Araştırmacılar, modern geometri ve topolojinin temel yapı taşlarından biri olan Stiefel manifoldları üzerinde breakthrough bir çalışma gerçekleştirdi. Bu çok boyutlu geometrik nesneler, fizikten mühendisliğe kadar birçok alanda kritik rol oynuyor. Bilim insanları, bu manifoldların kendileriyle olan dönüşümlerinin ne kadar katı olduğunu ve küre şeklindeki yapılarla birleştiklerinde nasıl davrandıklarını matematiksel olarak karakterize etmeyi başardı. Çalışma, özellikle belirli boyutlardaki Stiefel manifoldları için tam bir sınıflandırma sunuyor ve bu geometrik yapıların neredeyse diffeomorfizm altında nasıl davrandığını açıklığa kavuşturuyor. Bulgular, yüksek boyutlu geometri teorisine önemli katkılar sağlarken, gelecekteki araştırmalar için de sağlam bir temel oluşturuyor.

Metinden görsel üreten yapay zeka modelleri bazen zararlı veya istenmeyen içerik üretebiliyor. Araştırmacılar, bu modelllerden belirli kavramları hassas bir şekilde silmek için TICoE adlı yeni bir sistem geliştirdi. Bu sistem metin ve görsel verilerini birlikte kullanarak, istenmeyen kavramları silerken diğer içerikleri korumayı başarıyor. Geleneksel yöntemler ya kavramları tam olarak silemiyordu ya da ilgisiz içerikleri de zarar veriyordu. TICoE, sürekli dışbükey kavram manifoldu ve hiyerarşik görsel öğrenme kullanarak bu sorunu çözüyor. Sistem, hedef kavramları hassas bir şekilde kaldırırken, ilgisiz anlamsal ve görsel içerikleri koruyor. Araştırmacılar ayrıca silme işleminin kalitesini değerlendirmek için yeni bir strateji de geliştirdi. Yapılan deneyler, TICoE'nin önceki yöntemlerden daha başarılı olduğunu gösteriyor.

Araştırmacılar, büyük dil modellerinin bellek kullanımını dramatik şekilde azaltan yeni bir sıkıştırma tekniği geliştirdi. Sequential KV Cache Compression adlı bu yöntem, modellerin çalışma sırasında oluşturdukları geçici verileri çok daha verimli şekilde saklamaya olanak tanıyor. Mevcut yöntemlerden farklı olarak, bu teknik verilerin rastgele sayılar değil, modelin eğitildiği dildeki anlamlı kalıplar olduğunu fark ediyor. İki katmanlı sistem önce benzer metin parçalarını tespit ederek birleştiriyor, ardından sadece farklılıkları kaydediyor. Bu yaklaşım, Shannon entropi limitinin ötesine geçerek daha yüksek sıkıştırma oranları elde ediyor ve yapay zeka uygulamalarının daha az kaynak tüketerek çalışmasını sağlıyor.

Araştırmacılar, 2019-2025 arası büyük dil modellerinin kapsamlı bir haritasını çıkardı. LLMOrbit adlı bu çalışma, 15 organizasyondan 50'den fazla AI modelini inceleyerek yapay zekanın evrimini döngüsel bir taksonomiyle açıklıyor. Çalışma, AI gelişiminin karşılaştığı üç kritik krizi tanımlıyor: 2026-2028'e kadar veri kıtlığı, 5 yılda 3 milyon dolardan 300 milyon dolara çıkan maliyet artışı ve 22 kat artan enerji tüketimi. Bu 'ölçeklendirme duvarı'nı aşmak için altı yeni paradigma öneriliyor. Test zamanı hesaplama, çok-modalite ve otonom ajanlar gibi yaklaşımlar, ham güç artışından ziyade akıllı çözümlerle AI'ın geleceğini şekillendiriyor.

Araştırmacılar, yapay zeka destekli ajanların kullanıcı kişiliğine uyum sağlayabilme becerisini test eden yeni bir değerlendirme sistemi geliştirdi. MM-tau-p² adlı bu sistem, özellikle müşteri deneyimi yönetiminde kullanılan çok modlu yapay zeka ajanlarının performansını ölçüyor. Mevcut test sistemleri sadece metin tabanlı sohbetlere odaklanırken, yeni sistem hem görsel hem işitsel girdileri değerlendiriyor. Sistem, kullanıcının kişilik özelliklerini tanıyan ve buna göre davranış sergileyen ajanların ne kadar başarılı olduğunu ölçüyor. GPT-4 ve GPT-5 gibi en gelişmiş dil modellerinin bile bu konuda eksiklikleri olduğu tespit edildi.

