Araştırmacılar, yapay zeka sistemlerinin hafıza yönetiminde karşılaştıkları temel sorunu çözmek için yenilikçi bir yaklaşım geliştirdi. Mevcut sistemler hafızayı basit bir arama problemi olarak görürken, yeni yöntem hafızayı yapılandırılmış bir veri sistemi gibi ele alıyor. Şema tabanlı bu yaklaşım, AI'ların hangi bilgileri hatırlaması, hangilerini görmezden gelmesi ve hangi değerlerin asla tahmin edilmemesi gerektiğini net şekilde tanımlıyor. Bu gelişme, üretim ortamında çalışan AI ajanlarının ihtiyaç duyduğu kesin bilgiler, güncel durum bilgileri, güncelleme ve silme işlemleri gibi kritik hafıza operasyonlarını mümkün kılıyor.

Araştırmacılar, yapay zeka destekli web ajanlarının performansını değerlendirmek için WebMall adında yeni bir benchmark geliştirdi. Mevcut test ortamları sadece tek mağazalarda basit alışveriş görevlerini kapsarken, WebMall farklı mağazalardan ürün karşılaştırması yapıp en uygun fiyatı bulma gibi karmaşık görevleri simüle ediyor. Bu sistem, LLM tabanlı web ajanlarının gerçek dünyada karşılaştırmalı alışveriş yapabilme yeteneklerini ölçmek için tasarlandı. WebMall, heterojen ürün verilerine sahip çoklu mağaza ortamını taklit ederek, ajanların daha zorlu ve gerçekçi e-ticaret görevlerini yerine getirmelerini test ediyor. Bu gelişme, web otomasyonu alanında önemli bir eksikliği gideriyor.

Büyük dil modeli (LLM) ajanları, sınırlı bağlam penceresi nedeniyle uzun vadeli görevlerde hafıza yönetimi sorunları yaşıyor. Araştırmacılar, bu sorunu çözmek için AgeMem adlı yenilikçi bir hafıza sistemi geliştirdi. Geleneksel yaklaşımlar kısa ve uzun vadeli hafızayı ayrı bileşenler olarak ele alırken, AgeMem bu ikisini birleşik bir çerçevede yönetiyor. Sistem, hafıza işlemlerini araç tabanlı eylemler olarak sunarak, yapay zeka ajanının hangi bilgiyi ne zaman saklayacağına, getireceğine, güncelleyeceğine veya sileceğine özerk olarak karar vermesini sağlıyor. Bu birleşik yaklaşım, daha etkili hafıza yönetimi ve uçtan uca optimizasyon imkanı sunuyor.

Araştırmacılar, büyük dil modellerinin uzun süreli görevlerde yaşadığı hafıza sorunlarına çözüm olarak STITCH adlı yeni bir sistem geliştirdi. Bu sistem, yapay zeka ajanlarının geçmiş deneyimlerini bağlama göre organize etmesini sağlıyor. Geleneksel hafıza sistemleri, benzer kelime ve kavramları farklı durumlarda karıştırarak yanlış çıkarımlar yapıyordu. STITCH ise her hafıza parçasını üç temel bileşenle etiketliyor: mevcut hedefe yönelik tema, eylem türü ve önemli varlık tipleri. Bu yaklaşım, yapay zeka ajanlarının daha tutarlı ve doğru kararlar almasını mümkün kılıyor. Sistem, özellikle karmaşık ve uzun vadeli etkileşimlerde başarılı sonuçlar veriyor.

Araştırmacılar, yapay zeka ajanlarını insan bilişsel süreçlerini anlamak için yeni bir yaklaşım geliştirdi. 'Ajantik Davranışsal Modelleme' adı verilen bu framework, teorik sinirbilim, karar teorisi ve olasılıksal çıkarım alanlarını bir araya getiriyor. Çalışma, AI ajanlarını insan zihnindeki bilişsel mekanizmaları açıklayan gizli hipotezler olarak ele alıyor ve bu hipotezlerin insan davranışlarını ne kadar iyi açıkladığını istatistiksel olarak değerlendiriyor. İki temel laboratuvar deneyinde test edilen yaklaşım, algısal karar verme ve öğrenme süreçlerini modellemede umut verici sonuçlar ortaya koyuyor. Bu çalışma, insan zihninin nasıl çalıştığını anlamak için yapay zeka ile davranışsal veri analizi arasında somut metodolojik köprüler kurmanın önemini vurguluyor.

