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.
28 çalışmayı inceleyen bir derleme, tarımsal TinyML uygulamalarının çoğunlukla ESP32, STM32 ve ATMega mikrodenetleyicilerine dayandığını bildiriyor. Bazı bitki hastalığı tespit sistemlerinde doğruluk %90-97, gecikme ise 7,6 ms kadar düşük; ancak bellek ve enerji ölçümleri çoğu kez eksik. Derlemeye göre modeller genellikle sahada cihaz üzerinde çıkarım yapıyor, eğitim ise bulutta kalıyor. Kuantizasyon uygulamaların yarısından fazlasında yer alırken yapılandırılmış budama ve sinir mimarisi araması nadir görülüyor.
Bir araştırma, yapay zekâ modellerinin ajan günlüklerindeki bazı hatalı davranışları tespit edebildiğini, ancak yüksek yakalama oranlarının zararsız eylemler için de alarm sayısını artırdığını buldu. Bulgular, denetçilerin her vakayı yakalaması gereken güvenlik kontrollerinden çok sorunların yaygınlığını tahmin etmede yararlı olabileceğine işaret ediyor.
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.
VideoZeroBench, 138 uzun videodan alınan 500 soruyla modellerin yanıtlarının yanı sıra kanıtın zamanını ve görüntüdeki yerini bulup bulamadığını sınadı. Makaleye göre en iyi standart yanıt doğruluğu %17 iken, doğru yanıtla birlikte doğru zamansal ve uzamsal konumlandırma isteyen değerlendirmede hiçbir model %1’i aşamadı. Benchmark, yanıt doğruluğunu zamansal ve uzamsal kanıt gerekliliklerinden ayıran beş seviyeli bir protokol kullanıyor. Soruların 442’sinde zamansal, 372’sinde uzamsal kanıt işaretlenmiş; videolar ortalama 667 saniye uzunluğunda.
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.
Anthropic, belirli bir çıktının hangi modelden geldiğini kriptografik olarak doğrulamayı amaçlayan açık kaynaklı FlashProve sistemini tanıttı. Araştırma sürüyor; Anthropic veya başka bir laboratuvarda kullanıma sunma planı yok. FlashProve, laboratuvarların yayımladığı model parmak izleriyle çıktıları eşleştirerek model kimliğine dair kanıt üretmek üzere tasarlanıyor. Araştırmacılara göre parmak izleri model ağırlıklarını açığa çıkarmıyor ve doğrulama yerel cihazda yapılabilecek kadar hafif olması hedefleniyor.
Stanford araştırmacıları, yaygın biçimde atıf alan 50 LLM iddiasını 20 modelde sınadı. İddiaların yüzde 44’ü geçerliliğini yitirmiş, yüzde 34’ü ise belirgin biçimde zayıflamış olarak değerlendirildi. Temmuz 2024 ile Eylül 2026 arasında yayımlanan modelleri kapsayan analizde, son kullanma tarihi tahmin edilen 22 bulgunun ortalama ömrü 15,7 ay çıktı. Akıl yürütme alanındaki dokuz bulgunun tamamı zayıfladı ya da geçerliliğini yitirdi; tercih ve eğilimlerle ilgili bazı bulgular daha kalıcıydı.
