve diğer nörodejeneratif hastalıklarla ilişkili olan beyin atık temizleme mekanizmalarının daha iyi anlaşılmasına katkı sağlayabilir. Geliştirilen framework, kişiye özel görüntüleme verilerinden yüksek doğrulukta glimfatik transport alanları yeniden oluşturabiliyor.

Araştırmacılar, kuantum bilgisayarların ölçeklenebilirliğini artırmak için dağıtık mimarilerde çalışan hata toleranslı operasyonları inceledi. Çalışma, farklı kuantum modülleri arasında gerçekleştirilen transversal non-local CNOT ve mantıksal ışınlama işlemlerini simüle ederek, bu operasyonların performansını detaylı olarak karakterize etti. Sonuçlar, uygun cihazlarda dağıtık kuantum LDPC kodlarının, mevcut yüzey kodu lattice cerrahisinden daha iyi performans gösterebileceğini ortaya koydu. Özellikle non-local CNOT operasyonunun, aynı kod mesafesi ve gürültü seviyelerinde ışınlamaya kıyasla on kata kadar düşük mantıksal hata oranları elde edebildiği tespit edildi. Bu gelişme, kuantum bilgisayarların pratik uygulamalar için gerekli olan ölçeklenebilirlik sorununa önemli bir çözüm sunuyor.

Bilim insanları, beynin zararlı Alzheimer plakalarını kendi kendine temizlemesine yardımcı olan yeni bir yöntem geliştirdi. Sox9 adlı bir proteini artırarak, beyin sağlığını koruyan yıldız şeklindeki destek hücreleri olan astrositlerin aktivitesini güçlendirmeyi başardılar. Farelerde yapılan deneylerde, hafıza sorunları yaşayan hayvanlarda bu yaklaşımın plak birikimini azalttığı ve zamanla bilişsel işlevleri koruduğu gözlemlendi. Bu keşif, Alzheimer hastalığının tedavisinde beynin doğal savunma mekanizmalarını kullanma konusunda umut verici bir yol açıyor.

Araştırmacılar, büyük dil modellerinde bazı nöronların belirli görevler için kritik önem taşıdığını ortaya çıkardı. Matematiksel akıl yürütme ve kod üretimi konularında uzmanlaşmış modeller üzerinde yapılan sistematik budama çalışması, nöronların görev performansına eşit katkı sağlamadığını gösterdi. Aktivasyon tabanlı seçici budama yöntemi rastgele budamadan daha başarılı sonuçlar verirken, görev odaklı kritik nöronların sadece %10'unun çıkarılması modelin tamamen çökmesine neden oldu. Bu bulgular, yapay zeka modellerinin iç yapısını anlama ve optimize etme konusunda önemli ipuçları sunuyor.

Büyük dil modellerine dayalı kodlama ajanları, geçmiş hata ayıklama deneyimlerini yeniden kullanmak için hafızalarına güveniyorlar. Ancak bu hafıza bilgisi sadece mevcut hatayla gerçekten uyumlu olduğunda yararlı oluyor. Araştırmacılar, bu sorunu çözmek için risk-duyarlı bağlamsal bandit yaklaşımını geliştirdiler. RSCB-MC adlı yeni sistem, yapay zeka ajanının hangi durumda hafıza kullanacağına, ne zaman geri çekileceğine veya kullanıcıdan geri bildirim isteyeceğine karar veriyor. Bu yaklaşım, yanlış hafıza enjeksyonunu önleyerek daha güvenli ve etkili kod geliştirme süreçleri sunuyor.

Büyük dil modelleri, doğal dilde sorulan soruları SQL veritabanı sorgularına çevirebiliyor ancak karmaşık durumlarda hata yapabiliyor. Araştırmacılar, geçmiş sorgu örneklerinden şablon oluşturan TeCoD sistemini geliştirdi. Bu sistem, benzer soruları tanıyıp önceden test edilmiş şablonları kullanarak %36 daha yüksek başarı oranı elde ediyor. Özellikle tekrar eden sorular için güvenilir yanıtlar üretiyor ve geçersiz SQL kodları oluşturma riskini minimize ediyor. Sistem, şablon seçimi ve dilbilgisi kısıtlamalı kod üretimi olmak üzere iki ana bileşenden oluşuyor.

Büyük dil modelleri (LLM'ler) kod düzenlemede giderek daha fazla kullanılıyor, ancak mevcut tam kod üretme yöntemi ciddi verimlilik sorunları yaratıyor. Araştırmacılar, geleneksel diff formatlarının LLM'ler için doğal olmayan yapısını analiz ederek, BlockDiff ve FuncDiff adlı yeni struktur-bilinçli formatlar geliştirdi. Bu formatlar, değişiklikleri kontrol yapıları ve fonksiyonlar gibi sözdizimsel açıdan tutarlı birimler halinde temsil ediyor. Ayrıca AdaEdit stratejisi, modellerin en verimli format ile tam kod arasında dinamik seçim yapmasını sağlıyor. Bu yenilik, interaktif kodlama asistanlarının düşük gecikme ve maliyet gereksinimlerini karşılamada önemli bir adım.

Araştırmacılar, büyük dil modellerinin kod yazma yeteneklerini geliştirmek için ScaleBox adlı yeni bir sistem geliştirdi. Mevcut kod doğrulama sistemleri yüksek iş yükü altında yetersiz kalırken, ScaleBox hem doğruluğu artırıyor hem de büyük ölçekte verimli çalışabiliyor. Sistem, otomatik özel yargıç üretimi, paralel test çalıştırma ve çok düğümlü koordinasyon gibi özellikler sunuyor. Deneyler, ScaleBox'ın kod doğrulama hassasiyetini ve verimliliğini önemli ölçüde artırdığını gösteriyor. LiveCodeBench performans testlerinde de sistemi kullanan modellerin belirgin şekilde daha iyi sonuçlar aldığı gözlemleniyor.

ETH Zurich'ten araştırmacılar, yapay zeka destekli programlamada başarılı olmak için gereken becerileri inceledi. 'Vibe coding' olarak adlandırılan bu yeni yaklaşım, kullanıcıların tek satır kod yazmadan yazılım geliştirmesine olanak tanıyor. Ancak çalışma, sadece net iletişim kurabilmenin yeterli olmadığını ortaya koyuyor. Başarılı AI programlama için kullanıcıların hem yazılı ifade becerilerine hem de temel bilgisayar bilimi bilgisine sahip olması gerekiyor. Bu bulgular, yapay zekanın programlamayı demokratikleştirdiği düşünülen dönemde, teknik temellerin hala kritik önemini koruduğunu gösteriyor. Araştırma, 2026 CHI Konferansı'nda sunulacak.