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

TailSFT Microsoft Araştırması: Standart SFT Ardışık Düzeni Neden Yetersiz Kalıyor?

TailSFT Microsoft Araştırması: Standart SFT Boru Hattı Neden Yetersiz Kalıyor?

· 2 dk okuma · 0 yorum

Yapay zekâya sor Paylaş
Kısaca · 3 madde
  1. TailSFT Microsoft Araştırması: Standart SFT Boru Hattı Neden Yetersiz Kalıyor?
  2. Microsoft araştırmacıları, standart supervised fine-tuning (SFT) ardışık düzeninin pekiştirmeli öğrenme (RL) için gerçekten istenen modeli üretip üretmediğini inceledi.
  3. Araştırmaya göre standart SFT, modelin zaten öğrendiği dizilere sürekli gradyan harcamaya devam ediyor.

TailSFT Microsoft Araştırması: Standart SFT Boru Hattı Neden Yetersiz Kalıyor?

araştırmacıları, standart supervised fine-tuning (SFT) ardışık düzeninin pekiştirmeli öğrenme (RL) için gerçekten istenen modeli üretip üretmediğini inceledi. Sonuç: Hayır. TailSFT araştırması, yapay zeka eğitim süreçlerinde kritik bir açığı ortaya koyuyor.

Standart SFT’nin Temel Sorunu

Araştırmaya göre standart SFT, modelin zaten öğrendiği dizilere sürekli gradyan harcamaya devam ediyor. Bu durum, RL’nin sonradan keşfetmesi gereken dağılımı daraltıyor. Başka bir deyişle, model eğitim sırasında zaten mükemmel performans gösterdiği kısımlara odaklanmayı sürdürürken, öğrenmesi gereken yeni alanlar ihmal ediliyor.

TailSFT ise bu dizileri eğitim sırasında filtreliyor ve öğrenmenin modelin yeterince iyi modellemediği veri kuyruğuna yoğunlaşmasını sağlıyor. Araştırmacılar bu tek değişikliğin sonuçları dramatik biçimde iyileştirdiğini belirtiyor.

Et Çarpıcı Sonuçlar: Kodlama ve Matematikte Büyük Sıçrama

OLMo-3 7B modeli üzerinde yapılan testlerde, kodlama alanında pass@16 performansı 16.8 puan, matematikte ise 3.1 puan iyileşme gözlendi. Bu yüksek kapsamlı kontrol noktaları, GRPO sonrası pass@1’de 3.9 puana kadar artış sağladı. Bazı ayarlarda erken ödül, eşleşen standart SFT çalışmasına kıyasla 2.5 kat daha hızlı yükseldi.

Bu sonuçlar, SFT ardışık düzeninin RL için doğru temeli hazırlayıp hazırlamadığı sorusunu yeniden gündeme getiriyor. ekibi, mevcut standart yaklaşımın yetersiz olduğunu kanıtlamış görünüyor.

TailSFT Microsoft Araştırmasının Etkisi

TailSFT araştırması, hem akademik hem de endüstriyel yapay zeka topluluğunda büyük ilgi görüyor. Standart SFT ardışık düzenlerinin yeniden değerlendirilmesi gerektiğini gösteren bu çalışma, özellikle büyük dil modellerinin RL sonrası optimizasyonu konusunda yeni bir sayfa açabilir.

Araştırma, basit bir filtreleme mekanizmasının eğitim verimliliğini nasıl bu denli artırabildiğini göstererek, yapay zeka topluluğuna önemli bir ders veriyor.

Yapay zeka araştırmalarındaki son gelişmeler için aihaber.org‘u düzenli olarak takip edin.

TailSFT Microsoft Yapay Zeka Egitim Arsizi

Yapay zekâya sor

Haberi seçtiğiniz asistanda hazır bir soruyla açın

Şu haberi 3 maddede özetle: https://aihaber.org/tailsft-microsoft-yapay-zeka-egitim-2026/

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