İçeriğe geç
CANLI Dün Yerli yapay zeka İridaa, kendi modeli “Kuzey”i devreye aldı: Tahmini skorlar rakiplerine göre nerede? 9 Kas 2026 Bu Hafta AI Model Değerlendirmesi (2026-W46) 8 Kas 2026 OpenAI Uyarı Vermeden Hesap Kapatıyor: Aylık 200 Dolarlık Pro Aboneler Bile Etkilendi 8 Kas 2026 Yapay Zekâ 18 Yıllık Kuantum Varsayımını Üç Günde Çözdü: Aaronson-Ambainis Artık Bir Teorem 8 Kas 2026 Gemini 4 Flash ve Yeni Claude İçin İşaretler Artıyor: LMArena’da ‘Hydrogen’, Sızıntıda ‘Hyperion’ Zekâ endeksi lideri Claude Opus 5 (Adaptive Reasoning, Max Effort) · 63,1 16.11.2026
Bülten

Yapay Zeka Haberleri

Microsoft ThinkingBox: AI Ajanlarda Güvenilirlik Krizi

Microsoft, yapay zeka ajanlarinin guvenilirlik sorununu ortaya koyan yeni bir arac tanitti.

· 2 dk okuma · 0 yorum

Yapay zekâya sor Paylaş
Kısaca · 3 madde
  1. Microsoft, yapay zeka ajanlarinin guvenilirlik sorununu ortaya koyan yeni bir arac tanitti.
  2. AI Ajanlar Neden Her Defasinda Basarili Olamiyor?
  3. Arastirmacilara gore basarisiz calisan ajanlarin yuzde 80'i disaridan bakildiginda basarili gorunuyor.

, yapay zeka ajanlarinin guvenilirlik sorununu ortaya koyan yeni bir arac tanitti. ThinkingBox adli bu sandbox sistemi, AI ajanlarinin gercek is senaryolarinda ne kadar guvenilir calistigini objektif olarak olcuyor. Arastirma sonuclari, en iyi AI ajanlarinin gorevlerin yuzde 91’ini en az bir kez basariyla tamamladigini, ancak ayni gorevleri her seferinde basariyla yerine getirme oraninin yalnizca yuzde 25 oldugunu gosteriyor.

AI Ajanlar Neden Her Defasinda Basarili Olamiyor?

Geleneksel AI degerlendirme yontemleri, bir ajanin bir gorevi bir kez basariyla tamamlamasina odaklaniyor. Ancak ThinkingBox arastirmasi, gercek dunyada basarinin yalnizca bir kez olcumenin yaniltici olabilecegini ortaya koyuyor. Ajanlar bir kez basarili olabilir, ancak ayni kosullar altinda ayni sonucu tekrarlayamayabilir.

Arastirmacilara gore basarisiz calisan ajanlarin yuzde 80’i disaridan bakildiginda basarili gorunuyor. Ajan veritabanina yazan bir arac cagirir, islem tamamlandi mesaji dondurur ancak kayitlar eksik veya hatali olabilir. Ajan isin bittigini soylerken, sistem kayitlari aksini gosteriyor.

ThinkingBox Benchmark: 507 Gercek Is Senaryosu

ThinkingBox-bench, perakende, konaklama, oto sigorta, neobanka IT, danismanlik IT ve HR destek gibi cesitli alanlarda 507 politika kosullu is akisi iceriyor. Her deneme, gecerli yorungeleri kabul ederken yanlis, eksik veya fazla etkileri reddeden gorev-ozel yurutulebilir kontrollerle degerlendiriliyor.

Sonuclar endise verici: En guclu model yuzde 65.36 pass@1 elde ederken, ayni model yuzde 25.25 pass@20 skoruna dustu. Bu, yapay zeka ajanlarinin zaman zaman dogru cevap uretmesinin, her zaman guvenilir sekilde calistigi anlamina gelmedigini gosteriyor.

AI Ajan Testlerinde Devrim Niteliginde Yenilik

’in bu calismasi, AI ajan degerlendirmesinde yeni bir cagri niteligi tasiyor. Geleneksel yontemler yanit seviyesinde veya arac cagirisi seviyesinde kontrol yapiyor. Ancak ThinkingBox, veritabani durumunu sonrasinda kontrol ederek uctan uca gorevi tamamlama basarisini olcuyor.

Bu yaklasim, ornegin bir musteri siparisinin gercekten veritabanina islenip islenmedigini veya bir sigorta talebinin dogru sekilde kaydedilip kaydedilmedigini kontrol ediyor. Ajanin verdigi yanit degil, arkautaki veri durumu degerlendiriliyor.

Sonuc: Tek Basari Gercel Guvenilirligi Garanti Etmiyor

’in arastirmasi, AI ajanlarinin gelecegi acisindan kritik bir uyari iceriyor. Bir ajanin bir kez basarili olmasi, her zaman basarili olacagi anlamina gelmiyor. Is dunyasinda kullanilan AI ajanlarindan gercek guvenilirlik beklemek icin pass@20 gibi coklu calistirma metriklerine bakmak gerekiyor.

GitHub: https://github.com/microsoft/thinkingbox | Arxiv: arxiv.org/abs/2608.19741

Kaynak: @rohanpaul_ai / X

Yapay zekâya sor

Haberi seçtiğiniz asistanda hazır bir soruyla açın

Şu haberi 3 maddede özetle: https://aihaber.org/microsoft-thinkingbox-ai-ajan-guvenilirligi-sinifi/

Gemini hazır soruyla açılamıyor: soru panonuza kopyalanır, açılan sayfada yapıştırmanız yeterli.

Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Bu haber işinize yaradı mı?

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.

İlgili haberler