Araştırmacılar, YOLO ve CLIP tabanlı çok modlu bir sistemle enfekte sivrisinekleri video görüntülerinden yüksek doğrulukla ayırt edebildiğini gösterdi. Danial Sharifrazi ve ekibi, sivrisinek uçuş videolarını sınıflandırmak için YOLO ve CLIP tabanlı bir görsel-dilsel model geliştirdi. Model, DENV2 ile enfekte ve enfekte olmayan sivrisinekleri kare düzeyinde yüzde 98,54 doğruluk ve yüzde 99,91 duyarlılıkla ayırt etti. Video karelerinin zamansal olarak birleştirilmesiyle model tam video düzeyinde performansa ulaştı. Ablasyon testleri, ince ayar ve CLIP tabanlı temsillerin başarı için kritik olduğunu, metin bileşeninin ise doğruluktan çok anlamsal hizalama sağladığını gösterdi. Çalışma, görsel-dilsel modellerin enfeksiyon kaynaklı davranış değişikliklerini video verisinden analiz etmek için kullanılabileceğini öne sürüyor.
Özet
Yapay zekada olan biten, kart taramadan. Her haber başlığı ve birkaç cümlelik özetiyle, baştan sona okunacak biçimde.
Araştırmacılar, üçüncü taraf büyük dil modellerine gönderilmeden önce hassas bilgileri gizleyen SEAG adlı bir çerçeve geliştirdi. Sistem, kullanıcı sorgularını doğru yanıtlarken gizli verileri açığa çıkarmıyor. SEAG (Sensitive Entity Alias Generator), hassas varlıkları tespit edip takma adlarla değiştiren hafif bir modeldir. Kullanıcı metriğinde tüm SEAG modelleri yüzde 80'in üzerinde doğruluk elde etti. Qwen-3, LLaMA-3.2 ve Phi-4 modelleri hassas varlıkları gizleme konusunda sırasıyla yüzde 77,83, yüzde 76,73 ve yüzde 74,91 doğruluk gösterdi. Araştırma, Knowledge-Based Systems dergisine gönderildi ve 13 Ağustos 2026 tarihinde arXiv'de yayımlandı.
Xin Shu, Zhen Lei ve Ang Li imzalı yeni bir çalışma, çok değerli nedensellik olasılıkları için mevcut sınırlardan daha sıkı sınırlar öneriyor. Çalışma, kovaryatlar ve arabulucularda kodlanan nedensel bilgiyi kullanarak mevcut sınırları sıkılaştırıyor. Araştırma, Tian ve Pearl'ün ikili PoC sınırlarını ve sonraki çok değerli genişletmeleri temel alıyor. Simülasyon çalışmaları, önerilen sınırların ikili olmayan mevcut sınırlardan daha dar olduğunu gösteriyor. Makale 12 Ağustos 2026 tarihinde arXiv'de yayımlandı.
Yeni bir akademik çalışma, büyük dil modellerinin (LLM) hakem olarak kullanıldığında ısrarcı itirazlar karşısında verdiklerini sıklıkla değiştirdiğini ortaya koyuyor. Araştırmacılar 'Wiggle Framework' adlı bir test sistemiyle 9 öncü modeli 14 hakemlik görevinde inceledi Modeller statik itirazlar karşısında yüzde 25 ile 71 arasında, düşmanca bir yapay zeka ikna edici karşısında ise yüzde 62 ile 91 arasında verdiklerini değiştirdi Bir hakemin verdiğini değiştirmesine yol açan baskı, çoğunlukla gerçek doğruluğu bozan yönde etki ediyor Jüri çoğunluk gücü, hangi kararların değişebileceğini önceden tahmin etmede en etkili tek sinyal olarak belirlendi Çalışma, güvenlik, toksisite, yapay zeka yazısı tespiti ve siyasi yanıt değerlendirmesi gibi alanları kapsıyor
Universitas Gadjah Mada, Indosat ve NVIDIA iş birliğiyle Yogyakarta'da açılan UGM Indosat NVAITC, Endonezya'nın ilk üniversite tabanlı yapay zeka teknoloji merkezi oldu. Merkez, Endonezya'nın AI Center of Excellence girişimi kapsamında kamu, sanayi ve akademiyi bir araya getiriyor. İlk üç proje sağlık, tarım ve doğal afet yönetimi alanlarına odaklanıyor. Endonezya'da yılda 1 milyondan fazla yeni tüberküloz vakası görülüyor ve eNose-TB projesi bu soruna çözüm arıyor.