Araştırmacılar, yapay zeka ajanlarının davranışlarını anlamak için fizik yasalarından ilham alan yenilikçi bir yöntem geliştirdi. Fokker-Planck Ters Pekiştirmeli Öğrenme (FP-IRL) adlı bu teknik, ajanların gözlemlenen hareketlerinden hem ödül sistemlerini hem de geçiş fonksiyonlarını eş zamanlı olarak çıkarabilir. Geleneksel yöntemlerin aksine, bu yaklaşım önceden belirlenen dinamik modellere ihtiyaç duymaz ve doğrudan trajectory verilerinden öğrenir. Yöntem, Markov karar süreçleri ile Fokker-Planck denklemleri arasındaki matematiksel bağlantıyı kullanarak, fizik temelli kısıtlamalar altında çalışır. Bu gelişme, robotik, otonom sistemler ve insan davranış modellemesi gibi alanlarda önemli uygulamalar sunabilir.

Araştırmacılar, büyük dil modellerinin metinlerdeki tutumları tespit etme yeteneklerini sistematik olarak inceledi. Çalışmada, basit komut verme yöntemleri ile çoklu yapay zeka ajanlarının tartışma yöntemleri karşılaştırıldı. Sonuçlar, basit yöntemlerin daha etkili olduğunu ve çok ajanlı sistemlerin 7-12 kat daha fazla işlem gücü gerektirdiğini ortaya koydu. Araştırma, model boyutunun yöntem seçiminden daha önemli olduğunu ve performans artışının 32 milyar parametre civarında sabitlendiğini gösterdi. Bu bulgular, yapay zeka uygulamalarında verimlilik ve maliyet dengesinin önemini vurguluyor.

Araştırmacılar, 53 fotosentetik ökaryot türünün genomlarını analiz ederek transfer RNA (tRNA) genlerinin kromozomlarda nasıl organize olduğunu araştırdı. tRNA'lar protein sentezinin vazgeçilmez bileşenleri olup, hücresel çeviri sürecinin verimliliğini doğrudan etkiler. Çalışma, bitki genomlarında tRNA genlerinin dağılımını ve organizasyonunu şekillendiren çok katmanlı kısıtları ortaya koydu. Bu bulgular, protein sentezi sürecinin genomik düzeyde nasıl düzenlendiğine dair yeni perspektifler sunuyor. Araştırma kapsamında geliştirilen ShinytRNA web uygulaması, bilim insanlarının tRNA gen organizasyonunu interaktif olarak keşfetmesine olanak tanıyor.

Araştırmacılar, yapay zeka ajanlarının uzun vadeli deneyimlerini saklaması için yenilikçi bir hafıza sistemi geliştirdi. OCR-Memory adlı bu sistem, geleneksel metin tabanlı hafıza sistemlerinin token sınırlaması sorununu çözmek için görsel modaliteyi kullanıyor. Sistem, yapay zeka ajanlarının geçmiş deneyimlerini görüntülere dönüştürerek saklamakta ve ihtiyaç duyulduğunda bu görsel bilgileri geri çağırabilmektedir. Bu yaklaşım, ajanların sınırsız uzunluktaki geçmişlerini minimal bilgi işlem maliyetiyle tutabilmesini sağlıyor. Geleneksel sistemlerde ya ham veri çok pahalı oluyor ya da özetleme sırasında önemli bilgiler kayboluyor. OCR-Memory ise görsel kimlik işaretçileri kullanarak bu sorunu çözüyor ve 'bul-ve-çevir' paradigmasıyla çalışıyor.

Araştırmacılar, yerel dosyalar ve araçlarla çalışabilen gelişmiş yapay zeka asistanlarının eğitimi için ClawGym adında kapsamlı bir framework geliştirdi. Bu sistem, çok adımlı iş akışlarını yönetebilen AI ajanlarının sistematik bir şekilde eğitilmesi sorununa çözüm getiriyor. ClawGym, 13.500 filtrelenmiş görev içeren geniş bir veri seti ile birlikte, gerçekçi çalışma ortamları ve doğrulama mekanizmaları sunuyor. Framework, kişisel asistan tarzı AI modellerinin geliştirilmesinde tam bir yaşam döngüsü desteği sağlayarak, hem denetimli öğrenme hem de pekiştirmeli öğrenme yöntemlerini kullanıyor. Bu gelişme, günlük hayatta karmaşık görevleri yerine getirebilen daha yetenekli AI asistanlarının geliştirilmesi yolunda önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, yapay zeka tabanlı yazılım geliştirme ajanlarının en büyük sorunlarından birini çözmek için SWE-Edit adlı yeni bir sistem geliştirdi. Mevcut AI kod editörleri, kod inceleme, değişiklik planlama ve düzenleme işlemlerini aynı bağlam penceresinde gerçekleştirerek karmaşıklığa neden oluyor. SWE-Edit bu sorunu, görevleri iki özelleşmiş alt ajana bölerek çözüyor: Viewer kodu incelerken, Editor değişiklikleri uygulayarak ana ajanın stratejik düşünmeye odaklanmasını sağlıyor. Bu yaklaşım, AI yazılım geliştirme araçlarının etkinliğini önemli ölçüde artırabilir.