Singapur merkezli bir yapay zeka şirketi olan Sapient'te görevli araştırmacıların beyinden ilham alarak geliştirdikleri yeni model, özellikle akıl yürütme gerektiren görevlerde, bugün yaygın olarak kullanılan büyük dil modellerinden daha iyi sonuç veriyor. Üstelik bunu çok daha az kaynak kullanarak yapıyor.
Yeni geliştirilen Hiyerarşik Akıl Yürütme Modeli (HRM), yapay zekâ alanında standart kabul edilen ARC-AGI-1 kıyaslamasında yüzde 40,3 doğruluk oranına ulaşarak, OpenAI’ın o3-mini-high (%34,5), Anthropic’in Claude 3.7 (%21,2) ve DeepSeek’in R1 (%15,8) modellerini geride bırakmayı başardı. Ayrıca bu modelin, LLM'lerin tamamlamakta güçlük çektiği Sudoku ve labirentten çıkma gibi oyunlarda son derece olduğu görüldü.
Üstelik HRM, sadece 27 milyon parametre ile çalışıyor. Bu sayı, milyarlarca hatta trilyonlarca parametre kullanan günümüzün devasa yapay zekâ sistemleriyle karşılaştırıldığında oldukça küçük kalıyor. Bu da HRM'nin akıl yürütme odaklı görevlerde daha iyi sonuç vermesini daha da etkileyici kılıyor.
Hiyerarşik Akıl Yürütme Modeli, İnsan Beynindeki İşleyişi Örnek Alıyor
Büyük dil modellerinin çoğu, karmaşık bir problemi ara adımlara bölerek çözen zincirleme akıl yürütme (chain-of-thought) yöntemini kullanıyor. HRM’nin tasarımı ise insan beynindeki hiyerarşik işleyişi örnek alıyor. Çeşitli bölgelerinde bilgiyi farklı sürelerde işleyip daha sonra bütünleştirebilen insan beyni gibi bu model de farklı zaman ölçeklerinde çalışan iki modülden oluşuyor: Üst düzey modül daha yavaş fakat soyut planlamaları yürütürken, alt düzey modül hızlı ve ayrıntılı hesaplamaları üstleniyor. Bu mimari sayesinde HRM, ara akıl yürütme adımlarını tek tek yazıp doğrulamaya gerek kalmadan, farklı modüllerin eşzamanlı çalışmasıyla doğrudan nihai cevabı üretebiliyor.
HRM modelinin LLM'lere kıyasla daha doğru bilgiye ulaşmasını, yinelemeli iyileştirme (iterative refinement) yöntemi sağlıyor. Bu teknik, başlangıçtaki tahmini çözümü alıp tekrar tekrar düzeltip rafine ederek, en doğru sonuca ulaştırıyor. HRM, bu yöntemi birkaç kısa “düşünme” patlaması boyunca uyguluyor. Her patlamada model, düşünme sürecine devam edip etmeyeceğine ya da başlangıçtaki soruya nihai yanıtı verip vermeyeceğine karar veriyor.
Araştırmacılara göre bu yaklaşım, yapay zekâ modellerinin daha az veri ve enerjiyle daha güvenilir sonuçlar üretebilmesi açısından kritik bir adım olabilir. Özellikle hesaplama maliyetlerinin hızla arttığı bir dönemde, HRM gibi verimlilik odaklı çözümler LLM'lerden daha cazip bir alternatif hâline gelebilir. Tabii bunun için önce bu çalışmanın sonuçlarının bağımsız kaynaklar tarafından da doğrulanması gerekiyor. Dış kaynaklar tarafından yapılan ilk testler performans verilerini doğruluyor. Ancak bunun ne kadarının HRM yaklaşımına bağlı olduğunu görmek için daha fazla test yapılması gerekiyor.
Haberi DH'de Gör
{{body}}
{{/longBody}} {{^longBody}}{{body}}
{{/longBody}}