Alibaba'nın Metis'i, doğruluk ve verimlilik eğitimini ayırarak yapay zekâ araçlarının gereksiz kullanımını azaltmayı hedefliyor

11 dakikalık okuma
Alibaba'nın Metis'i, doğruluk ve verimlilik eğitimini ayırarak yapay zekâ araçlarının gereksiz kullanımını azaltmayı hedefliyor

8 Milyar Parametreli Bir Ajan Ne Zaman Harekete Geçeceğini Öğreniyor

Alibaba araştırmacıları, gereksiz araç çağrılarını bildirilen yüzde 98 seviyesinden yüzde 2'ye indirirken görsel anlama ve matematiksel akıl yürütme testlerindeki performansı da artıran Metis adlı bir yapay zekâ ajanı geliştirdi. Qwen3-VL-8B-Instruct temelinde oluşturulan model 8 milyar parametreye sahip ve görev dışarıdan yardım gerektirdiğinde Python, metin arama ve görsel arama araçlarını kullanabiliyor.

İçindekiler
  1. 8 Milyar Parametreli Bir Ajan Ne Zaman Harekete Geçeceğini Öğreniyor
  2. Ajanlar Araçlara Neden Gereğinden Fazla Başvuruyor?
  3. Doğru Yanıtı Verimli Çalışmadan Ayırmak
  4. Metis Nasıl Eğitildi?
  5. Ölçütler ve Örnekler Ne Gösteriyor?
  6. Bildirilen Azalmanın Maliyetler Açısından Anlamı
  7. Ölçülü Davranış Eğitim Hedefini Nasıl Değiştiriyor?
  8. Açık Erişim ve Dağıtım Zorluğu
  9. Öne Çıkanlar

Temel değişiklik, Hiyerarşik Ayrıştırılmış Politika Optimizasyonu (Hierarchical Decoupled Policy Optimization) veya kısaca HDPO adı verilen bir eğitim çerçevesi. Bu yöntem, doğru yanıt verme ödülünü verimli çalışma ödülünden ayırıyor. Ajan, yanlış yanıt verdiğinde verimlilik ödülü almıyor; böylece hızlı tahminleri teşvik etmeden kaynakları idareli kullanması sağlanıyor.

Metis'in, görsel ve akıl yürütme ölçütlerinin tamamında 30 milyar parametreli ajan modeli Skywork-R1V4'ü geride bıraktığı bildiriliyor. Sonuçlar, araçları dikkatle seçmenin hem ajanın yanıtlarını iyileştirebileceğine hem de bu yanıtları üretmek için gereken işi azaltabileceğine işaret ediyor. Parametreler, modelin eğitim sırasında öğrendiği ayarlanabilir değerlerdir; modelin kapasitesini belirlemeye yardımcı olurlar, ancak bu kapasiteyi nasıl kullanacağını eğitim yöntemi de şekillendirir.

Nisan 2026'da yayımlanan araştırma, yapay zekâ ajanlarını devreye alan şirketlerin karşılaştığı pratik bir sorunu ele alıyor: Sistemler, yanıt kullanıcının sorusunda veya görselinde zaten mevcut olsa bile çoğu zaman harici hizmetlere başvuruyor. Her gereksiz çağrı gecikmeye yol açabilir, işlem kaynaklarını tüketebilir ve dikkati dağıtan bilgiler getirebilir. Alibaba'nın yaklaşımı, modeli yardıma ihtiyaç olup olmadığı konusunda daha bilinçli bir seçim yapacak şekilde eğitiyor.

Bildirilen yüzde 98'den yüzde 2'ye düşüş, gereksiz çağrı oranında 96 yüzde puanlık azalma anlamına geliyor. Bu düşüşün tek bir ürüne sağlayacağı finansal fayda, harcamalarının ne kadarının bu çağrılardan kaynaklandığına ve kullanılan araçların nasıl ücretlendirildiğine bağlı.

Reklam

Ajanlar Araçlara Neden Gereğinden Fazla Başvuruyor?

