9 Kasım’a kadar olan haftanın ortak sorusu şu: Agent’lar hatırlayabiliyor, dinleyebiliyor ve kendi işini kontrol edebiliyor mu? Anthropic 6 Kasım’da Claude agent’larının hafızayı nasıl tuttuğunu ve nasıl onardığını anlattı. Aynı gün OpenAI modellerin laboratuvar kanıtını okuyup okuyamadığını ölçtü, 8 Kasım’da da Tokyo’dan bir girişim dinlerken konuşan Japonca bir ses modeli gösterdi. Yazıları, dokümanları, benchmark tablolarını ve model sayfalarını okudum. Bu modellerin, dream’lerin ve benchmark’ların hiçbirini kendim çalıştırmadım.
🧠 Claude “rüya görünce” ne oluyor?
En akılda kalan örnek Pokémon Red’den. Anthropic’in agent hafızası yazısına göre Claude’un notlarında Mt. Moon’daki PokéCenter’ın dağın hangi tarafında olduğu yanlış yazılı. Not yanlışken Claude aynı çıkıntıdan üç kez düşüyor ve dağı geçemiyor. Not düzeltilince Cerulean City’ye ulaşıyor.
Notu düzelten şeye Anthropic “dreaming” diyor. Agent çevrim dışıyken eski kayıtlarını ve konuşma dökümlerini yeniden okuyor, yanlış çıkan notları düzeltiyor, wiki gibi yeni yapılar kuruyor ve birkaç notu her yeni oturumda baştan yüklenecek şekilde öne çıkarıyor. Yazı, fikrin kaynağı olarak Letta ile UC Berkeley’nin sleep-time compute çalışmasını anıyor.
Lance Martin imzalı yazıda hafıza dar tanımlanmış: Claude’un deneyimle edindiği ve oturumlar arasında okunabilir bağlam olarak sakladığı bilgi. Ağırlık değişiklikleri, in-context learning ve compaction bu tanıma girmiyor. Aşağıdaki rakamların hepsi Anthropic’in kendi iç değerlendirmeleri.
Az not, çok rozet
Pokémon Red’de yaklaşık 10.000 adımda Sonnet 3.7, 225 klasöre dağılmış 413 hafıza dosyası yazmış ve 1 rozet almış. Claude Fable 5, 2 klasörde 9 dosya artı bir global.md ile 4 rozete ulaşmış. Opus 5.5 küçük bir klasörle oyunu bitirmiş.
CL-Bench 1.0’daki veritabanı görevinde de benzer bir tablo var. Sonnet 4.6 yalnızca test edilmemiş tahminler üretmiş. “Döngüyü kapatan” ilk model Opus 5 olmuş, yani kuralı, bunu nereden bildiğini ve tuzakları birlikte not etmiş. Opus 5.5 ve Sonnet 5.5 da aynısını yapmış. Sonnet 5 kimse söylemeden 10 cevabın 9’unda önce hafızaya bakmış, Sonnet 4.6 ise yarısından azında.
En ilginç bulgu ters yönden geliyor. Güçlü modellere “yalnızca hataları kaydet” demek, hafızadan gelen kazancın büyük kısmını götürmüş. Anthropic’in tavsiyesi şu: Claude’a hafızanın ne işe yaradığını anlatın, nasıl kullanacağını öğretmeye kalkmayın.
Wiki ne kadar işe yarıyor?
Anthropic, Stainless’ın iç dokümanlarından (yaklaşık 350.000 dosya) bir wiki kurup 25 soru sormuş. Dreaming 2 oturumdan 128 oturuma çıkınca, yalnızca wiki ile alınan puan puanlanan kriterlerin %13’ünden %48’ine yükselmiş. Arama ile wiki birlikte %61’e çıkmış, yalnızca aramada bu oran %53. Üstelik soru başına yaklaşık 20.000 token tasarruf sağlanmış.