Araştırmacılar, sualtı görüntülerinden deniz türlerini sınıflandırmada yenilikçi bir yaklaşım geliştirdi. Geleneksel yöntemlerde uzman etiketlemesi pahalı ve zaman alıcıyken, yeni teknik dondurulmuş temel model yerleştirmeleri üzerinde basit bir lojistik regresyon sınıflandırıcısı kullanıyor. DINOv3 ViT-B/16 modeliyle yapılan testlerde, tam denetimli öğrenmede %88,5 başarı oranı elde edildi. Daha da etkileyici olan, sınıf başına sadece 21 etiketli örnek kullanıldığında (toplam eğitim verilerinin %6'sı) %80'i aşan doğruluk sağlanması. Bu yaklaşım, pahalı veri etiketleme süreçlerine olan bağımlılığı azaltarak deniz biyolojisi araştırmalarını hızlandırabilir.

Araştırmacılar, yapay zeka destekli kod editörlerinin performansını önemli ölçüde artıran yeni bir yaklaşım geliştirdi. CODESTRUCT adlı bu sistem, geleneksel metin tabanlı düzenleme yerine kod yapısını anlayan akıllı düzenleme yöntemi kullanıyor. Altı farklı büyük dil modeli üzerinde yapılan testlerde, sistemin başarı oranını %1,2-5 artırdığı, token tüketimini ise %12-38 azalttığı görüldü. Özellikle GPT-5-nano modelinde %20,8'lik dramatik iyileşme kaydedildi. Bu gelişme, yazılım geliştirme süreçlerini hızlandırırken maliyetleri de düşürüyor.

Araştırmacılar, görüntü sınıflandırma yapay zeka modellerinin eğitim sırasında hangi bilgileri unuttuğunu inceledi. ResNet-18 ve DeiT-Small mimarilerini göz hastalıkları ve kuş türleri veri setleri üzerinde test eden çalışma, farklı yapay zeka mimarilerinin tamamen farklı örnekleri unuttuğunu keşfetti. Vision Transformer (ViT) modellerinin unutma süreçlerinin CNN'lere göre daha düzenli olduğu, ancak her iki mimaride de unutmanın rastgele faktörlerden etkilendiği belirlendi. Bu bulgular, yapay zeka eğitim programlarının tasarımı, veri temizleme süreçleri ve farklı modellerin birlikte kullanılması konularında önemli ipuçları sunuyor.

Araştırmacılar, büyük dil modellerinin karmaşık problemleri çözerken yaşadığı iki temel sorunu ele alan yeni bir yöntem geliştirdi. HCoT (Heuristik Düşünce Sınıflandırma Teşviki) adlı bu yaklaşım, modellerin rastgele karar alma süreçlerini daha yapılandırılmış hale getiriyor ve alan bilgisini akıl yürütme stratejilerine dinamik olarak entegre ediyor. Mevcut yapay zeka sistemleri, her kelimeyi olasılık dağılımlarından rastgele seçtikleri için tutarlı planlama yapamıyor ve aldıkları kararlar stratejik temelden yoksun kalıyor. Yeni yöntem, uzman sistemlerden alınan sezgisel kuralları kullanarak bu sorunları çözmeyi hedefliyor. Geliştirilen yaklaşım, yapay zekanın daha güvenilir ve mantıklı sonuçlar üretmesini sağlayarak, özellikle karmaşık problem çözme gerektiren alanlarda önemli ilerlemeler vaat ediyor.

Bilgisayar biliminde temel bir işlem olan aralık minimum sorguları (RMQ) için yeni bir yaklaşım geliştirildi. Araştırmacılar, alfabesi sınırlı dizilerde minimum değer arama işlemlerini daha verimli hale getiren kodlama yöntemleri tasarladı. Bu teknoloji, veri tabanı yönetimi, metin indeksleme ve hesaplamalı biyolojide kritik rol oynuyor. Özellikle pratik uygulamalarda karşılaşılan küçük alfabe boyutlu diziler için optimize edilmiş çözümler sunuyor. Hem tek boyutlu hem de iki boyutlu diziler için farklı sorgulama senaryoları analiz edilerek, alan karmaşıklığı açısından optimal sonuçlar elde edildi. Geliştirilen yöntemler, sabit boyutlu alfabeler için sabit zamanda sorgu yanıtlama imkanı sunuyor.

Araştırmacılar, radyoterapi tedavisi sonrası oluşan doku hasarlarını otomatik olarak tespit edebilen yenilikçi bir yapay zeka sistemi geliştirdi. Sistem, osteoradyonekroz, beyin ödemi ve beyin radyasyon nekrozu gibi üç farklı yan etkiyi tıbbi görüntülerden ayırt edebiliyor. Sınırlı veri ile çalışabilen bu teknoloji, SAM modelini temel alarak metin, konum ve tıklama ipuçlarını progresif olarak kullanıyor. Geliştirilen yöntem, kanser hastalarının radyoterapi sonrası takibinde doktorlara büyük kolaylık sağlayacak ve tedavi planlamasını optimize edecek.