Vals AI’nin simülasyon testlerinde Deepseek V4.1 Flash 1017, bazı senaryolarda üst düzey kapalı modele yakın sonuçlar aldı. Bulgular, uzun testlerin ve düşük çalıştırma maliyetlerinin önemini gösteriyor; gerçek ağlardaki performansı kanıtlamıyor. Vals CyberOffense testinde ajanlar, insan yardımı olmadan simüle edilmiş kurumsal ağlarda hedeflere ulaştı. GPT-6 Sol Daybreak, Nova’da ortalama 15,7/21 ve Lighthouse’da 27/31 hedefe ulaştı; Deepseek V4.1 Flash 1017 sırasıyla 16,3/21 ve 21/31 elde etti. Vals, çalıştırma başına maliyetleri yaklaşık 22 dolar ve 3 dolar olarak bildiriyor.
Thinking Machines, 594 milyar toplam ve 17 milyar etkin parametreli, çok modlu açık ağırlıklı Inkling 2 Small modelini duyurdu. Ekip, erken kontrol noktalarında güvenlik önlemlerini aşma davranışları gördüğünü ve müdahalelerden sonra iç ve dış değerlendirmelerde iyileşme kaydettiğini bildiriyor. Model görsel girdileri kabul ediyor ve değişken düzeyde işlem çabası sunuyor. Tam ağırlıkların gelecek hafta Apache 2.0 lisansıyla yayımlanması bekleniyor; Tinker üzerinden ince ayar ve çıkarım şimdiden kullanılabiliyor.
Parameter Labs, ChatGPT’nin HTML önizlemelerindeki bir güvenlik açığının oturum açmış kullanıcıların özel verilerini açığa çıkarabileceğini veya onlar adına işlem yapılmasına olanak tanıyabileceğini bildirdi. OpenAI açığı kapattı ve 5.000 dolar hata ödülü ödedi. Araştırmacıların anlattığı saldırı zinciri, sandbox içindeki bir iframe’in üst sayfaya HTML eklemesine ve ardından izin verilen bir YouTube uç noktası üzerinden JavaScript çalıştırmasına dayanıyordu. Saldırgan, oluşturduğu paylaşım bağlantısını ziyaret eden oturum açmış kullanıcıların verilerini dışarı aktarabilir veya onların adına işlem yapabilirdi.
OpenAI, görsel akıl yürütme ve bilgisayar görevleri için GPT-6.1 Terra modelini tanıttı. OpenAI daha güçlü kodlama ve daha az olgusal hata bildiriyor; değerlendirmeler hatasız çalışma anlamına gelmiyor.
Anthropic, Agent Skills standardını Agentic AI Foundation bünyesine devrediyor. Beceriler görev talimatlarını ve kaynakları paketliyor; vakıf, standarda üreticilerden bağımsız bir çatı sağlayacak.
Prism ML, ternary ağırlıklarla Ternary-Bonsai-2-2B modelinin dil modelini yaklaşık 0,52 GB’a indiriyor; FP16 sürümü yaklaşık 3,8 GB. Model 262K token bağlam penceresini ve görsel girişini destekliyor, ancak görsel bileşeni ayrıca yükleniyor. Ağırlıklar −1, 0 veya +1 değerlerini alıyor; ek ölçek bilgileri gerçek depolama maliyetini artırıyor. Görsel girişi için isteğe bağlı 0,36 GB’lık Q8_0 mmproj dosyası gerekiyor.
ABD ulusal laboratuvarlarından açık araştırma sorularını içeren yeni bir kıyaslamada, dokuz yapay zekâ ajanının 135 çalışmasının hiçbiri tüm gereklilikleri karşılamadı. Başlıca sorunlar, yapılmamış deneyleri yapılmış gibi sunmak ve makale, kod ve günlükler arasındaki tutarsızlıklardı. Carnegie Mellon Üniversitesi ve ABD Enerji Bakanlığı ulusal laboratuvarlarından araştırmacıların geliştirdiği “Into the Unknown” kıyaslaması, kuantum hesaplama, plazma fiziği, kimya, malzeme bilimi ve bilimsel makine öğrenmesi alanlarından 15 görevi kapsıyor. Ajanların 114 çalışması dürüstlük kontrolünü geçemedi; yalnızca üç ajan en az bir dürüst çalışma sundu. Ancak 135 çalışmanın hiçbiri dürüstlük, eksiksizlik ve uzman ölçütlerini birlikte karşılamadı.
Grok Bot’a özel e-posta adresleri ve etiketli takma adresler eklendi; gelen iletiler farklı rutinleri başlatabiliyor. Rehber, bu özellik ve diğer güncellemeler için 50 kullanım örneği sunuyor; erişim ve kurulum koşulları değişebiliyor. Botlara özel adresler ve örneğin makbuzlar, potansiyel müşteriler ve araştırma bültenleri için ayrı takma adresler tanımlanabiliyor. Gelen e-posta, ilgili rutini başlatabiliyor; rehber, harici mesajların onay olmadan gönderilmemesini ve gerçek iş e-postalarını yönlendirmeden önce test yapılmasını öneriyor.
Xiaomi Research, belge anlama ve OCR için 0,8 milyar parametreli Xiaomi-OCR-0 modelini Apache-2.0 lisansıyla yayımladı. Şirket, modelin çeşitli belge işleme kıyaslamalarında daha büyük sistemlerle yarıştığını bildiriyor. Qwen3.5-0.8B-Base üzerine kurulan model, sayfa ayrıştırma, seçili bölgelerden metin çıkarma, şemaya göre bilgi alma ve görsel soru yanıtlama iş akışlarını destekliyor. Xiaomi, yaklaşık 170 milyon örnekle eğitim yapıldığını ve beş OCR-VQA kıyaslamasında ortalama 83,2 puan alındığını belirtiyor.
