Kısaca
- Araştırmacılar, ağırlıkları doğrudan düzenleme yaklaşımını “Weight-Space Programming” olarak adlandırıyor.
- GPT-6 Astra, Qwen3.5-0.8B’nin ağırlıklarının yüzde 0,016’sını değiştirdi.
- Araştırmacıların aktardığı deneyde modelin MATH-500 sonucu yüzde 7,9’dan yüzde 48,1’e yükseldi.
- Gemma 3 270M’de ölçülebilir bir iyileşme görülmedi; araştırmacılar yöntemin sınırları olduğunu belirtiyor.
The Decoder’ın 4 Kasım 2026 tarihli haberinde aktarılan MIT araştırması, GPT-6 Astra’nın başka yapay zekâ modellerinin ağırlıklarını analiz edip değiştirebildiği deneyleri ele alıyor. Araştırmacıların “Weight-Space Programming” adını verdiği yaklaşım, modeli alışılmış yöntemlerle yeniden eğitmek yerine ağırlık değerleri üzerinde doğrudan çalışıyor. Deneylerde Astra kimi zaman sayısal ağırlık listelerini kullandı, kimi zaman da kodlama araçlarından ve test sonuçlarından yararlandı.
Astra, ağırlıklardan neler çıkarabildi?
Araştırmacılar, eğitilmiş ağların ağırlıklarını Astra’ya vererek modellerin ne öğrendiğini belirlemesini istedi. Astra, dört bilgisayar oyunundan hangisini oynamak üzere eğitilmiş ağlarla karşı karşıya olduğunu doğru saptadı. Görsel üreten modellerin oluşturduğu temel şekilleri de tanıdı; ancak içi dolu şekillerle kontur biçimindekileri karıştırdığı oldu. Küçük dil modellerinin hangi dilde eğitildiğini, eğitim verisine veya modelleri çalıştırma olanağına erişmeden doğru eşleştirdi.
Bir başka deneyde Astra’dan, kullanıcılarla sürekli aynı fikirde olacak şekilde ince ayar yapılmış modeli iki seçenek arasından bulması istendi. Yalnızca ağırlık değerlerine bakarken ayrım yapamayan Astra, modellerin metin işlerken nelere dikkat ettiğini de gözlemleyebildiğinde üç model çiftinde doğru sonuca ulaştı. Bu deney, ağırlıkların tek başına her durumda yeterli bilgi sağlamadığını gösteriyor.
Oyun testlerinde değişken sonuçlar
Astra’dan oyun kuralları ve kaynak kodunu kullanarak üç basit bilgisayar oyunu için model ağırlıkları üretmesi de istendi. Araştırmacıların aktardığına göre Breakout’ta Astra’nın oluşturduğu model ortalama 517 puan aldı; standart yöntemle 100 milyon tur boyunca eğitilen karşılaştırma modeli 25 puanda kaldı. Diğer iki oyunda ise Astra’nın modeli en uzun süre eğitilen sürümlerin gerisinde kaldı.
9x9 karelik Go tahtası için yaklaşık 1,5 milyon parametreli bir ağın ağırlıkları üretildi. Astra, 50 test yinelemesi boyunca her turda en fazla 128 deneme oyununun sonuçlarını kullanarak ağırlıkları düzenledi. Araştırmacılara göre bu ağ, yaklaşık 20 milyon oyunla eğitilmiş benzer büyüklükteki modeli geçti. Sonuçların oyunlara göre değişmesi, yaklaşımın her görevde aynı performansı vereceği anlamına gelmiyor.
Qwen modelinde sınırlı ağırlık değişikliği
En pratik deneyde Astra’ya, kodlama ortamı ve alıştırma problemleri kullanarak Qwen3.5-0.8B’nin matematik becerisini geliştirme görevi verildi. Değerlendirme, Astra’nın daha önce görmediği ayrı problemlerle yapıldı. Astra, modelin yanıt üretmek yerine aynı metni tekrarladığı düşünme döngülerini belirledi ve ağırlıkların yalnızca yüzde 0,016’sını değiştirdi.
