RSI-Anything: Denemeden Önce Tahmin Eden, Her Turda Kendini Geliştiren Yapay Zekâ

Gen-Verse oluşumunun GitHub üzerindeki RSI-Anything deposu, 8 Ekim 2026'da açıldı ve dört günde 122 yıldıza ulaşıp 10 kez çatallandı. Apache-2.0 lisanslı çalışma, kendini geliştiren yapay zekâ araştırmasını dünyayı tahmin eden bir modelle birleştiriyor. Konu, bir ajan modelinin her turda önerdiği yollar arasından hangisini gerçekten deneyeceğine önceden karar vermesi.

Fikir günlük dille şöyle: aklına gelen her şeyi deneme, önce tahmin et, en umut vereni dene, sonucu gör, sonraki turda daha akıllı ol. Dört karpuzdan hangisinin olmuş olduğunu anlamak için dördünü kesmek yerine dışına vurup sesini dinlemek gibi. Pahalı olan gerçek deneme, ucuz olan tahmin. Ajan modeli böylece her turda aynı bütçeyle daha isabetli karar veriyor.

Öner, tahmin et, dene, tut: altı adımlı döngü

Döngü altı adımdan oluşuyor: politika ya da iş akışı adayları üretiyor, dünya modeli her adayın sonucunu tahmin ediyor, en yüksek puanlı aday gerçek teste giriyor, tahminle gözlenen sonuç yan yana kaydediliyor, geri bildirim politikayı ya da modeli güncelliyor ve tutma denetimi hangi sürümün kalacağına karar veriyor. Politika ile model ayrı zamanlarda güncellenebiliyor; güvenilir tahmin yapan model dururken politika gelişebiliyor, tersi de mümkün. Tutulan politika ve model çifti sonraki turun adaylarını ve öğrenme verisini belirliyor; iyileşme bu yüzden tek turda kalmıyor, üst üste biniyor.

Temelde JEPA-Anything var: PhAI Labs öncülüğündeki ekip, gizli hedefi birbirini tamamlayan faktörlere ayırıp her faktörü ayrı bir koldan tahmin eden Orthogonal Predictive Factorization tekniğini geliştirmiş. MarkTechPost analizine göre bu tasarım, tek parça tahminde güçlü sinyalin zayıf sinyali ezmesi sorununu çözüyor; ekip yöntemi görme, biyoloji, klinik seyirler, kontrol, moleküler devinim, fiziksel alanlar ve hava dahil yedi alanda dünya modeli olarak denemiş, on dinamik görevin tamamında düz JEPA taban çizgisini geçmiş. AIWeekly derlemesi, öğrenilen faktörlerden birinin önerdiği biyolojik müdahalenin hücre ve fare deneylerinde doğrulandığını aktarıyor.

Kod tamirinde düzen şöyle işliyor: ReasonFlux-Coder-7B adlı 7B büyüklüğündeki üretici model sabit tutuluyor, turda dört yama öneriyor; W1 adlı 3B dünya modeli her yama ve test çiftinin sonucunu beş sınıfta olasılık olarak veriyor. Yalnızca en yüksek puanlı yama gerçek testlere koşuluyor, en çok üç tur sürüyor. 200 CodeContests işi üç tohumla 600 değerlendirme yapıyor; gizli testlerde başarı statik doğrulayıcıda %26,3 iken sabit modelli düzende %29,2'ye, model uyarlamasıyla %31,2'ye çıkıyor. Test çağrısı iş başına 3,7'de kalıyor. CodeContests, DeepMind takımının yarışma düzeyi program üretimi için açtığı veri kümesi; arXiv üzerindeki teknik rapor, aynı üretici ve aynı aday bütçesiyle karşılaştırma yapıldığını vurguluyor.

Genelleme için aynı dünya modeliyle iki büyük koleksiyonda tekrarlanmış: 1000 işlik APPS Introductory ölçümünde tam test başarısı %46,37, 1055 işlik LiveCodeBench v6 ölçümünde %33,05. Her iş ve tohumda başlangıç programı aynı tutulmuş, herkese açık testler yönlendirmiş, finalde resmi test paketinin tamamı geçilmek zorunda kalmış. Her iki kümede de rastgele tercih ve statik doğrulayıcı geride kalmış.

Ekrandan laboratuvara: aynı döngü, dört ayrı dünya

Ekran işlerinde ajan, MiniWoB++ paketindeki kutucuk işaretleme işinde aynı 100 örnekte üç sürüm boyunca denenmiş: başarı %51'den %79'a, oradan %99'a çıkmış; bölüm başına ortalama işlem 5,30'dan 3,21'e inmiş, boşuna tekrar tıklama 237'den sıfıra düşmüş. Her adımda dünya modeli hangi tıklamanın işe yarayacağını önceden puanlıyor. Ara sürüm daha az işlem yapmasına rağmen 21 kez yanlış gönderim yapmış; final sürüm biraz daha fazla işlemle hatayı 1'e indirmiş. Masaüstü işlerindeki OSWorld ölçümünde başlangıç ajanına göre %18,4, RLAnything düzenine göre %5,5 göreli kazanım var. OSWorld'ün GitHub üzerindeki herkese açık deposu, 369 gerçek bilgisayar işiyle bu tür ajanları ölçüyor.

Laboratuvar planlamasında LabHorizon F200 ölçümünde aynı 4B politika modelinin art arda beş sürümü izlenmiş: final skoru %21,80'den %46,01'e yükselmiş, devasa başvuru düzeneğinin %45,32'sini geride bırakmış. Dünya modeli aday dizileri icra edilmeden eliyor. Kimyada Suzuki-Miyaura taramalarında 20 denemelik GC ekranında en iyi gözlenen verim %87,5'ten %93,0'a, 40 denemelik akışlı LC-MS ekranında %82,16'dan %96,15'e çıkmış; deneme sayısı aynı kalmış.

Bağışıklık çalışması uçtan uca bir hat kurmuş: önce ajan iş akışları evrilmiş, sonra hücre, doku ve birey bağlamını taşıyan bir dünya modeli kurulmuş, analiz ajanı sabit modelle tahmin, öz düzeltme ve hipotez sıralaması yapmış. Çıktı, SIRPα baskılama ile IL-36γ ekseni ayarını birlikte denemeyi öneren bir aday hipotez; ıslak laboratuvar testi henüz yapılmamış. Teknik rapor, GitHub deposu ve HuggingFace üzerindeki modeller herkese açık. Üretim notları da somut: Linux ve Python 3.10, tek komutla kurulum, rsi plan ve rsi run komutlarıyla dört aşamalı eğitim; değerlendirme arşivi 64 MB, eğitim eki 236 MB.

Dürüst sınırlar da raporda yazıyor: laboratuvar skoru planlama başarısı, tezgâh icrası değil; kimya sonucu iki Suzuki ekranı ve 20 ile 40 denemeyle sınırlı; bağışıklık hipotezi test bekliyor. Dünya modeli her turda daha isabetli tahmin etmeyi öğreniyor. Yine de tablo net: dış geri bildirim pahalıysa önce tahmin et, az dene, sonucu hem karar vericiye hem tahminciye öğret, uymayan çifti tutma. Test faturası kabaran her ekip için ders aynı.