Skaling: Chinchilla Scaling Law’da Meta FAIR’dan Çığır Açan Keşif

Ne? Meta FAIR, Chinchilla scaling law’da önemli bir körlük noktası tespit eden yeni bir araştırma paperı yayımladı. Kim? Meta Fundamental AI Research (FAIR) ekibi. Ne zaman? Paper: 15 Ağustos 2026. Nerede? arxiv.org/abs/2608.07222. Neden? Mevcut scaling yasalarının frontier ölçeklerde yanıltıcı olabileceğini ortaya koymak için. Nasıl? Model boyutu ve eğitim verisi arasındaki ilişkiyimodelayan tek bir ek terim ekleyerek.

Meta’nın temel yapay zeka araştırma birimi FAIR, yapay zeka eğitim scaling yasaları üzerine çığır açan yeni bir keşif yayımladı. “Skaling: Chinchilla’s Exponents Meet Kaplan’s Coupling” başlıklı paper, mevcut Chinchilla scaling law’sının frontier ölçeklerde ciddi yanılgılara yol açabileceğini ortaya koyuyor.

Chinchilla Yasasının Kör Noktası

Chinchilla scaling law, model boyutu ve eğitim verisi arasındaki ilişkiyi tahmin etmek için yaygın olarak kullanılan bir yöntem. Ancak Meta FAIR araştırmacıları, bu yasanın eğitim ızgarası içinde neredeyse mükemmel görünürken frontier ölçeklerde ciddi yanılgılar üretebileceğini keşfetti.

Araştırmanın temel bulgusu şu: Chinchilla, model boyutu ve eğitim verisinin ayrı ayrı katkı sağladığını varsayıyor. Ancak deneyler, her birinin diğerinin yararlılığını değiştirdiğini gösteriyor.

Skaling: Tek Terimle 3 Kat Daha İyi Tahmin

Araştırmacılar bu sorunu çözmek için “Skaling” adını verdikleri yeni bir yöntem geliştirdi. Bu yöntem, Chinchilla denklemine yalnızca bir ek terim ekleyerek model boyutu ve eğitim verisi arasındaki bu karşılıklı bağımlılığı yakalıyor.

Skaling’in sunduğu avantajlar:

• Tahmin hatasını yaklaşık 1.5-3 kat azaltıyor
• Full-grid Chinchilla seviyesinde doğruluk elde ediyor
• Yaklaşık 10 kat daha az profilleme hesaplaması gerektiriyor

Frontier Ölçekte Devasa Fark

Arasel ölçeklerdeki fark, Skaling’in ne kadar kritik olduğunu gözler önüne seriyor. Farseer benchmark’ında, 2×10^25 FLOPs hesaplama düzeyinde:

• Chinchilla tahmini: Parametre başına ~380 token
• Skaling ve doğrudan tahminler: ~20-40 token

Bu, Chinchilla’nın frontier koşullarında parametre başına token sayısını yaklaşık 10 kat fazla tahmin ettiğini gösteriyor.

Araştırmanın AI Eğitimi İçin Çıkarımları

Bu keşif, büyük yapay zeka modelleri eğitmek için harcanan kaynakların daha verimli kullanılmasına yol açabilir. Yanlış tahminler, gereksiz hesaplama maliyetine ve dolayısıyla çevresel etkiye yol açıyor.

Skaling yöntemi, araştırmacıların daha az deney yaparak daha doğru scaling tahminleri yapmasına olanak tanıyor. Bu da özellikle sınırlı hesaplama kaynaklarına sahip laboratuvarlar için kritik bir avantaj.

Paper: arxiv.org/abs/2608.07222

aihaber.org olarak AI araştırma dünyasındaki gelişmeleri takip etmeye devam edeceğiz.