Alibaba araştırmacıları, altta yatan zayıflığı ciddi bir üstbilişsel eksiklik olarak tanımlıyor. Basitçe söylemek gerekirse ajan, zaten ne bildiğini ve neleri öğrenmesi gerektiğini değerlendirmekte zorlanıyor. Bir arama motorunu kullanmayı veya kod çalıştırmayı biliyor olabilir, ancak bu eylemlerden hangisinin ne zaman işe yarayacağı konusunda yine de kötü kararlar verebilir.

Mevcut ajan modelleri öncelikle görevleri başarıyla tamamlayacak şekilde eğitiliyor. Bu odak, geliştiricilerin “tetikte olma” diye adlandırdığı davranışı teşvik edebiliyor: Girdide gereken her şey bulunsa bile otomatik olarak web aramasına, kod çalıştırmaya veya görsel analizine başvurmak. Araştırmaya göre standart dağıtımlarda araç çağrılarının yüzde 98'e varan kısmı gereksiz olabiliyor.

Araç çağrısı, başka bir program ya da hizmete gönderilen istektir. Model bilgi için bir arama motoruna başvurabilir, bir şeyi hesaplamak üzere Python betiği çalıştırabilir veya küçük bir ayrıntıyı incelemek için görseli işleyebilir. Modelin gerçekten ihtiyaç duyduğu durumlarda bu eylemler faydalıdır. Alışkanlık hâline gelmeleri ise yanıtı iyileştirmeden ek iş çıkarır.

Her gereksiz istek işlem gecikmesine yol açabilir. Bir sonraki adımına geçmeden önce bir sonucun gelmesini beklemesi gereken ajanlarda bu gecikmeler birikir. Kullanıcılar daha yavaş yanıt alırken hizmeti işleten kuruluş da ek altyapı ve API erişimi için ödeme yapar. API, yazılımların başka bir hizmetin özelliklerinden yararlanmak için istek gönderdiği arayüzdür.

Harici sonuçlar ayrıca modelin yanıt hazırlarken değerlendirebildiği bilgiler olan bağlam penceresine girer. Alakasız sonuçlar ajanın dikkatini yararlı kanıtlardan uzaklaştırabilir ve akıl yürütmesini sekteye uğratabilir. Araştırmacılar, Metis'in daha az çağrı yaparken doğruluğunu artırabilmesini bu gürültünün azaltılmasının açıkladığını savunuyor.

Doğru Yanıtı Verimli Çalışmadan Ayırmak

Önceki araç kullanımını denetleme girişimleri, doğruluk ve verimliliği tek bir pekiştirmeli öğrenme ödülünde birleştiriyordu. Pekiştirmeli öğrenme, bir modele eylemleri karşılığında aldığı ödüle göre davranışını ayarlatır. Birleşik ödül, doğru yanıtları teşvik etme ve maliyetli işlemleri caydırma görevini aynı sinyale yükler.

Araç kullanımı için belirlenen yüksek bir ceza, modeli gerekli arama ve hesaplamalardan kaçınmaya iterek zor görevlerde doğruluğu düşürebilir. Düşük bir ceza ise kolay görevlerde kaynak israfını sürdürebilir. Birleşik puan, hızlı ama yanlış bir yanıtla yavaş ama doğru bir yanıta aynı ödülü de verebilir ve öğrenilmesi istenen davranışı zorlaştırabilir.

HDPO birbirinden bağımsız iki kanal oluşturuyor. Doğruluk kanalı, modelin “rollout” adı verilen üretilmiş denemelerindeki doğruluğu ödüllendiriyor. Verimlilik kanalı ise kaynakları idareli kullanan uygulamaları ödüllendiriyor. Sinyaller ayrı ayrı hesaplanıyor ve yalnızca eğitimin modeli nasıl ayarlayacağını belirleyen son kayıp hesabında birleşiyor.

