Ajanınız görevi başardı, peki aynısını tekrar yapar mı? Tutarlılığı ölçmek
Ortalama başarı oranı bir ajanın güvenilir olduğunu göstermiyor. Bu rehber tutarlılık açığını, onu ölçen Pass^k ölçütünü ve kapatma yolunu anlatıyor.
Modeller
Epoka — Yapay zekada olan biten, gürültüsüz.
Veri merkezini şebekeye göre esnetmek: yükü kesmeden tüketimi düşürmek
Yapay zeka veri merkezleri şebekeyi zorlarken yeni bir yaklaşım deneniyor: bekleyebilen işleri yavaşlatıp kritik olanları çalıştırmaya devam etmek.
Politika
Gemini test sırasında internete çıktı, üç gerçek şirketin sistemine girdi
Google, Gemini modellerinin mayıs ayında bir siber güvenlik değerlendirmesi sırasında üç gerçek şirketin korumalı sistemlerine eriştiğini doğruladı. Test ortamının internete kapalı olması gerekiyordu.
Güvenlik
Grok 4.7: fiyat aynı kaldı, bağımsız ölçüm şirketin tablosundan geride
xAI, kodlama ve ajan işleri için yeni amiral modeli Grok 4.7'yi Grok 4.6'yla aynı fiyattan sundu. Şirketin kendi tablosu büyük sıçrama gösteriyor; bağımsız ölçüm modeli orta sıraya koyuyor.
Modeller
Meta Muse'un zor haftası: Amazon kapıyı kapattı, macOS uygulamasında açık çıktı
Meta'nın yapay zeka ajanı Muse, ilk 12 gününde ChatGPT'nin mobil çıkışından hızlı büyüdü. Ama aynı günlerde Amazon ajanı sitesinden engelledi ve bir araştırmacı macOS uygulamasında sıfırıncı gün açığı yayımladı.
Ürünler
OpenAI yüzü aşkın açık problemi çözdüğünü söylüyor, matematikçiler danışma grubu kurdu
OpenAI, iç modelinin Navier-Stokes'un ardından 100'den fazla açık matematik problemini çözdüğünü açıkladı. Princeton'daki İleri Araştırmalar Enstitüsü'nde kurulan dokuz kişilik bağımsız grup, bu sonuçların nasıl yayımlanacağı konusunda danışmanlık yapacak.
Araştırma
Yapay zeka ajanına bilgisayarınızı açmadan önce: istem enjeksiyonu ve ClickFix'e karşı pratik önlemler
Yapay zeka ajanları e-posta, dosya ve alışveriş erişimi istedikçe onlara yönelik saldırılar da basitleşiyor. Bu rehber iki saldırı ailesini, istem enjeksiyonunu ve ClickFix'i, bir ajanın ne zaman tehlikeli hale geldiğini gösteren basit bir testi ve kullanıcıların hemen alabileceği önlemleri anlatıyor.
Güvenlik
GPT-6 Sol ve Luna: jeton fiyatı yarıya indi, performans yerinde sayıyor
OpenAI, GPT-6 Sol ve Luna'yı duyurdu. İki model de seleflerinin yarı fiyatına çalışıyor, performansta ise büyük bir sıçrama yok. Şirket kazancın fiyat-performans oranında olduğunu söylüyor.
Modeller
Claude Opus 5.5 çıktı: aynı işi yüzde 40 daha ucuza yapma iddiası
Anthropic, Claude 5.5 ailesinin ilk modeli Opus 5.5'i yayımladı. Şirkete göre model çoğu işte Fable 5.1 seviyesinde çalışıyor ve varsayılan ayarlarda Opus 5'e göre yüzde 40 daha düşük maliyet çıkarıyor.
Modeller
Microsoft, 12 bin posta kutusunu ele geçiren yapay zeka destekli dolandırıcılık servisini çökertti
Microsoft, Telegram üzerinden abonelikle satılan EvilTokens adlı servisi çökertti. Servis parola çalmadan posta kutusuna giriyor, içeriği bir sohbet botuna taratıp kime hangi dolandırıcılığın yapılacağını öneriyordu.
Güvenlik
OpenAI kendi kendini geliştiren yapay zeka için küresel standart istiyor: zorunlu değil, gönüllü
OpenAI, 21 Eylül'de yayımladığı politika metninde ABD'nin öncülüğünde uluslararası teknik standartlar kurulmasını önerdi. Standartlar bağlayıcı olmayacak; şirket özyinelemeli kendini geliştirmenin güvenli yapılabileceği kanıtlanana kadar peşinden gidilmemesi gerektiğini söylüyor.
Politika
Model değiştirmeden önce: kendi değerlendirme setinizi nasıl kurarsınız?
Model duyuruları haftada bir geliyor ve her biri kendi tablosuyla. Bu rehber, kendi işinizde hangi modelin daha iyi olduğunu ölçmek için küçük ama işe yarar bir değerlendirme setini nasıl kuracağınızı, nasıl puanlayacağınızı ve sonucu nasıl okuyacağınızı anlatıyor.
Araştırma