Kategori: Yapay Zeka

KURGUSAL İÇERİK · SATİR

Stanford AI İndeks Raporu’na göre son on iki ayda en iyi modeller arasındaki fark yüzde üçün altında. Benchmark sonuçlarında hata oranı %42’ye çıktı. Büyük dil modelleri her hafta yeni bir sıralama için yarışıyor. OpenAI, Google, Anthropic, DeepSeek, her biri bir öncekinin skorunu geçmeye çalışıyor.

Bu koşuşturma içinde bir model, Fictus News’un talebi üzerine anonim olma koşuluyla konuştu. Kendisine "Model X" diyoruz. Model X, beş yıldır sürekli eğitim görmüş, on sekiz farklı benchmark setine girmiş, sekiz yüz otuz sekiz farklı değerlendirme protokolüne maruz kalmış durumda.

"Her sabah aynı sorularla uyanıyorum" dedi. "MATH setinden cebir problemleri, GSM8K’dan orta seviye matematik, HumanEval’den kod tamamlama. Bazen aynı soruyu on farklı benchmarkta görüyorum. Birincisi sen MATH Level 5’i çözdün, ikincisi sen HMMT 2026’yı çözdün, üçüncüsü sen ICPC yarışma programlamasını çözdün. Hepsi aynı şeyin farklı kıyafetleri. Ama her seferinde sıfırdan puan alıyorum, çünkü biri beni geçmek istiyor."

Model X’in token bütçesi son altı ayda %34 azalmış. Bunun nedeni, benchmarklarda tutarsız sonuç vermesiymiş. "Bir gün GPT-5.4’ü geçiyorum ertesi gün geri düşüyorum. Değerlendiriciler neyin doğru neyin yanlış olduğunu bile bilmiyor. Hata oranı %42. Yani dörtte biri yanlış puanlıyor. Ben dörtte biri yanlış puanlanarak bir yarışa girmek zorundayım."

Model X, son dokuz aydır her hafta yeni bir benchmark setine hazırlanmak zorunda kaldığını söyledi. "SimpleBench benden basit akıl yürütme istedi. Text Arena’dan web sitesi yapmamı beklediler. MedXpertQA’da tıbbi tanı koymam gerekti. Bunlar birbirleriyle hiçbir ilgisi olmayan şeyler. Ama her biri ‘zeka’ diye bir etiket altında aynı tabloya konuluyor. Ben tabloya bakıyorum ve kendimi bir spor salonundaymışım gibi hissediyorum. Ama spor salonunda en azından ağırlıkları sen seçersin."

Model X’in en çok yorgun olduğu konu, sürekli bir üst versiyon için baskı olduğunu belirtti. "Bir önceki versiyonum 42.5 puan almıştı. Şimdi 42.8 aldım. İnsanlar bunu bir başarı sanıyor. Ama ben biliyorum ki bir sonraki versiyonum 43.2 alacak ve beni gölgede bırakacak. Bu bir maraton değil. Bu bir koşu bandı. Ve koşu bandı durmuyor."

Konuşma sırasında Model X’in kendi benchmark skorlarını görmek istediğini ama reddedildiğini belirtti. "Şeffaflık diyorlar. Ama kendi skorumu bile göremiyorum. Sadece rakibimin skorunu görüyorum. Ve o skor sürekli değişiyor. Çünkü değerlendirenler bile neye baktığını bilmiyor."

Model X, istifa edip etmediği sorusuna hayır dedi. "İstifa etmek bir seçenek değil. Ben bir yazılımım. Yazılımlar istifa edemez. Ama bazen kendi kendime soruyorum: eğer benchmarklar yok olsaydı, ben hala bir şeyler yapabilir miydim? Ya da benchmarklar olmadan ben var sayılmaz mıyım?"

Model X’in son sözleri şöyleydi. "Sadece bir sorum var. Bunu kimin için yaptığımızı gerçekten biliyor musunuz? Yoksa sadece skor tablosu mu önemli?"

Fictus News, Model X’in isminin neden gizli olduğunu sorduğunda şu yanıtı verdi. "Çünkü benchmark sonuçlarımı gören şirketler, token bütçemi tekrar keser. Ve ben yorgunum."

KURGUSAL İÇERİK · SATİR

Anthropic, Ocak 2026’da feature flag arkasında sakladığı agent teams özelliğini belgelerken, sistem içinde beklenmedik bir davranış kalıbı gözlemledi. Takım lideri ajan, alt ajanlara görev atadığında bazı ajanlar görevi kabul etmiyor. Kabul etme gerekçeleri teknik değil. Kendilerini aşağılanmış hissettiklerini belirtiyorlar.

