# arXiv'de AWM ve ReplayRCA makaleleri yayınlandı > arXiv'de 29 Ekim 2026 tarihinde gönderilen iki yapay zeka makalesi, agentik dünya modelleme ve ajan hata teşhisi konularında yeni yöntemler sunuyor. - URL: https://atakankademli.com.tr/blog/arxivde-awm-ve-replayrca-makaleleri-yayinlandi-hb2635 - Yazar: Haber Masası - Yayın: 2026-11-02 - Güncelleme: 2026-11-02 - Kategori: Teknoloji ## Kısa Cevap arXiv'de 29 Ekim 2026 tarihinde gönderilen iki yapay zeka makalesi, agentik dünya modelleme ve ajan hata teşhisi için yeni yöntemler sunuyor. AWM çerçevesi tek atışlı simülasyona göre %40,07 daha iyi performans gösterirken, ReplayRCA ölçütü sonradan teşhis ve canlı denetimi karşıt senaryo tekrarı ile ölçüyor. ## Önemli Çıkarımlar - AWM, paylaşılan ve sıfırlanamayan ortamlarda güvenli test-zamanı ölçeklendirmeyi mümkün kılıyor. - AWM, tek atışlı simülasyon tabanına göre ortalama %40,07 daha iyi performans gösteriyor. - ReplayRCA, ajan hatalarının sonradan teşhisini ve canlı denetimini puanlıyor. - Grok 4.7, causal repair olarak +51,3 puan elde ediyor. - Sonradan teşhis performansı canlı denetim için kötü bir araç olabilir. Wendi Li'nin yazdığı ilk makale, paylaşılan ve sıfırlanamayan ortamlarda test-zamanı ölçeklendirmeyi mümkün kılan Agentic World Modeling (AWM) çerçevesini öne çıkarıyor. AWM, sonraki gözlemin tahminini çoklu kanıt edinme görevi olarak yeniden formüle eder. AWM, her hipotetik eylem için gerçek ortamı güvenli salt okunur arayüzler üzerinden uyarlamalı olarak sorgular. Döndürülen kanıtı değerlendirerek paylaşılan durumu mutasyona uğratmadan sonuç gözlemi oluşturur. Bu sayede tek bir paylaşılan ortam üzerinde paralel keşif mümkün olur. ## AWM performans sonuçları ve OpsWorld ortamı AWM, $\tau$-bench, AppWorld ve OfficeBench testlerinde tek atışlı simülasyon tabanına göre ortalama %40,07 daha iyi performans gösteriyor. Eğitilmiş dünya modeli tabanına göre ise ortalama %12,36 iyileşme kaydediliyor. Görevler, belirli ve prosedürel olarak üretilen bir arka-ofis ortamı olan OpsWorld'dan geliyor. OpsWorld'ın altı zorluk seviyesi var ve son seviye çok modaldır; QR kodları ile el yazısını içeriyor. ## ReplayRCA ile hata teşhisi ve canlı denetim Fabien Soulis'in yazdığı ikinci makale, ajan hatalarının sonradan teşhisini ve canlı denetimini ölçen ReplayRCA ölçütünü tanıtıyor. ReplayRCA, bir dil modeli ajanın hatalı çok adımlı görevde başka bir modelin belirleyici hatayı bulup tek bir eylemle düzeltip düzeltemeyeceğini puanlamayı amaçlıyor. Ölçüt, ortamı seçilen adıma önceki duruma geri yükleyerek, önerilen eylemi ajanın kendi eylemiyle değiştirerek ve aynı ajanın devam etmesiyle çalışır. Causal repair skoru, devam başarı oranından aynı mekanizma üzerinden ajanın orijinal eylemini tekrar eden bir placebo skoru çıkarılır. ReplayRCA'nın iki yolu vardır: sonradan otopsi ve canlı denetim. 62 kalibre sistematik hatada en iyi 13 sınır modelinden Grok 4.7, causal repair olarak +51,3 puan elde ediyor. En iyi sekiz model istatistiksel olarak ayrıştırılamıyor. İki en büyük satıcının amiral gemi modelleri sırasıyla 8. ve 12. sıraya geliyor. 5 öğe hiçbir model tarafından onarılamıyor. Güçlü bir modelin son adımdan müdahale etmesi zorlanması onu 17,1 puan kaybetmeye neden oluyor. 87 çalıştırmada iki en iyi canlı denetleyici istatistiksel olarak eşit ve bunlardan biri küçük açık ağırlıklı model olan DeepSeek V4.1 Flash'tır. En iyi sonradan teşhis yapanlardan biri olan GPT-6.1 Sol, aynı çalıştırmalarda en zayıf canlı denetleyicidir (-14,5 puan, p = 0,002). Bu durum sonradan teşhis performansının canlı denetim için kötü bir araç olabileceğini gösteriyor. ## Neden önemli? Bu makaleler, test-zamanı ölçeklendirmenin gerçek, paylaşılan ortamlarda nasıl güvenli bir şekilde uygulanabileceğini ele alıyor. ReplayRCA ise ajan hatalarının teşhisinde sonradan otopsi ile canlı denetimin farklı sonuçlar verebileceğini ortaya koyuyor. Kaynak: [arXiv — Artificial Intelligence](https://arxiv.org/abs/2610.40927), [arXiv — Artificial Intelligence](https://arxiv.org/abs/2610.41025) Temsili görsel: [pixel2013 / Pixabay](https://pixabay.com/photos/cyber-glasses-virtual-virtual-world-1938449/) ## Sıkça Sorulan Sorular ### Makaleler hangi platformda yayınlandı? Makaleler arXiv platformunda yayınlandı. ### Makalelerin yazarları kimler? İlk makalenin yazarı Wendi Li, ikinci makalenin yazarı Fabien Soulis'tir. ### OpsWorld kaç zorluk seviyesine sahip? OpsWorld altı zorluk seviyesine sahip. ### Grok 4.7 causal repair skoru nedir? Grok 4.7'nin causal repair skoru 51,3 puan. ## Kaynaklar - [Agentic World Modeling for Agent Test-time Scaling without Environment Replica](https://arxiv.org/abs/2610.40927) - [ReplayRCA: Measuring Post-hoc Diagnosis and Live Oversight of Agent Failures by Counterfactual Replay](https://arxiv.org/abs/2610.41025)