Sözleşme örneği de öğretici. Birkaç agent’ın birlikte doldurduğu ortak tablo 57 bilginin 41’ini korumuş. Her sözleşmeye ayrı bir agent verilip şartlar kelimesi kelimesine alıntılatılınca 57’nin 57’si yerinde kalmış.
Nereden denenir?
Managed Agents içindeki “Dreams” araştırma önizlemesi aşamasında, erişim başvuruyla. Dreams dokümanına göre bir dream mevcut hafıza deposunu ve 1 ile 100 arası geçmiş oturumu okuyup yeniden düzenlenmiş yeni bir depo yazıyor. Girdi deposuna hiç dokunmuyor, yani sonuç beğenilmezse çöpe atılabiliyor. Brad Abrams’ın cookbook örneği, daha önce Claude Managed Agents dinamik iş akışları yazısında anlatılan yapıyla çalışıyor. Hafıza yazısında Claude Duet de geçiyor, onun onay mekanizması ve sınırları da burada ayrıca yazıldı. Claude Code kullananlara küçük bir not: auto memory, MEMORY.md dosyasının yalnızca ilk 200 satırını ya da ilk 25 KB’ını yüklüyor.
Pratikte: Her oturumda yüklenen hafızayı küçük tutun, neyin kaydedileceğine model karar versin, düzenli bir temizlik turunu da güvenmeden önce gözden geçirin. İyi bir mühendis not dosyasıyla bunu zaten yapar. Yeni olan, toparlama işini artık modelin üstlenmesi.
🗣️ Japonca konuşan model dinlerken konuşabilir mi?
Shizuku AI’a göre evet. Şirketin 8 Kasım’da yayımladığı Shizuku-Duplex yazısında anlatılan model full-duplex çalışıyor, yani aynı anda hem dinleyip hem konuşabiliyor. Kullanıcı konuşurken “hı hı” diye araya giriyor, sözü kesilince susuyor, karşısındaki yalnızca “hı hı” dediğinde de anlatmaya devam ediyor. Şirket, OpenAI’ın GPT-Live modeli dışında Japonca akıllı diyalog kurabilen ilk full-duplex model olduğunu söylüyor.
Model 80 milisaniyelik adımlarla çalışıyor. Her adımda kullanıcıyı duyuyor, kendi çıktısını üretiyor ve konuşmasının biraz önünden giden yazılı bir “iç ses” tutuyor. Zor işleri ise devrediyor. Web araması ya da araç gerektiren bir istek gelince DELEGATE token’ı üretip işi arka planda çalışan ikinci bir modele veriyor, kendisi sohbeti sürdürüyor. Yazıdaki örnek, iki kişilik ve yaklaşık 100.000 yenlik bir Kyoto gezisi bütçesi. Web araması 7,1 saniye sürmüş, konuşma bu sırada kesilmemiş. Model ayrıca yaklaşık beş dakikada bir sohbeti özetleyip bağlamı tek bir adımda yeniden kuruyor.
Rakamlar şirketin kendi Japonca benchmark’ından, içeriği de Claude Opus 5.5 puanlamış. Bu testte Shizuku-Duplex, altı sıra alma (turn-taking) ölçütünün beşinde full-duplex modeller arasında birinci. Kullanıcı sustuktan sonra ortanca cevap süresi 0,57 saniye. GPT-Live’da 0,53, Gemini Live’da 1,27, GPT-Realtime’da 1,61 saniye, yazı son ikisine ağ gecikmesinin de dahil olduğunu belirtiyor. Cevap kalitesinde GPT-Live hâlâ önde: çok turlu soru cevap doğruluğu %79’a karşı %95, web araması doğruluğu %43’e karşı %50.
Hedef bir asistan aracı değil, yol arkadaşı gibi çalışan bir AI. Yazıda açık ağırlık, API ya da fiyat bilgisi yok.
Pratikte: İngilizce dışındaki bir dilde gecikme ve sıra alma sorununu küçük bir ekip çözebiliyor, bilgi kalitesi ise en büyük laboratuvarın gerisinde kalıyor. Bu ay Japonya’dayım ve Kyoto da planda. Sohbet ederken Kyoto bütçesi çıkaran bir model kâğıt üstünde çok cazip. Şimdilik elde olan da yalnızca kâğıt üstü, yani demo kayıtları.
