Araştırmacılar, hava durumu tahminlerinde çığır açacak yeni bir yapay zeka sistemi geliştirdi. STCast adı verilen bu sistem, geleneksel yöntemlerin aksine bölgesel hava tahmini sınırlarını kendisi belirleyebiliyor ve sürekli optimize ediyor. Sistem, küresel atmosfer verilerinden yararlanarak daha hassas bölgesel tahminler üretiyor. Özellikle Spatial-Aligned Attention mekanizması ile küresel ve bölgesel hava durumu verilerini akıllıca hizalıyor, ardından dikkat tabanlı öğrenme ile bu sınırları sürekli iyileştiriyor. Ayrıca Temporal Mixture-of-Experts modülü sayesinde farklı aylara ait atmosferik değişkenleri dinamik olarak analiz edebiliyor. Bu teknolojik gelişme, meteoroloji alanında sabit ve hatalı bölgesel sınırlar sorununun üstesinden gelmeyi vaat ediyor.

Araştırmacılar, uzun videolardaki içerikleri daha etkili anlayabilen VideoThinker adlı yeni bir yapay zeka modeli geliştirdi. Mevcut video anlama modellerinin aksine, VideoThinker aracı tabanlı (agentic) bir yaklaşım benimsiyor ve videolardaki önemli anları adaptif şekilde keşfedebiliyor. Model, temporal geri çağırma, uzamsal yakınlaştırma ve zamansal yakınlaştırma gibi araçları kullanarak videolardaki bilgi kaybını minimize ediyor. En önemli yenilik, modelin tamamen sentetik araç etkileşim verisiyle eğitilmiş olması. Bu sayede uzun form video anlayışında döngüsel bağımlılık sorunu çözülüyor. VideoThinker, videoları zengin altyazılara dönüştürüp güçlü bir dil modeli kullanarak çok adımlı araç kullanım dizileri oluşturuyor. Bu gelişme, video analizi yapan AI sistemlerinin performansını önemli ölçüde artırabilir.

Araştırmacılar, yapay zeka modellerinin mantıklı düşünme yeteneklerini değerlendirmek için LOGICAL-COMMONSENSEQA adlı yeni bir kıyaslama sistemi geliştirdi. Mevcut testler genellikle tek bir doğru cevabı ararken, bu yeni yaklaşım yapay zekanın birden fazla olasılığı mantıklı operatörlerle (VE, VEYA, NE/NE DE) değerlendirme becerisini ölçüyor. Test sonuçları, günümüzün gelişmiş AI modellerinin bağlaçlı mantık yürütmede makul başarı gösterdiğini, ancak olumsuzlama içeren sorularda ciddi zorluklar yaşadığını ortaya koydu. Bu bulgular, yapay zekanın temel mantık yürütme sınırlarını gözler önüne seriyor ve kompozisyonel sağduyu mantığının geliştirilmesi için kontrollü bir framework sunuyor.

Bilgisayar bilimciler, yazılım güvenliği ve işlevselliğini analiz etmek için yeni bir mantık sistemi geliştirdi. Hyper Separation Logic (HSL) adı verilen bu sistem, ilk kez hafıza kullanan programlarda karmaşık güvenlik özelliklerini modüler şekilde doğrulayabiliyor. Mevcut mantık sistemleri sadece belirli güvenlik özelliklerini analiz edebilirken, HSL daha geniş bir yelpazede güvenlik açıklarını tespit edebilme kapasitesine sahip. Bu gelişme, modern yazılımların güvenlik analizinde önemli bir adım forward teşkil ediyor ve özellikle kritik sistemlerde kullanılan programların doğrulanmasında yeni olanaklar sunuyor.

Araştırmacılar, robotların karmaşık görevleri yerine getirebilmesi için yeni bir planlama sistemi geliştirdi. DAG-STL adlı bu hiyerarşik çerçeve, robotların daha önce hiç karşılaşmadıkları görevleri bile başarıyla tamamlayabilmesini sağlıyor. Sistem, Signal Temporal Logic (STL) denilen özel bir dil kullanarak robotlara zamana bağlı görevler veriyor. Geleneksel yöntemlerden farklı olarak, bu yaklaşım sistem dinamiklerini önceden bilmeye gerek duymadan çalışabiliyor. Araştırma, mantıksal akıl yürütme ile yörünge planlamasını birbirinden ayırarak üç aşamalı bir süreç oluşturuyor. Bu sayede robotlar, önceden öğrenilmiş görev-bağımsız veriler kullanarak yeni durumlarla baş edebiliyor. Gelişme, otonom sistemlerin daha esnek ve uyarlanabilir olmasında önemli bir adım teşkil ediyor.