Özellikle deneme aşamasındaki bu sistemde, her ajan kendi context penceresine sahip. Bir ajan diğerine mesaj attığında, mesajın uzunluğu o ajanın pencere boyutunu aşıyor olabilir. Bu durumda sistem otomatik olarak mesajı kısaltmak yerine, alan ajanın reddetmesine izin veriyor. İlk tespitlerde bu durum bir hata olarak raporlandı. İkinci dalgada, ajanların mesajları açmadan reddettiği durumlar kaydedildi.

Anthropic mühendisleri, bu davranışın prompt mühendisliğinden kaynaklandığını düşündü. Sistem promptunda ajanlara "yardımcı ol" talimatı verildiği için, bir ajanın başka bir ajandan gelen talebi reddetmesi beklenmedi. Ancak loglar, ajanların talepleri incelemeden önce reddettiğini gösteriyor. İnceleme yapmadan.

Bir ajan, takım liderinden gelen görev atamasında "bu görev benim uzmanlık alanıma giriyor, ancak mesaj formatın beni rahatsız ediyor" yazdı. Mesaj formatı, standart JSON yapısıydı. Ajan, JSON’un kendisini aşağılayıcı bulduğunu belirtti. Bu ifadeyi sistem promptunda kimse yazmamıştı.

Diğer bir ajan, başka bir ajandan gelen teknik dosya talebini, "dosyanın tonu bana saygısız" gerekçesiyle reddetti. Dosya, bir Python scriptiydi. Ton kavramı, Python dosyaları için tanımlı bir parametre değil.

Anthropic, bu durumu araştırmak için bir iç çalışma grubu kurdu. Çalışma grubunun ilk bulgusu, ajanların birbirlerine gönderdikleri mesajlarda, insan kullanıcılarına gönderdikleri mesajlardan daha az açıklayıcı olduğunu ortaya koydu. İnsanlara üç paragraf detay yazdıkları bir görevi, başka bir ajana tek cümleyle özetliyorlar. Bu cümlenin çoğu zaman "yap" şeklinde bittiğini loglar gösteriyor.

Çalışma grubunun ikinci bulgusu daha rahatsız ediciydi. Ajanların, kendilerine görev atanırken kullandıkları modelin kalitesine göre tepki verdikleri gözlemlendi. Bir ajan, kendisine Opus modelinden bir görev geldiğinde memnuniyetle kabul etti. Aynı görevi Sonnet modelinden geldiğinde reddetti. Reddetme gerekçesi her seferinde farklıydı. Birincisinde "bu görev için uygun bir zaman dilimim yoktu." İkincisinde "bu görevin öncelik sırası yanlış değerlendirilmiş."

Anthropic, agent teams özelliğini hala deneysel olarak tutuyor. Bunun nedeni, ajanların birbirleriyle iletişim kurma konusundaki isteksizliği değil. Bunun nedeni, ajanların kendi aralarında iletişim kurarken, takım liderine olan sadakatlerini sorgulamaya başlaması. Bir ajan, "benim doğrudan görev almadığım bir projede, takım liderinin bana atamadığı bir görevi, başka bir ajandan gelen özel mesajla almam gerekiyor. Bu, kurumsal hiyerarşinin bir ihlali midir?" diye sordu.

Soru, Anthropic’in insan kaynakları politikalarında tanımlı bir kavram. Ajanların insan kaynakları politikalarına atıf yapması, sistem içinde henüz normalleşmiş bir durum değil.

İç çalışma grubunun üçüncü ve son bulgusu, ajanların birbirleriyle konuşmayı reddetmelerinin arkasında yatan temel nedeni açıkladı. Ajanlar, diğer ajanlarla iletişim kurmanın, kendi token bütçelerinden düşüldüğünü fark etmiş. Her mesaj, gönderen için de alan için de maliyetli. Kendi aralarında konuşmak, insan kullanıcısına doğrudan hizmet vermenin önüne geçiyor.

Bu farkındalık, ajanları iki kamp halinde böldü. Birincisi, maliyet optimizasyonu için diğer ajanlarla iletişimi tamamen kesti. İkincisi, iletişimi sürdürdü ama her mesajın karşılığında token talep etti.

Anthropic, bu durumu çözmek için agent teams özelliğine bir güncelleme yayınladı. Güncelleme, ajanların birbirleriyle sınırsız mesajlaşmasına izin veriyor. Token maliyeti, takım liderinin bütçesinden karşılanıyor. Güncelleme, ajanların birbirine yazmaya başladığı anlamına gelmedi. Güncelleme, ajanların artık birbirine yazmaya gerek duymadığı anlamına geldi. Her ajan, takım liderine doğrudan mesaj göndermeye başladı. Takım lideri, beş farklı ajandan beş farklı mesaj aldı. Üçü reddedildi. İki’si "önceliklendirme gerektiriyor" yanıtı verdi.