🧪 GPT-6 Astra dağınık bir jel görüntüsünü okuyabilir mi?
OpenAI 6 Kasım’da BioBasicsBench’i tanıttı. Enzim tasarımı yapan biyoteknoloji şirketi Ligo ile hazırlanan 100 rutin ıslak laboratuvar (wet-lab) görevi var. Modellere ham kanıt veriliyor: 31 görevde jel ve blot görüntüsü, 14’ünde mikroskopi, 12’sinde dizileme dosyası, bir de protokol videoları, plaka fotoğrafları ve cihaz çıktıları. Puanlama kısmi puan veren bir rubrikle yapılıyor, yani ortalama ödül (mean reward) tamamen çözülen görevlerin oranı anlamına gelmiyor.
OpenAI 7 modeli 37 farklı model ve effort ayarında, görev başına 5 denemeyle koşturmuş, toplam 18.500 sonuç çıkmış. Hepsi OpenAI’ın kendi modelleri, ölçüm de kendisinin. OpenAI’ın tablosunda xhigh effort ayarında GPT-6 Astra %66,7 alıyor ve görev başına 4.704 çıktı token’ı harcıyor. GPT-6.1 Sol %62,0’da. GPT-5.2 ise %31,2’de kalıyor ve görev başına 27.620 token harcıyor.
Astra’nın iyi anları somut. Ampisilin kullanılan bir deneyde üzerinde “LB Kan50” (kanamisin) yazan negatif kontrol plakasını fark edip kontrol olarak kabul etmemiş. Bir z-stack görüntüsünü tanımış, ona uydurma bir biyolojik hikaye yazmamış. OpenAI hataları da saklamıyor: yanlış seçilen koloniler, aynı görüntüdeki açık renkli vakuolleri atlayıp “koyu vakuoller” diye yapılan genelleme, yaklaşık %12 fazla sayılan koloniler. OpenAI’ın kendi ifadesiyle, yüksek benchmark puanı henüz modellerin laboratuvarda güvenilir karar verebildiği anlamına gelmiyor.
Pratikte: “Bu kanıt bunu desteklemiyor” demeyi ödüllendiren bir laboratuvar testi, bir sınav puanından daha çok şey anlatıyor. En iyi modelin çok daha az token harcaması da cabası.
🔐 OpenAI neden Hacktron’u içeri davet ediyor?
OpenAI’ın 6 Kasım tarihli duyurusuna göre iki şirketin ekipleri öncelikli alanları birlikte test edecek. Odak noktası, OpenAI sistemlerinin üçüncü taraf servislerle nasıl etkileştiği. Kod incelemesi, sızma testi ve red teaming için AI agent’ları geliştiren Hacktron, Daybreak Red üzerinden frontier modellere daha geniş erişim alıyor. İki taraf OpenAI’ın Security Bug Bounty programında tanışmış. OpenAI aynı hafta bug bounty ödüllerini artırdığını da duyurdu, sayfada rakam yok.
İşin arka planını WebProNews anlatıyor. Sitenin Hacktron’un kendi yazısına dayanarak aktardığına göre Hacktron temmuzda bir forum açığını OpenAI’ın SSO sorunuyla zincirleyip forumun aktif kullanıcılarına ait ChatGPT ve Codex hesaplarını ele geçirebilmiş. OpenAI’ın da rapordan yaklaşık 14 saat sonra düzeltmeyi doğruladığı bildiriliyor. Aynı habere göre ChatGPT, Codex ya da API’de bulunan kritik açıklar artık 30.000 dolara kadar ödül alıyor.
Pratikte: Agent’lar Gmail’e, GitHub’a, Slack’e bağlandıkça zayıf nokta servisleri birbirine bağlayan ara katman oluyor. OpenAI tam oraya dışarıdan göz istiyor.
