Araştırmacılar, karmaşık bilimsel makaleleri herkesçe anlaşılır şekilde özetlemeyi amaçlayan ReLay sistemini geliştirdi. Büyük dil modellerini kullanan bu sistem, okuyucunun bilgi düzeyine ve ihtiyaçlarına göre kişiselleştirilmiş özetler üretiyor. 50 katılımcı ve 300 özet çiftiyle yapılan testlerde, beş farklı yapay zeka modelinin performansı değerlendirildi. Özellikle sağlık alanında, bilimsel bilgilerin yanlış anlaşılması gerçek hayat kararlarını etkileyebileceği için bu kişiselleştirme yaklaşımı kritik önem taşıyor. Sistem, kullanıcıların anlama düzeylerini, bilgi arama davranışlarını ve etkileşim loglarını analiz ederek her okuyucuya özel açıklamalar sunuyor.

Büyük dil modellerinin hızını artırmak için kullanılan spekülatif çözümleme yönteminde kritik bir sorun keşfedildi. Araştırmacılar, mevcut yaklaşımların uzun metinlerde doğruluk kaybı yaşadığını ve bunun nedeninin bağlam bilgisinin yanlış sıkıştırılması olduğunu ortaya koydu. Geleneksel yöntemler, gelecekteki tahminler için önemli bilgileri gözden kaçırırken, KV önbellek sistemleri tüm bağlam verilerini koruyarak daha tutarlı sonuçlar veriyor. Bu keşif, yapay zeka modellerinin uzun metinlerle çalışma performansını önemli ölçüde iyileştirebilir ve özellikle uzun makale özetleme, kitap analizi gibi uygulamalarda devrim yaratabilir.

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, büyük dil modellerinden daha etkili sonuçlar almak için 58 farklı prompt tekniğini 6 temel yaklaşımda topladı. Sıfırdan öğrenme, örnekle öğretme, düşünce üretimi, topluluk yaklaşımı, öz-eleştiri ve parçalara ayırma teknikleri, yaşam bilimleri araştırmalarında verimliliği önemli ölçüde artırabiliyor. Literatür özetlemeden veri analizine kadar birçok alanda kullanılabilecek bu teknikler, araştırmacıların AI araçlarından maksimum fayda sağlamasını hedefliyor. Çalışma, karmaşık bilimsel süreçleri hızlandırarak araştırma kalitesini artırma potansiyeli taşıyor.

Yapay zeka sistemlerinin uzun belgeleri özetleme yeteneği giderek gelişirken, bu özetlerin ne kadar doğru olduğunu ölçmek ciddi bir sorun haline geliyor. Araştırmacılar, kısa metinler için tasarlanan doğruluk ölçüm yöntemlerinin uzun belgeler söz konusu olduğunda güvenilir sonuçlar vermediğini keşfetti. Bilim kurgu, hukuk ve bilimsel alanlardaki uzun metinlerle yapılan testler, mevcut yöntemlerin tutarsız değerlendirmeler ürettiğini gösteriyor. Bu durum özellikle önemli, çünkü günümüzde yapay zeka asistanları uzun raporları, akademik makaleleri ve yasal belgeleri özetleme konusunda giderek daha fazla kullanılıyor. Araştırma, gelecekte daha güvenilir değerlendirme araçlarına ihtiyaç duyulduğunu ortaya koyuyor.

Klinik araştırmalarda hasta seçimi zaman alıcı bir süreç olup, çalışmaların başarısızlığına yol açabiliyor. Araştırmacılar, büyük dil modelleri kullanarak bu soruna çözüm aramış. Çalışmada, hasta kayıtlarından uygun adayları belirlemek için farklı yapay zeka yaklaşımları test edildi. Uzun belgeleri işlemede karşılaşılan 'Ortada Kaybolma' problemi için üç farklı strateji geliştirildi: orijinal bağlam pencerelerini kullanma, varlık tanıma tabanlı özetleme ve dinamik kanıt alma yöntemi. Bu teknolojiler, klinik çalışmalara katılım oranlarını artırarak tıp araştırmalarını hızlandırabilir.

