Yapay zeka araştırmalarında çığır açan yeni bir gelişme, Minnesota Üniversitesi ve Seul Ulusal Üniversitesi’nden araştırmacıların ortak çalışmasıyla gün yüzüne çıktı. “Metan: Recursive Self-Improvement through Emergent Depth” (Metan: Emergens Derinlik ile Öz-İyileştirmeye Doğru Recursive Yaklaşım) başlıklı bu araştırma, yapay zeka ajanlarının kendilerini geliştirme kapasitelerini yeniden tanımlıyor. Geleneksel yapay zeka ajanlarının yalnızca yanıtları iyileştirdiği, ancak bu yanıtları üreten süreci geliştiremediği bilinen bir sınırlulıktı. Bu yeni çalışma, bu sınırlamayı aşmanın yolunu buluyor.
Metan Nedir ve Nasıl Çalışır?
Metan, mevcut öz-iyileştiren yapay zeka sistemlerinden temel bir farkla ayrılıyor. Önceki sistemler, iyileştirici mekanizmayı yeniden yazmaya çalıştığında ya kendi düzenleme araçlarının bir kısmını dokunulmadan bırakmak zorunda kalıyordu ya da sistem dengesizliği riskiyle karşı karşıya kalıyordu. Bu da meta derinliğini yaklaşık 2.5 seviyesinde sabitliyordu. Metan ise farklı bir strateji izliyor: Meta işlemini (Ω) sabit tutarak, bunun yerine girdilerini recursion ile geliştiriyor. Her yeni katman, bir önceki katmanın izlerini, üretilen kodu ve stratejik bağlamı okuyarak bir sonraki katmanı yazıyor.
ARC-AGI-2 Benchmark’ında Tarihi Başarı
Metan‘in en çarpıcı başarısı, ARC-AGI-2 benchmark’ında ortaya çıkıyor. Bu benchmark, yapay zeka sistemlerinin beceri ezberlemesine karşı direnç göstermesi için tasarlanmış son derece zorlu bir test. Metan, bu zorlu testte sıfırın üzerinde puan alan tek sistem oldu ve 0.331 skor elde etti. Karşılaştırma için OpenEvolve 0.003, Gödel Agent ise yalnızca 0.054 puan alabildi. Bu sonuç, Metan‘in yeni muhakeme becerilerini meta seviyesinde soyutlayabildiğini gösteriyor.
Sekiz Farklı Benchmark’ta Birincilik
Araştırma, Metan‘i sekiz farklı benchmark ailesinde önceki öz-iyileştiren ajanlarla karşılaştırdı. Metan, hem Gemma 4 31B-IT hem de GPT-5.2 omurgaları üzerinde tüm bu testlerde liderliği ele geçirdi. CO-Bench’te (NP-zor görevler) Metan, Gemma omurgasında 0.851, GPT-5.2 omurgasında ise 0.870 skor elde etti. AlphaEvolve Math testinde sırasıyla 0.869 ve 0.917 puan aldı. Symbolic Regression alanında dört alt alanın tamamında lider oldu. TerminalBench 2.0’da ise Metan ajan modu, GPT-5.2 omurgasında 0.258’den 0.634 ortalama skora ulaşmayı başardı.
Rekursif Öz-İyileştirme Mekanizması Nasıl Çalışıyor?
Metan‘in temel mekanizması iki adımdan oluşuyor: Build-Step ve Run-Step. Build-Step’te meta işlemci (Ω), mevcut çözücü yığınının izlerini ve bunları üreten kodu okuyarak yeni bir katman yazıyor. Bu yeni katman, Python ön işlem kodunu (stratejik bağlam) ve çağrılabilir yardımcı fonksiyon kütüphanesini içeriyor. Run-Step’te ise bir sarıcı (Md), bu yeni kodu mevcut çözücünün etrafına, iç çözücünün durumunu değiştirmeden yerleştiriyor. Derinlik önceden belirlenmiyor; sistem yakınsama eşiğine (ε = 0.02) ulaşılana kadar recursion ile derinleşiyor.
Katman Başına Ortaya Çıkan uzmanlaşma
Araştırmacılar, derinlik arttıkça katmanlarda farklı uzmanlaşma rollerinin doğal olarak ortaya çıktığını gözlemledi. Derinlik 2’de genel ilkeller oluşuyor ve bunlar görevler arasında yayılıyor. Derinlik 3 özelleşmeye başlıyor, bazen interferansa neden oluyor. Derinlik 4 ve üzeri ise düzeltmelere ve geri alma davranışına odaklanıyor. Hiçbir prompt bu rollerin ortaya çıkmasını açıkça belirtmediği halde, bu yapı kendiliğinden gelişiyor.
Rekursiyonun Kaynağı: Nereden Gelen Kazanç?
Ablasyon analizleri, rekursiyondan gelen performans artışının yaklaşık yüzde 72’sinin katmanlar arasında aktarılan stratejik dış-bağlam dizesinden geldiğini ortaya koyuyor. Çağrılabilir Python kodu aktarımı yüzde 15, rekursiyon mekanizmasının kendisi (beam, retry vb.) ise yüzde 13 paya sahip. Bu bulgular, yapay zeka ajanlarının öz-iyileştirmesinde bağlam yönetiminin kritik rol oynadığını gösteriyor.
Yapay Zeka Öz-Geliştirme Araştırmasında Yeni Dönem
Bu araştırma, yapay zeka ajanlarının kendi yeteneklerini nasıl geliştirebileceği konusunda önemli bir ilerlemeyi temsil ediyor. Metan, yalnızca mevcut sınırları aşmakla kalmıyor, aynı zamanda öz-iyileştirmenin gelecekteki yönünü de belirliyor. Evrimsel arşivleyici yaklaşımı sayesinde tek bir kırılgan zincir yerine, monoton büyüyen aday zincirleri arşivi kullanması da önemli bir yenilik. Minnesota ve Seul Üniversitesi işbirliğiyle ortaya çıkan bu çalışma, yapay zeka alanında öz-iyileştirme kapasitesinin gelecekteki gelişimi için yeni bir paradigma sunuyor.
Kaynak: arxiv.org/abs/2608.24735
Henüz yorum yok. İlk yorumu siz yapın!