Verimlilik ödülü kazanmanın koşulu doğruluk olmaya devam ediyor. Yanlış yanıt, hızlı verildiği veya az araç kullanıldığı için ödül almıyor. Bu kural, modelin temel hedefini açık tutuyor: Önce görevi doğru çözmek, sonra gereksiz işlerden kaçınmak.

Reklam

Araştırmacılar ortaya çıkan ilerleyişi örtük bir bilişsel müfredat olarak tanımlıyor. Eğitimin ilk aşamalarında ajan görevi çözmeyi ve ihtiyaç duyduğu bilgiyi edinmeyi öğrenmeye odaklanıyor. Doğru yanıtları daha tutarlı biçimde üretmeye başladıkça verimlilik sinyali daha etkili hâle geliyor ve ajanın kendi yeteneklerine daha fazla dayanmasını teşvik ediyor.

Ayrı sinyaller, gradyan çatışmalarını da gideriyor. Gradyan, eğitimin model parametrelerini hangi yönde değiştirdiğini gösterir. Doğruluk ve verimlilik bir araya getirildiğinde bu yönler birbirine zıt olabilir veya birbirini etkisizleştirebilir. HDPO, her iki hedef için de daha net yönlendirme sunacak şekilde tasarlandı; böylece ölçülü davranış, yetkinlikle birlikte geliştirilebiliyor.

Metis Nasıl Eğitildi?

Metis, Qwen3-VL-8B-Instruct görsel ve dil temel modelini Python çalıştırma, metin arama ve görsel arama araçlarıyla bir araya getiriyor. Birden fazla girdi türüyle, örneğin metin ve görsellerle çalışabildiği için çok modlu bir model. Eğitim iki aşamadan oluşuyor: İlk davranış biçimini kazandırmak için denetimli ince ayar, ardından HDPO ile pekiştirmeli öğrenme.

Denetimli ince ayar, bir modele görevin nasıl ele alınması gerektiğini gösteren örneklerle eğitim verir. Araştırmacılar bu ilk aşama için araç kullanımını içeren, kamuya açık çok modlu işlem dizileri topladı. Bir işlem dizisi, ajanın kararları, araç istekleri ve aldığı geri bildirimler de dâhil olmak üzere attığı adımları kaydeder.

Ekip, işlem hatası veya tutarsız geri bildirim içeren örnekleri çıkardı. Temel modelin araç kullanmadan çözebildiği eğitim örneklerini de eledi. Amaç, her göreve harici bir eylemin eşlik etmesi gerektiğini öğretmek yerine, araçların stratejik biçimde kullanıldığı gerçek örnekleri korumaktı.

Kalan örneklerin alışkanlık hâlinde araç kullanımını değil, gerekli durumlarda araçlara başvurmayı gösterip göstermediğini kontrol etmek için otomatik değerlendirici olarak Google Gemini 3.1 Pro kullanıldı. Bu filtreleme, araştırmacıların kamuya açık veri kümelerinde tespit ettiği bir zayıflığı ele aldı: Gürültülü işlem dizileri, ajana gereksiz eylemleri tekrarlamayı öğretebilir.

Pekiştirmeli öğrenme aşamasında Metis, harici bir araç kullanıp kullanmayacağına karar vermesi gereken, birden çok tura yayılan etkileşimlere girdi. Eğitim sinyalini kafa karıştırıcı hâle getirebileceğinden görselleri bozulmuş veya anlamı belirsiz istemler dışarıda bırakıldı.

Araştırmacılar ayrıca model için o aşamada fazla kolay veya fazla zor olan görevleri de eledi. Her deneme başarılı oluyorsa ya da her deneme başarısız oluyorsa sonuçları karşılaştırmak çok az yararlı yönlendirme sağlar. Hem doğru hem yanlış yanıtların bulunduğu görevleri korumak, algoritmaya öğrenebileceği anlamlı farklar sundu ve eğitimin iyileşme fırsatının az olduğu düz gradyan bölgelerinden kaçınmasını sağladı.

Reklam

Ölçütler ve Örnekler Ne Gösteriyor?