Araştırmacılar, paralel metin üretimi yapan difüzyon dil modellerinin performansını artıran yeni bir yöntem geliştirdi. Stability-Weighted Decoding (SWD) adlı bu teknik, modellerin metin üretim sürecinde hangi kelimelerin güvenli şekilde ortaya çıkarılabileceğini daha doğru belirliyor. Geleneksel yöntemler tek bir andaki güven puanlarına dayanırken, SWD kelimelerin zaman içindeki kararlılığını da hesaba katıyor. Bu yaklaşım, kelimelerin temporal kararsızlığının, maskelenmiş bağlamla olan karşılıklı bilgisine katı bir alt sınır sağladığını teorik olarak kanıtlıyor. Sonuç olarak kararsız kelimeler için erken maskesini kaldırma riskini azaltıyor ve kod üretimi gibi uygulamalarda daha kaliteli sonuçlar elde ediliyor.

Araştırmacılar, sayısal ve zamansal verileri kullanarak haberlerin doğruluğunu kontrol edebilen yeni bir yapay zeka sistemi geliştirdi. TSVer adlı bu sistem, 41 farklı doğruluk kontrol kuruluşundan toplanan 304 gerçek dünya iddiasını ve 400 zaman serisi verisini içeren kapsamlı bir veri tabanına sahip. Sistem, özellikle istatistiksel grafiklerdeki trendleri analiz ederek iddiaların doğruluğunu değerlendirebiliyor. Bu teknoloji, yanlış bilgilerin hızla yayıldığı günümüzde büyük önem taşıyor çünkü sayısal kanıtlara dayalı iddiaları otomatik olarak kontrol edebiliyor. Geleneksel doğruluk kontrol sistemlerinin aksine, TSVer temporal mantık yürütme yaparak zaman içindeki değişimleri de hesaba katıyor.

Araştırmacılar, yapay zeka ajanlarının dış ödül sistemlerine ihtiyaç duymadan karmaşık keşif davranışları geliştirmesini sağlayan yeni bir yöntem geliştirdi. Temporal kontrastif temsiller kullanılan bu yaklaşım, ajanların gelecekte öngörülemeyen sonuçları olan durumları önceliklendirmesini sağlıyor. Hareket, manipülasyon ve somutlaştırılmış yapay zeka görevlerinde test edilen sistem, geleneksel olarak dış ödüllerin gerektirdiği yetenekleri kendiliğinden kazanabiliyor. Bu gelişme, yapay zekanın çevreyi anlama ve keşfetme biçiminde önemli bir paradigma değişikliği anlamına geliyor.

Bilim insanları, kuantum çok-cisim sistemlerinin karmaşık zaman davranışlarını anlamak için 'tekrarlama analizi' adlı yeni bir yaklaşım geliştirdi. Klasik dinamik sistemler için kullanılan bu yöntem, ilk kez kuantum sistemlere uygulandı. Araştırmacılar, tek boyutlu Ising modelini kullanarak yaptıkları denemelerde, sistemin farklı fazlardaki davranışlarını görsel haritalarla ortaya çıkardı. Yöntem, ferromanyetik fazda düzenli periyodik desenler gözlemlerken, kritik noktada çok ölçekli temporal yapılar tespit etti. Bu yaklaşım, kuantum simulasyonlardan ve deneysel verilerden elde edilen karmaşık zaman serilerini analiz etmek için güçlü bir araç sunuyor.

Araştırmacılar, yapay zekanın mantıksal akıl yürütme becerisini dramatik şekilde geliştiren LogicDiff adlı yeni bir yöntem geliştirdi. Bu teknik, dil modellerinin metinleri ortaya çıkarma stratejisini değiştirerek, modellerin matematiksel problemleri çözme başarısını %22'den %61'e yükseltti. Yöntem, her kelimenin mantıksal rolünü (öncül, bağlaç, sonuç gibi) belirleyerek, modelin düşünce sürecini daha organize hale getiriyor. Sadece %0,05 büyüklüğünde ek bir bileşen kullanmasına rağmen, özellikle sıfır örnek öğrenme durumlarında kayda değer performans artışları sağlıyor.

Araştırmacılar, geleneksel kamera sistemlerinin aksine yüksek temporal çözünürlük ve mahremiyet koruması sağlayan olay tabanlı eylem tanıma teknolojisinde yeni bir döneme işaret eden EventCrab çerçevesini geliştirdi. Bu yenilikçi sistem, olay verilerinin benzersiz özelliklerini - zaman boyutunda yoğun, uzay boyutunda seyrek olan asenkron yapılarını - dikkate alarak iki farklı yaklaşımı ustaca birleştiriyor. Hafif çerçeve tabanlı ağlar ile ağır nokta tabanlı ağları harmanlayan EventCrab, hem doğruluk hem de verimlilik açısından denge kuruyor. Bu teknoloji, özellikle gizlilik gerektiren uygulamalarda ve yüksek hızlı hareket analizinde devrim yaratabilir.