18 Ekim 2026 PazarSayı № 291
III BenchmarkBağımsız Basın

Google Gemini 4 Argon ajanları Minecraft'ta Ender Dragon'u tek başına yendi

Google DeepMind ekibi, Gemini 4 Argon tabanlı dört bağımsız AI ajanını rastgele bir Minecraft dünyasına bırakarak, insan müdahalesi olmadan Ender Dragon'u alt etti. Ajanlar görev dağılımını kendi başlarına yapıp, ortak bir hafıza üzerinden tehlikeleri bildirdi ve hatalarını kaydetti.

The Decoder kaynağından derlendi · · 1 dk okuma

Orijinal haber ↗
Görsel: The Decoder

Özetle

  1. 1

    Dört Gemini 4 Argon ajanı, insan müdahalesi olmadan Ender Dragon'u yenerek tam otonom bir oyun başarısı gösterdi.

  2. 2

    Ajanlar görev dağılımını, tehlike uyarılarını ve hata kaydını ortak bir hafıza üzerinden kendi başlarına yönetti.

  3. 3

    27 saat 14 dakikalık oturumda 2.783 JavaScript programı yazıldı, 229 sohbet mesajı alışverişi yapıldı ve 605 ölüm gerçekleşti.

  4. 4

    Deneyin maliyeti 1.620 USD olarak belirlendi; bu, büyük dil modellerinin maliyet etkinliğini de gözler önüne seriyor.

Google DeepMind araştırmacıları, dört Gemini 4 Argon ajanını tamamen otonom bir Minecraft oturumuna yerleştirdi. Ajanlara önceden belirlenmiş bir rol, strateji ya da oyun içi araç verilmedi; bunun yerine, ortamı keşfetmeleri, kaynak toplama, düşmanları savuşturma ve nihai hedef olan Ender Dragon'u yenme sorumluluğu kendilerine bırakıldı.

Oyun süresince ajanlar görevlerini kendi aralarında bölüştürerek, birbirlerini tehditler konusunda uyarıp, ölen takım arkadaşlarından eşyaları geri topladılar ve hatalarını ortak bir hafıza sistemine kaydettiler. Toplam 27 saat 14 dakika süren oturumda, 2.783 JavaScript programı yazdılar, 229 sohbet mesajı alışverişinde bulundular ve 605 kez öldüler.

Bu deney, sadece bir video oyunu kazanımından çok daha fazlasını gösteriyor: Çoklu AI ajanlarının koordineli, kendini yöneten ve hatalarından öğrenen bir sistem oluşturulabildiğini kanıtladı. Oturumun toplam maliyeti, 2027 itibarıyla geçerli olan Gemini 4 Argon fiyatlandırmasıyla 1.620 ABD doları olarak rapor edildi.

Minecraft, son yıllarda özel olarak eğitilmiş oyun AI'ları yerine, genel amaçlı büyük dil modelleri ve ajan tabanlı sistemlerin başarıyla uygulanabildiği bir örnek haline geldi. Bu gelişme, gelecekte daha karmaşık sanal ve gerçek dünya görevlerinde benzer çok ajanlı yaklaşımların kullanılabileceğine işaret ediyor.

Yöney yorumu

Bu başarı, çoklu AI ajanlarının kendi aralarında rol ve strateji belirleyerek karmaşık görevleri tamamlayabileceğini gösteriyor; geliştiriciler bu yaklaşımı daha geniş uygulama alanlarına taşıyabilir, kullanıcılar ise daha akıllı ve bağımsız sistemlerle etkileşime girebilir.

Yapay zekâ tarafından üretilmiştir.
Devamı kaynakta

Bu haber The Decoder kaynağından derlenip Türkçeye aktarıldı. Ayrıntılar ve orijinal metin için oka tıklayın.

III

Aynı bölümden

Tümü →
III Benchmark

AI ajanlarının uzun vadeli kararları kötü; yeni Taste-Bench benchmarkı bunu ortaya koydu

Araştırmacılar, AI ajanlarının uzun vadeli karar verme yeteneklerini ölçmek için Taste-Bench adlı yeni bir benchmark geliştirdi. 502 ikili soru üzerinden yapılan testlerde en iyi model bile %60 civarında bir başarı gösterdi. Bu sonuç, mevcut modellerin uzun vadeli planlama konusunda ciddi eksiklikleri olduğunu gösteriyor.

Özetle 3 madde
  1. Taste-Bench, AI ajanlarının uzun vadeli karar kalitesini ölçen ilk benchmark olarak ortaya çıktı.
  2. En iyi model bile (%59.7) sadece ikili sorularda şanstan biraz daha iyi bir performans gösterdi.
  3. Karar çatalındaki ipuçlarının ortaya çıkma zamanına göre model doğruluğu %62.3'ten %21'e düşebiliyor.

The Decoder3 skor

III Benchmark

Qwen 3.8 Flash Next, 5 cihazda dağıtık çalıştırma ile 60k bağlamda 37‑39 tok/s yazma hızı

Qwen 3.8 Flash Next modeli, beş farklı cihazın (iki oyun PC'si, bir M4 Pro MacBook ve iki iPhone 17 Pro Max) bir araya getirilerek pipelined speculation tekniğiyle çalıştırıldı. 60 000 token bağlamında 37‑39 token/s yazma ve 856‑895 token/s okuma performansı elde edildi. Bu sonuç, büyük MoE modellerinin ev ortamı donanımlarıyla uzun bağlamlarda bile akıcı bir şekilde kullanılabileceğini gösteriyor.

Özetle 3 madde
  1. Qwen 3.8 Flash Next, 48 katman ve katman başına 512 uzman içeren büyük bir MoE modelidir.
  2. Model, iki oyun PC'si, bir M4 Pro MacBook ve iki iPhone 17 Pro Max cihazı arasında katman bazlı dağıtılarak çalıştırıldı.
  3. 60 k bağlamda 37‑39 token/s yazma ve 856‑895 token/s okuma hızları elde edildi; 16 k bağlamda ise 42 token/s yazma sağlandı.

Reddit LocalLLaMA3 skor

III Benchmark

Qwen Flash Next Quant ve Sıcaklık Karşılaştırması: Performans, Süre ve Kalite Analizi

Reddit topluluğundan bir kullanıcı, Qwen Flash Next modelinin üç farklı kuantizasyon seviyesini (q3_xxs, q3_s, q4_xs) iki sıcaklık ayarıyla (temp 1 ve temp 0) test ederek görev süresi, token tüketimi ve kalite açısından karşılaştırdı. Sonuçlar, daha yüksek kuantizasyonun toplam token sayısını ve görev süresini azalttığını, ancak decode hızı farkının performansa etkisinin sınırlı olduğunu gösterdi.

Özetle 3 madde
  1. Yüksek kuantizasyon (q4_xs) daha az token tüketerek toplam görev süresini kısaltıyor, decode hızı farkı performansı etkilemiyor.
  2. Temp 0 ayarı, görev süresi ve token sayısında daha düşük varyans sağlasa da kalite üzerinde belirgin bir iyileşme göstermedi.
  3. Donanımın izin verdiği en yüksek kuantizasyon seviyesini seçmek, özellikle Windows ortamında SSD önbelleği gerektirmeyen q3_s modeliyle en verimli sonuçları veriyor.

Reddit LocalLLaMA