Büyük dil modellerinin ürettiği yanlış ve tutarsız bilgileri tespit etmek, günümüzde kritik bir sorun haline geldi. Araştırmacılar, bu soruna çözüm olarak FaithLens adlı yeni bir model geliştirdi. Bu sistem, yapay zekanın güvenilir olmayan çıktılarını sadece tespit etmekle kalmıyor, aynı zamanda neden yanlış olduğunu da açıklayabiliyor. Model, özellikle bilgi arama sistemleri ve metin özetleme gibi kritik uygulamalarda büyük önem taşıyor. 8 milyar parametreli FaithLens, 12 farklı görevde test edildi ve GPT gibi gelişmiş modelleri bile geride bıraktı. Sistem, maliyet açısından da verimli bir çözüm sunuyor.

Araştırmacılar, kod yazan yapay zeka modellerini insan geliştiricilerin görsel dikkat kalıplarını taklit edecek şekilde eğiten yeni bir teknik geliştirdiler. EyeMulator adı verilen bu yöntem, göz takibi verilerini kullanarak yapay zekanın hangi kod parçalarına odaklanması gerektiğini öğretiyor. İnsan programcıların kod okurken hangi bölümlere baktıklarını analiz eden sistem, bu bilgiyi yapay zeka modellerinin eğitim sürecine dahil ediyor. Test sonuçları, bu yaklaşımın kod çevirisinde %30'dan fazla, kod özetlemede ise %22'ye varan performans artışları sağladığını gösteriyor. Çalışma, yapay zekanın sadece istatistiksel bağlantıları değil, insan benzeri dikkat mekanizmalarını da kullanabileceğini kanıtlıyor.

Büyük Dil Modelleri (LLM), literatür tarama ve özetleme konularında faydalı olabilir, ancak geri çekilmiş makaleler konusunda ciddi sorunlar yaşıyor. Yeni bir araştırma, üç farklı açık kaynak yapay zeka modelinin, geri çekilmiş 161 yüksek profilli makaleyi tanıyıp tanıyamadığını test etti. Sonuçlar oldukça endişe verici: modeller vakaların %80'inden fazlasında geri çekilmiş makalelerin hâlâ geçerli olduğunu iddia etti. Bu durum, yapay zeka sistemlerinin bilimsel literatürde güvenilirlik kontrolü yapamadığını ve potansiyel olarak yanlış bilgileri yaygınlaştırabileceğini gösteriyor. Araştırmacılar için bu bulgu, yapay zeka destekli literatür taramalarında ekstra dikkat gerektiğini ortaya koyuyor.

Araştırmacılar, büyük dil modellerinin tıbbi özetleme yaparken ürettikleri yanlış bilgileri tespit edebilen yeni bir sistem geliştirdi. ClinTrace adı verilen bu sistem, modelin zaten var olan dikkat ağırlıklarını kullanarak hem her cümlenin hangi kaynaktan geldiğini gösteriyor, hem de kanıtı yetersiz ifadeleri işaretliyor. En önemli avantajı ise hiçbir ek eğitim ya da hesaplama maliyeti gerektirmemesi. Doktor-hasta diyalogları ve radyoloji raporları üzerinde test edilen sistem, tıbbi yapay zekanın güvenilirliğini artırmak için önemli bir adım sayılıyor.

Büyük dil modelleri karmaşık görevlerde başarılı olsa da uzun vadeli etkileşimlerde geçmiş deneyimleri kullanabilmek için etkili bir bellek sistemine ihtiyaç duyuyorlar. Mevcut bellek yöntemleri etkileşimleri sürekli yeniden yazarak özetlemeye odaklanıyor, bu da önemli bağlamsal detayları kaybetme riskini taşıyor. Yeni geliştirilen AnchorMem sistemi, bilişsel bilimdeki Proust Fenomeni'nden ilham alarak bu sorunu çözmeyi hedefliyor. Bu fenomende belirli bir tetikleyici, bütünsel bir hatırlamayı başlatır. AnchorMem, etkileşim geçmişinden atomik gerçekleri çıkararak bunları geri çağırma çapası olarak kullanırken, orijinal bağlamı değişmez halde koruyor. Sistem ayrıca örtülü anlatı ipuçlarını ortaya çıkarmak için ilişkisel olay grafikleri oluşturuyor.