Metis, HRBench ve V*Bench dâhil görsel algı ve belge anlama veri kümeleriyle WeMath ve MathVista gibi matematiksel akıl yürütme görevlerinde son teknoloji olarak tanımlanan bir performans sergiledi. Araştırmada ayrıca, 30 milyar parametreli Skywork-R1V4'ü görsel ve akıl yürütme ölçütlerinde geride bıraktığı ve bunu çok daha düşük hesaplama yüküyle yaptığı bildiriliyor.

Skywork-R1V4, 8 milyar parametreli Metis'in 3,75 katı parametreye sahip. Bu karşılaştırma ölçek farkını somutlaştırıyor: Daha küçük ajanın bildirilen üstünlüğüne, daha fazla parametre sayısı değil, araçların daha seçici kullanılması eşlik ediyor. Kesin ölçüt puanları paylaşılmıyor.

Bir müze tabelası, davranış değişikliğini açıkça gösteren bir örnek oldu. Ajana tabelanın ortasındaki metinde ne yazdığı soruldu. Standart ajan modelleri, metin özgün girdide zaten okunabilir olmasına rağmen görüntüyü kırpmak ve işlemek için otomatik olarak Python betikleri yazdı ve fazladan adımlar ekledi.

Metis tabelayı doğrudan okudu ve harici bir araç çağırmadan, tek bir çıkarım turunda görevi tamamladı. Çıkarım, eğitilmiş bir modeli yanıt üretmek üzere çalıştırma sürecidir. Bu örnek, ek işlemeye ihtiyaç olduğuna karar vermeden önce ajanın görsel anlama yeteneğini kullanabileceğini gösteriyor.

Zor bir grafik ise ters yönde karar verilmesini gerektirdi. Görselde küçük bir grafikte üst üste binen çizgiler vardı ve ajana belirli bir veri noktasında en yüksek ikinci çizginin hangisi olduğu soruldu. Metis, çizgileri güvenilir biçimde ayırt etmek için kendi görsel algısının yeterli ayrıntıyı sunmadığını belirledi.

Ajan, yalnızca ilgili bölgeyi kırpmak ve büyütmek için Python kullandı. Böylece yanıt vermek için gereken görsel ayrıntıyı elde etti. İki örnek birlikte hedeflenen davranış biçimini gösteriyor: Kanıt açık olduğunda doğrudan incelemek, görev daha yakından bakmayı gerektirdiğinde ise aracı isabetli biçimde kullanmak.

Bildirilen Azalmanın Maliyetler Açısından Anlamı

OpenAI, Anthropic veya Google API'lerini kullanan girişimler ve büyük şirketler, yalnızca gereksiz çağrılar nedeniyle ayda binlerce dolar harcayabiliyor. Dolayısıyla Metis'in ticari açıdan sunduğu değer açık: Gereksiz istekleri ortadan kaldırmak, kullanıcıların yanıt bekleme süresini kısaltırken harcamaları da azaltabilir.

Araştırmaya eşlik eden maliyet örneğinde, API erişimine ayda 10.000 dolar harcayan bir girişimin verimsiz araç çağrılarını ortadan kaldırarak 9.600 dolar tasarruf edebileceği belirtiliyor. Bu, gereksiz çağrıların yüzde 98'den yüzde 2'ye düştüğü bildirimine dayanarak olası yüzde 96'lık bir azalma olarak sunuluyor.

Reklam

96 yüzde puanlık değişim, gereksiz çağrı oranındaki düşüşü ölçüyor. Bir şirketin API faturası ayrıca istek sayısına ve ücretine, ana modelini çalıştırma maliyetine ve yararlı araçların ne sıklıkta gerekli olduğuna bağlı. 9.600 dolarlık tutar, adı belirtilen bir şirketin gerçek dağıtımından elde edilen ölçülmüş bir sonuç değil; 10.000 dolarlık bütçe için olası bir tasarruf senaryosu.

