Büyük dil modelleriyle çalışan otonom web ajanları, karmaşık tarayıcı görevlerini tamamlama konusunda umut vadediyor ancak uzun süreli iş akışlarında zorlanıyor. Araştırmacılar, bu sorunu çözmek için WebXSkill adlı yeni bir framework geliştirdi. Bu sistem, hem doğrudan çalıştırılabilen hem de ajan tarafından anlaşılabilen 'yürütülebilir beceriler' kullanıyor. Mevcut sistemlerdeki temel sorun, metin tabanlı becerilerin anlaşılır olmasına rağmen doğrudan çalıştırılamaması, kod tabanlı becerilerin ise çalıştırılabilir olmasına karşın ajan için anlaşılır olmaması. WebXSkill, parametreli eylem programlarını adım adım doğal dil rehberliğiyle birleştirerek bu açığı kapatıyor ve ajanlara hem hata kurtarma hem de adaptasyon imkanı sunuyor.

Çok modlu büyük dil modelleri (MLLM'ler), görüntülerdeki nesnelerin 2D yönelimini belirleme konusunda ciddi zorluklar yaşıyor. Yeni bir araştırma, bu sorunun kaynağını araştırarak görsel kodlayıcıların rolünü inceliyor. CLIP ve SigLIP gibi yaygın kullanılan kodlayıcıların, geometrik akıl yürütme yerine görüntü-metin anlamsal hizalama için eğitilmiş olmasının bu başarısızlığın temel nedeni olabileceği hipotezi test ediliyor. Araştırmacılar, LLaVA OneVision ve Qwen2.5-VL gibi modellerden elde edilen kodlayıcı temsillerinin rotasyon bilgisini koruyup korumadığını ölçmek için kontrollü deneysel protokoller tasarlıyor.

Araştırmacılar, büyük dil modellerinin çalışmasını hızlandıran yeni bir derleyici teknolojisi geliştirdi. Event Tensor adı verilen bu sistem, GPU işlemcilerde karşılaşılan performans sorunlarını çözerek yapay zeka uygulamalarının daha verimli çalışmasını sağlıyor. Teknoloji, özellikle ChatGPT benzeri dil modellerinin yanıt verme hızını artırıyor. Geleneksel yaklaşımlar, GPU'da farklı işlemlerin başlatılması sırasında oluşan gecikmeler ve eşzamanlama sorunları yaşıyor. Event Tensor, bu işlemleri tek bir sürekli çekirdek halinde birleştirerek bu problemleri ortadan kaldırıyor. Sistem aynı zamanda değişken boyutlardaki verileri ve veriye bağlı hesaplamaları etkin şekilde yönetiyor. Test sonuçları, yeni teknolojinin büyük dil modellerinin hizmet verme süresini önemli ölçüde azalttığını ve sistem başlatma maliyetlerini düşürdüğünü gösteriyor.

Harvard araştırmacıları, kalabalık ortamlarda çalışan robot sürülerinin karşılaştığı trafik sıkışıklığı problemine beklenmedik bir çözüm buldu. Robotların hareket rotalarına küçük rastgele sapmalar eklemek, onların birbirlerini bloke etmesini önlüyor ve genel verimliliği artırıyor. Bu basit değişiklik, düz çizgilerde hareket eden robotların aksine, hafif 'kıvrak' hareketlerle birbirlerinin yanından geçebilmesini sağlıyor. Araştırma, daha fazla robotun her zaman daha hızlı sonuç anlamına gelmediğini, aksine kalabalık ortamlarda işlerin tamamen durma noktasına gelebileceğini ortaya koyuyor. Bu keşif, gelecekte depo otomasyonu, kurtarma operasyonları ve akıllı şehir uygulamalarında kullanılacak robot sürüleri için önemli bir gelişme.

Amsterdam Üniversitesi araştırmacıları, kimya sentezi optimizasyonu için otonom laboratuvar sistemi geliştirdi. Nature Synthesis dergisinde yayınlanan çalışmada tanıtılan RoboChem Flex, sadece 5 bin dolar maliyetle herhangi bir laboratuvarda kurulabiliyor. Modüler tasarıma sahip sistem, büyük ve küçük tüm sentez laboratuvarlarının ihtiyaçlarını karşılayacak şekilde tasarlandı. Araştırmacılar, sistemin yapım detaylarını tamamen açık kaynak olarak paylaştı. 'İnsan döngüde' analitik özelliği sayesinde araştırmacılar sürece müdahale edebiliyor. Van 't Hoff Moleküler Bilimler Enstitüsü'nden Prof. Timothy Noël liderliğindeki ekip, bu geliştirmeyle laboratuvar otomasyonunu demokratikleştirmeyi hedefliyor. Sistem, kimyasal reaksiyon koşullarını optimize etmek için yapay zeka algoritmaları kullanıyor.

Araştırmacılar, biyomedikal alanda sorulan sorulara yanıt veren ve her bilgiyi kaynaklarıyla doğrulayabilen VerifAI adlı yeni bir yapay zeka sistemi geliştirdi. Sistem, ürettiği her yanıtı küçük parçalara bölerek bilimsel literatürle karşılaştırıyor ve yanlış bilgi üretme riskini minimize ediyor. Geleneksel yapay zeka modellerinden farklı olarak, VerifAI her iddiasını kaynaklarıyla destekliyor ve şeffaf bir doğrulama mekanizması sunuyor. Test sonuçları, sistemin GPT-4'ü bile geride bırakacak doğrulukta çalıştığını gösteriyor. Sağlık alanında yapay zeka kullanımının güvenilirliğini artırmayı hedefleyen bu sistem, açık kaynak olarak sunularak tüm araştırmacıların erişimine açıldı. Özellikle tıbbi karar verme süreçlerinde yanlış bilginin hayati sonuçlar doğurabileceği düşünüldüğünde, bu gelişme büyük önem taşıyor.

Araştırmacılar, yapay zeka sistemlerinin metin sınıflandırmasında belirsizliklerini tahmin edebilmesi için yeni bir yöntem geliştirdi. HolUE adlı bu yaklaşım, sistemin ne zaman hata yapabileceğini önceden tahmin ederek, bilinmeyen durumlarla karşılaştığında 'bilmiyorum' diyebilmesini sağlıyor. Yöntem, iki temel belirsizlik kaynağını ele alıyor: kullanıcının belirsiz sorularından kaynaklanan 'metin belirsizliği' ve veri dağılımındaki belirsizliklerden kaynaklanan 'galeri belirsizliği'. Test sonuçları oldukça etkileyici - farklı veri setlerinde mevcut yöntemlere göre %40 ile %365 arasında iyileşme sağlandı. Bu gelişme, özellikle güvenilir yapay zeka sistemleri için kritik önem taşıyor.