Generative AI
Akıl yürütme modelleri yanıt vermeden önce görünür ya da gizli bir düşünme adımı üretir; başarım yalnızca eğitim ölçeğine değil, çıkarım anında harcanan hesaba (test-time compute) da bağlı hâle gelir. Doğrulanabilir ödüllerle pekiştirmeli öğrenme (RLVR) gibi yöntemler, cevabın otomatik denetlenebildiği matematik ve kod gibi alanlarda belirgin kazanç sağlıyor; açık uçlu görevlerde kazanç daha tartışmalı ve ölçmesi zor. Alt başlıklar düşünme bütçesinden süreç ödül modellerine, örneklemeden doğrulayıcı yaklaşımlara ve maliyet-gecikme ödünleşimine uzanır.
Uzun düşünme süresi bir kalite düğmesi gibi kullanılıyor: sonuç yetersizse bütçeyi artır. Oysa akıl yürütme, çok adımlı çıkarım gerektiren görevlerde kazanç üretiyor; bilgi getirme, biçimlendirme ve sınıflandırma gibi görevlerde gecikmeyi ve maliyeti artırırken doğruluğu değiştirmiyor, bazen düşürüyor. Doğru soru 'ne kadar düşünsün' değil, 'bu görev düşünmeyi hak ediyor mu'.
Semantik komşuluk: bu konuyu anlamak için gereken veya ondan türeyen kavramlar.
Öğrendiği veri dağılımından yeni metin, görsel, ses, video veya kod örnekleri üreten model ailesinin genel adıdır.
Metin, görsel, ses ve video gibi birden fazla veri türünü aynı model içinde birlikte işleyen yapay zekâ yaklaşımıdır.
Bir dil modelinden istenen davranışı almak üzere girdinin yapısını, bağlamını ve kısıtlarını sistematik biçimde tasarlama pratiğidir.
Aynı konunun öğretim ve ölçüm formatları.
Testler