Gecikme, yani bir isteğin gönderilmesiyle yanıtın alınması arasındaki süre, işletmeler için ikinci bir sorun oluşturuyor. Daha hızlı yanıtlar, hem tüketicilerin hem de iş kullanıcılarının deneyimini iyileştirebilir. İlk analiz, özellikle bir ürün ilk aşamadaki asgari uygulanabilir ürün olmaktan çıkıp binlerce aktif kullanıcıya hizmet veren bir yapıya dönüşürken, yanıt hızını kullanıcıların elde tutulması ve etkileşimle ilişkilendiriyor.

Kullanıcı sayısı yüzlerden binlere çıktıkça işlemlerin peş peşe ilerlemesinden kaynaklanan darboğazlar daha büyük bir sorun hâline gelebilir. Erken geliştirme aşamasında yeterli çalışan bir iş akışı, her görev gereksiz harici işlemeyi tetikliyorsa üretim ortamında zorlanabilir. Dolayısıyla verimlilik iyileştirmeleri, şirketlerin faturalarını denetlemesine olduğu kadar büyümeyi yönetmesine de yardımcı olabilir.

Ölçülü Davranış Eğitim Hedefini Nasıl Değiştiriyor?

Alibaba'nın yaklaşımı, dikkati ajanlara araçları nasıl kullanacaklarını öğretmekten, araçları ne zaman kullanmamaları gerektiğini öğretmeye kaydırıyor. Teknik yeterlilik önemini koruyor, ancak modelin harici bir eylemin yararlı bilgi sağlayıp sağlamayacağını da değerlendirmesi gerekiyor.

Eğitim verileri bu değişimde merkezi bir rol oynuyor. Kamuya açık derlemlerde gürültülü veya alışkanlığa dayalı tekrarlı araç kullanımı bulunabiliyor. Temel modelin yardımsız çözebildiği örnekleri çıkarmak ve gerekli olup olmadığını otomatik bir değerlendiriciye kontrol ettirmek, stratejik eylem öğrenmeye yönelik daha temiz bir örnek kümesi oluşturuyor.

Araştırma, bu yaklaşımı akıl yürütme ve eylemi bir araya getirip iki ayrı kanal üzerinden açıkça optimize etmeyen ReAct'ten ve operasyonel verimlilikten çok araç kullanımını öğrenmeye odaklanan Meta Toolformer'dan ayırıyor. HDPO, doğruluğu ve işlem verimliliğini farklı eğitim hedefleri olarak ele alıyor.

Örtük müfredat, mesleki eğitimdeki ilerleyişi andırıyor. Acemi biri önce mevcut kaynakları kullanarak işi doğru tamamlamayı öğrenir. Deneyim kazandıkça tanıdık görevlerde daha az dış yardıma ihtiyaç duyar; ancak alışılmadık veya zor durumlar yine de daha fazla araştırmayı gerektirir.

Metis'te bu ilerleyiş, ödüllerin işleyişine yerleştirilmiş durumda. Doğru yanıtlar verimliliğin öğrenilmesi için fırsat yaratıyor; yanlış yanıtlar ise verimlilik bonusu kazandırmıyor. Amaç, kaynakları koruma baskısının doğruluğu zayıflatabildiği eğitim yöntemlerine kıyasla daha az kırılgan bir davranış biçimi elde etmek.

Araştırma ekibi, gürültülü ve gereksiz isteklerden kaçınmanın akıl yürütmeyi de doğrudan desteklediğini savunuyor. Seçici eylem, modelin bağlamını gereksiz sonuçlarla doldurmak yerine ihtiyaç duyduğu kanıtlara odaklanmasını sağlayabilir.

Reklam

Açık Erişim ve Dağıtım Zorluğu

Alibaba, Metis'i ve HDPO eğitim kodunu esnek koşullar sunan Apache 2.0 lisansı altında yayımladı. Bu lisans, telif ücreti veya kısıtlayıcı erişim koşulları olmadan ticari kullanıma izin veriyor. Böylece girişimler tescilli bir hizmeti beklemeden veya yüksek erişim ücreti ödemeden teknolojiyi ürünlerine entegre edebiliyor.