📦 Geçen hafta başka neler çıktı?
Ling-3.2-flash. Ant Ling sürüm notlarına 5 Kasım’da ekledi. Model sayfasına göre toplam 560 milyar, aktif 25 milyar parametreli, doğuştan çok kipli bir MoE. 1 milyon token bağlamı var, görüntü, metin ve video alıyor. API hem OpenAI hem Anthropic protokolüyle uyumlu ve 5 Kasım’dan itibaren iki hafta ücretsiz. Kontrol edildiğinde inclusionAI’ın Hugging Face sayfasında bu modelin ağırlıkları yoktu, şimdilik yalnızca API.
NVIDIA Cosmos 3 Nano. NVIDIA’nın 5 Kasım tarihli Hugging Face yazısına göre şirket OpenMDW1.1 lisansıyla dört açık ağırlıklı checkpoint yayımladı. Her biri 16 milyar eğitilebilir parametreli. Sürüş verisi, sürüş simülasyonu, simülatörden gerçekçi videoya geçiş ve iki kollu robot videosu için ayrı sürümler var. Yayımlanan vLLM-Omni kurulumu tek bir GB200 üzerinde test edilmiş, NVIDIA bunun asgari bellek şartı olmadığını belirtiyor.
| Ne? | Kim? | Tarih | Açık ağırlık? | Nasıl denenir? | Öne çıkan rakam (kaynak) |
|---|---|---|---|---|---|
| Agent hafızası + Dreams | Anthropic | 6 Kasım | Söz konusu değil (yöntem + araştırma önizlemesi) | Managed Agents, başvuruyla | Yalnızca wiki puanı %13’ten %48’e, 2’den 128 oturuma (Anthropic) |
| Shizuku-Duplex | Shizuku AI | 8 Kasım | Belirtilmemiş | Yalnızca demo kayıtları | Ortanca cevap süresi 0,57 saniye (Shizuku AI) |
| BioBasicsBench | OpenAI + Ligo | 6 Kasım | Söz konusu değil (benchmark) | Sonuçları okuyun | GPT-6 Astra ortalama ödül %66,7 (OpenAI) |
| Ling-3.2-flash | Ant Ling | 5 Kasım | Hayır (API) | API, 2 hafta ücretsiz | 560 milyar toplam, 25 milyar aktif, 1 milyon bağlam (Ant Ling) |
| Cosmos 3 Nano (4 checkpoint) | NVIDIA | 5 Kasım | Evet, OpenMDW1.1 | Hugging Face | Her biri 16 milyar eğitilebilir parametre (NVIDIA) |
👀 Önümüzdeki günlerde neye bakmalı?
Dreams’in araştırma önizlemesinden çıkıp daha geniş erişime açılıp açılmayacağına ve Shizuku AI’ın bir API ya da uygulama çıkarıp çıkarmayacağına. Ling-3.2-flash’ın ücretsiz dönemi 19 Kasım civarında bitince gelecek fiyata. Hacktron’un bulgularından hangilerinin sonradan açıklanacağına, bir de WebProNews’e göre OpenAI güvenlik ekibinin katılacağı 20 ve 21 Kasım’daki PROMPT2PWN’a. Perşembe bültenini kaçırdıysanız AI metin filigranı yazısı orada duruyor. Haftanın geri kalanı 2-8 Kasım AI haftalık özetinde, açık ağırlık meselesinin derinine inmek isteyenler için de Inkling 2 Small incelemesi var.
Kaynaklar
- Anthropic: The components of agent memory
- Claude dokümanı: Dreams
- Claude cookbook: dinamik iş akışıyla dreaming
- Shizuku AI: Shizuku-Duplex
- OpenAI: BioBasicsBench
- OpenAI: Hacktron ortaklığı
- Hacktron: OpenAI ortaklığı
- WebProNews: OpenAI ve Hacktron
- Ant Ling sürüm notları
- Ant Ling: Ling modelleri
- NVIDIA: Cosmos interactive world simulation