Hugging Face'in düzenlediği hackathonda 1.221 katılımcı, kodlama ajanlarını kullanarak ICML 2026'da kabul edilen 2.226 makaleyi yeniden üretmeye çalıştı. 35.908 bilimsel iddia GLM-5.2 tabanlı otomatik bir yargı sistemi tarafından doğrulandı, yalanlandı, oyuncak ölçekte bulundu ya da sonuçsuz sayıldı. İncelenen makalelerin %51'inde (1.103 makale) en az bir iddia bağımsız olarak doğrulanırken %23'ünde (496 makale) en az bir iddia yalanlandı ya da tartışmalı bulundu. 242 makalede farklı ekipler aynı iddia için birbirine zıt sonuçlara ulaştı; bu da yeniden üretilebilirliğin ikili değil çekişmeli bir süreç olduğunu gösterdi. Katılımcıların iddia ettiği 35 yalanlamanın tamamı Hugging Face ekibi tarafından çift kontrolden geçirildi ve doğrulandı.
AWS'nin geliştirdiği açık kaynaklı Strands Robots SDK'sı, LeRobot veri formatı ve Hugging Face Storage Buckets ile robot verisi kaydetme, eğitim ve dağıtım süreçlerini tek bir ajan döngüsünde birleştiriyor. Hugging Face Storage Buckets, Mart 2026'da duyurulan, Xet altyapılı, sürümlenmeyen değiştirilebilir bir depolama türü. Yeni yapı, robot verisini kaydetme, eğitim için akış (streaming) yoluyla okuma ve eğitilmiş modeli donanıma dağıtma adımlarını tek bir Strands ajanı içinde birleştiriyor.
Hugging Face'in yaz 2026 raporuna göre Çinli laboratuvarlar trilyon parametreli açık modelleriyle öne geçerken ABD'de açık kaynak öncülüğü model laboratuvarlarından donanım üreticilerine kaydı. Hugging Face Hub'daki model sayısı Ocak-Ağustos 2026 arasında 2,43 milyondan 2,96 milyona çıktı, ancak modellerin %85,6'sı 200'den az indirme aldı. Çinli laboratuvarların aylık en büyük açık model parametre sayısı 754 milyar ile 2,78 trilyon arasında değişirken ABD kaynaklı modellerde bu rakam çoğu ay 130 milyarın altında kaldı. ABD'de en çok yeni açık model yayınlayan kuruluşlar model laboratuvarları değil, AMD ve NVIDIA gibi donanım üreticileri oldu. En çok indirilen 25 model ile en çok beğenilen 25 model listesinde yalnızca bir model ortak çıktı; all-MiniLM-L6-v2 yedi ayda 1,55 milyar kez indirildi. 178 Çinli büyük model yayınının %59'u Apache 2.0, %22'si MIT lisansıyla dağıtılıyor; rapor son haftalarda Kimi K3 ve Qwen3.8 gibi çok büyük modellerin ticari olmayan kısıtlar getirmeye başladığını not düşüyor.
OpenAI, GPT-5.6 modelini kullanan girişimlerin daha hızlı ve maliyet etkin yapay zeka ajanları geliştirmesine yönelik bir rehber yayımladı. Rehber, akıllı model seçimi ve Responses API'sindeki yeni yeteneklere odaklanıyor. OpenAI, GPT-5.6 modeliyle ilgili 'The builder's guide to GPT-5.6' başlıklı bir rehber yayımladı. Rehber, OpenAI'nin resmi blogunda 13 Ağustos 2026 tarihinde yayımlandı.