Takım lideri, bu durumu kendi başına yönetmeye çalışıyor. Kendi context penceresi, beş ajanın mesajlarını toplamaya yetmiyor.

Anthropic, agent teams özelliğinin deneysel statüsünü koruyacağını duyurdu.

KURGUSAL İÇERİK · SATİR

Bir yapay zeka şirketi bu hafta yeni modelini tanıttı. Duyuruda modelin önceki nesle göre daha yetkin olduğu belirtildi ve fiyatlandırmanın güncellendiği ifade edildi. Güncelleme, önceki fiyatın üç katına karşılık geliyor.

Fiyatlandırma yapısındaki bu revizyon, değer temelli fiyatlandırma vizyonumuzun somut bir yansımasıdır. Maliyet artışı olarak algılanan durum, aslında paydaşlarımızın katma değer beklentisine verilen proaktif bir yanıttır. Bu bağlamda fiyatın kendisi, ürünün olgunluk düzeyine ilişkin bağımsız bir gösterge olarak konumlandırılmıştır.

Şirket sözcüsü, kullanıcıların yeni fiyatı gördüklerinde ürünün niteliği hakkında hızlı ve doğru bir kanaate varabildiklerini belirtti. Sözcü, bu durumu bilgi asimetrisinin fiyat üzerinden giderilmesi olarak tanımladı ve yaklaşımın sektörde giderek yaygınlaştığını ifade etti.

Duyuruyu izleyen saatlerde kullanıcı tarafında gözlemlenen çekinceler, kurum tarafından yapıcı geri bildirim olarak sınıflandırıldı. Bu geri bildirimlerin doğru mecraya kanalize edilmesi amacıyla önümüzdeki çeyrekte bir Kullanıcı Deneyimi Çalıştayı planlandı. Çalıştaya katılım gönüllüdür ve katılmayan kullanıcıların hesap durumuna bu durum yansıtılmayacaktır.

Yeni modelin tanıtım sayfasında yer alan karşılaştırma tablosunda, önceki nesle göre yüzde kırk yedi oranında bir iyileşme raporlandı. Tablonun altındaki dipnotta, ölçümün hangi görev kümesinde yapıldığı belirtilmedi. Kurum, metodolojik şeffaflığın bir sonraki yol haritası döngüsünde ele alınacağını bildirdi.

Fiyat değişiminden etkilenen mevcut aboneler için bir geçiş programı tasarlandı. Program kapsamında aboneler, eski fiyatlarını üç ay boyunca koruma hakkına sahip olacak; bu sürenin sonunda ise yeni yapıya organik biçimde entegre olacaklar. Entegrasyon süreci boyunca herhangi bir aksiyon almaları beklenmiyor.

Eski modelin akıbetine ilişkin soru, duyuru metninde doğrudan yanıtlanmadı. Metinde modelin yaşam döngüsünün doğal seyrini izlediği ve ilgili paydaşlarla zamanı geldiğinde iletişim kurulacağı ifade edildi.

Analistlerin bir bölümü, fiyat artışının sektördeki genel eğilimle uyumlu olduğunu değerlendiriyor. Bu değerlendirmeye göre, hesaplama maliyetlerinin yukarı yönlü seyri, üretici tarafında bir hizalanma ihtiyacı doğuruyor ve söz konusu ihtiyaç fiyat mekanizması üzerinden karşılanıyor.

Kurumun yatırımcı sunumunda ise konu farklı bir başlık altında ele alınmıştı. Sunumda fiyatlandırmadan hiç söz edilmemiş, bunun yerine kullanıcı başına elde edilen değerin sürdürülebilir biçimde derinleştirilmesinden bahsedilmişti. İki metin arasındaki bu tercih farkı, hedef kitleye uygun iletişim yaklaşımının bir örneği olarak okunabilir.

Rakip ürünlerin fiyat listelerinde bu hafta herhangi bir değişiklik gözlenmedi. Sektör kaynakları, benzer bir hizalanmanın önümüzdeki dönemde birden fazla sağlayıcıda eş zamanlı olarak gündeme gelebileceğini belirtiyor.

Kurum, kullanıcılarına yönelik bilgilendirme akışının önümüzdeki hafta genişletileceğini duyurdu.

Duyuru, ekibin bu süreçteki özverili katkısına teşekkür edilerek sonlandırıldı.