arXiv'de beş yeni yapay zeka ve makine öğrenmesi makalesi yayımlanmış

Yapay zeka ve makine öğrenmesi alanında beş yeni makale, 22 ve 23 Ekim 2026 tarihlerinde arXiv'de yayımlanmış. Makaleler, büyük dil modellerinin güvenliğinden çok ajanlı sistemlere, mikroservis anomali tespitinden omni-modal çıkarım ve model sıkıştırma konularına kadar farklı odaklanmalar içeriyor.

M3 ile çoklu turlu jailbreak saldırılarının modellenmesi

M3 adlı otomatik kırmızı ekibecilik çerçevesi, çoklu turlu jailbreak saldırılarını sonlu-horizonlu Markov Karar Süreci olarak biçimlendiriyor. İki referans ve altı hedef model üzerinde mevcut en iyi çoklu turlu kırmızı ekibecilik yöntemlerinden daha iyi saldırı başarı oranları elde ediliyor. ASR@5 metrikinde yüzde 53'e kadar iyileştirme sağlanıyor. Hafif saldırgan LLM kullansa bile ASR@1'de yüzde 26, ASR@5'te yüzde 34 iyileştirme gözlemleniyor. Ayrıca konuşma turları boyunca daha eğrili risk yükseltmesi gösteriliyor ve risk kategorilerinde daha tutarlı performans sunuluyor; Gini endeksinde en fazla 4,82 iyileştirme kaydediliyor. M3, önceden tanımlanmış bir risk taksonomisine ihtiyaç duymuyor. Bu makalenin arXiv numarası 2610.31937.

Çok ajanlı sistemlerde iletişim hataları ve taksonomi

Çok ajanlı LLM sistemlerindeki iletişim hataları, 3.211 başarısız çoklu turlu yörünge üzerinden bir taksonomiyle inceleniyor. Hatalar, izole ilk tur hatalarından ziyade iyileştirme ve düzeltme, konsensüs ve karar verme problemlerinden kaynaklanıyor. Tıbbi soru-cevap, kodlama, finans, çoklu adımlı akıl yürütme, etik ve gömülü metin görevleri kapsamında analiz yapılıyor. Araçlar, erken birleşme, eşiği yoksayma, doğru azınlık yanıtlarının bastırılması ve yanlış çerçevelerin korunması gibi hatalar tespit ediliyor. İlgili makalenin arXiv numarası 2610.32060.

Mikroservis anomali tespiti ve omni-modal çıkarım

LLMMAD adlı çerçeve, mikroservis sistemler için LLM tabanlı otoregresif çok modlu anomali tespit öneriyor. Üç gerçek dünya veri seti üzerinde sırasıyla yüzde 3,1, 1,4 ve 0,9 F1-skoru iyileştirmesi sağlanıyor. Makalenin arXiv numarası 2610.31722. Omni-modal LLM çıkarımında ise sorgu bazlı modül seçimi, Qwen2.5-Omni ve Qwen3-Omni modelleri üzerinde WorldSense veri seti ile değerlendiriliyor. Qwen2.5-Omni için tam modül ayarına kıyasla yaklaşık yüzde 41 giriş tokeni, yüzde 39 gecikme ve yüzde 61 para birimi maliyeti tasarrufu elde ediliyor, eşdeğer veya daha iyi doğrulukla. Bu makalenin arXiv numarası 2610.31768.

S-SALAAD ve kenar cihazlarda verimli çıkarım

S-SALAAD, model ağırlıklarını ve düşük dereceli ile yapısal azaltık bileşenleri eğitim sırasında birlikte öğrenen birleşik bir çerçeve sunuyor. Llama2 ve Qwen3 modelleri üzerinde ön eğitim ve distilasyon kapsamında deneysel değerlendirme yapılıyor. Karmaşık bellek bütçeleri arasında tek bir kontrol noktasından verimli çıkarım sağlanıyor. Makalenin arXiv numarası 2610.31897.

Neden önemli?

Modern büyük dil modelleri, çoklu turlu etkileşimler aracılığıyla güvenlik mekanizmalarını atlatmaya karşı hassas kalmaya devam ediyor. Mikroservis sistemlerinde arızaların hızla yayması etkili anomali tespiti gerektirirken, omni-modal modeller önemli çıkarım maliyeti oluşturuyor. S-SALAAD gibi çerçeveler, hesaplama ve bellek talepleri artarken kenar cihazlarda verimli çıkarım sunmayı hedefliyor.

Kaynak: arXiv — Artificial Intelligence, arXiv — Artificial Intelligence, arXiv — Machine Learning, arXiv — Machine Learning, arXiv — Machine Learning

Temsili görsel: cookieone / Pixabay