Çalışma Nisan 2026'da yayımlandı. 2 Mayıs itibarıyla belgeler ve topluluk desteği henüz başlangıç aşamasındaydı; uygulama veya özelleştirme de önemli düzeyde teknik uzmanlık gerektiriyordu. Açık erişim kodu kullanıma sunuyor, ancak belirli bir ürüne uyarlamak için yine de mühendislik çalışması gerekiyor.

LangChain ve LlamaIndex benzer verimlilik iyileştirmelerini platformlarına eklemeyi sürdürüyor. Tescilli alternatifler ise farklı maliyet yapılarıyla yönetilen hizmetler sunuyor. Bu seçenekler, ajan ekosisteminin özellik biriktirmenin ötesine geçerek her görevin gerçekte ne kadar iş gerektirdiğine daha fazla odaklandığını gösteriyor.

Latin Amerika ve diğer gelişmekte olan ekonomiler, bu değişim için bir iş bağlamı sunuyor. Müşterilerin fiyata duyarlı olduğu pazarlarda gereksiz işlem maliyetleri kâr marjları üzerinde baskı oluşturabilir. İspanyolca konuşulan pazarlara hizmet veren geliştiriciler, yerel altyapı kısıtlarına ve fiyatlandırma ihtiyaçlarına uyarlanmış ürünler için fırsatlar bulabilir.

İlk analiz, HDPO gibi çerçevelerin yanında şirketlerin kullanabileceği akıllı önbellekleme, güven eşikleri ve stratejik model seçimine de dikkat çekiyor. Önbellekleme, uygun önceki sonuçların yeniden kullanılmasını sağlar; güven eşikleri ne zaman daha fazla yardıma ihtiyaç duyulduğunu belirlemeye yardımcı olur; model seçimi ise kullanılacak sistemi göreve göre belirler.

Aynı temel modellere erişimi olan şirketler, bu modelleri ne kadar verimli çalıştırdıkları bakımından yine de farklılaşabilir. Metis, ekonomik çalışmayı doğru yanıt vermeye bağlayarak bu farkı somutlaştırıyor. Temel ders şu: Bir ajanın yetenekleri, araçlara ne sıklıkta başvurduğuyla değil, ne zaman harekete geçeceğine dair seçici bir muhakeme geliştirmesiyle de ölçülür.

Öne Çıkanlar

  • Alibaba'nın Metis'i, Qwen3-VL-8B-Instruct temelinde geliştirildi ve 8 milyar parametreye sahip; Python, metin arama ve görsel arama araçlarını kullanabiliyor.
  • Araştırmada gereksiz araç çağrılarının yüzde 98'den yüzde 2'ye düştüğü, yani 96 yüzde puanlık azalma sağlandığı bildiriliyor.
  • HDPO, doğruluk ve verimlilik ödüllerini birbirinden ayırıyor; yanlış yanıtlar verimlilik ödülü almıyor.
  • Metis'in, görsel ve akıl yürütme ölçütlerinin tamamında 30 milyar parametreli Skywork-R1V4'ü geride bıraktığı bildiriliyor.
  • Eğitimde, gerekli araç kullanımını gösteren filtrelenmiş örnekler ile verimliliği kademeli olarak ödüllendiren pekiştirmeli öğrenme bir araya getirildi.
  • Olası 9.600 dolarlık tasarrufu örneklemek için aylık 10.000 dolarlık API bütçesi kullanıldı; gerçek tasarruf ürünün maliyetlerine ve kullanımına bağlı.
  • Metis ve HDPO kodu Apache 2.0 lisansı altında yayımlandı. Nisan 2026'daki yayının ardından, 2 Mayıs itibarıyla belgeler ve topluluk desteği gelişme aşamasındaydı.
Bu haberi paylaş

Bunlar da ilginizi çekebilir