Araştırmacıların bildirdiği sonuçlarda MATH-500 başarısı yüzde 7,9’dan yüzde 48,1’e, yönergeleri izleme başarısı ise yüzde 21’den yüzde 62’ye yükseldi. Bununla birlikte düşünme döngüleri tamamen ortadan kalkmadı: yanıtların üçte biri hâlâ azami metin uzunluğuna ulaştı. Değişiklikten önce bu oran yüzde 93’tü. Bu sorunlara nadiren giren Gemma 3 270M’de ise ölçülebilir bir gelişme sağlanamadı. Araştırmacılar, Astra’nın Qwen’de var olan yetenekleri baskılayan bir engeli kaldırmış olabileceğini düşünüyor; deney, modelde temelden bulunmayan becerilerin bu yolla kazandırılabildiğini göstermiyor.
Mimarlık ve görselleştirme iş akışlarına etkisi
Çalışma, doğrudan bir modelleme veya render özelliği duyurusu değil. Ancak mimarlık ve görselleştirme ekiplerinin kullandığı yapay zekâ araçlarında, belirli bir davranışı değiştirmek için tüm modeli yeniden eğitmeye alternatif bir yaklaşımın araştırıldığını gösteriyor. Kaynakta yöntemin tasarım yazılımlarına nasıl uygulanacağı açıklanmıyor.
Ofisler için sonuçları gerçek üretim görevlerinde sınamak önemli. Araştırmacılar yöntemin sınırlarını kabul ediyor ve sistematik ölçüm için bir kıyaslama çalışmasını sonraki adım olarak görüyor. Donanım gereksinimi, lisans koşulları ve ticari kullanıma ilişkin bilgi ise haberde yer almıyor; bunlar netleşmeden iş akışına entegrasyon konusunda karar vermek mümkün değil.
Sık sorulan sorular
Weight-Space Programming nedir?
Araştırmacıların kullandığı terim, modeli geleneksel yöntemlerle yeniden eğitmek yerine ağırlık değerlerini doğrudan düzenleme yaklaşımını anlatıyor.
GPT-6 Astra, Qwen3.5-0.8B’nin matematik başarısını ne kadar artırdı?
Araştırmacıların bildirdiği deneyde MATH-500 sonucu yüzde 7,9’dan yüzde 48,1’e yükseldi. Ağırlıkların yüzde 0,016’sı değiştirildi.
Ağırlıkları doğrudan düzenleme yöntemi her modelde işe yarıyor mu?
Kaynakta böyle bir sonuç yer almıyor. Gemma 3 270M’de ölçülebilir iyileşme görülmedi ve araştırmacılar yaklaşımın sınırları olduğunu belirtti.
Kaynaklar
1 kaynakKaynak metinler yeniden yayımlanmaz; kısa alıntılar tırnak içinde verilir, geri kalanı özgün özet ve yorumdur.
Mimarlık ve görselleştirme ofisleri açısından bu araştırma bugün kullanılabilir yeni bir üretim aracı sunmuyor. Buna karşılık, modeli baştan eğitmeden belirli bir soruna müdahale etme fikri, gelecekte ofislerin kullandığı yapay zekâ yardımcılarını özelleştirme biçimini etkileyebilir. Qwen deneyindeki artış dikkat çekici; ancak diğer oyunlardaki ve Gemma 3 270M’deki sonuçlar yöntemin her modele ve göreve aynı şekilde uygulanamayacağını hatırlatıyor.
Türkiye’deki ekipler için pratik karar, henüz uygulamaya geçmekten çok gelişmeleri izlemek olmalı. Donanım gereksinimi, lisans ve ticari kullanım koşulları açıklanmadı; ayrıca gerçek proje görevlerindeki tutarlılık da gösterilmiş değil. Sistematik kıyaslama sonuçları, bu yaklaşımın üretim süreçlerine uygunluğunu değerlendirmeye yardımcı olabilir.
Yorumlar 0