Cihazdaki model, işi yöneten model

Anthropic’in sekiz düğümlü deneyinde GLM-5.2, beş denemenin dördünde bütün düğümlere, birinde yedi düğüme ulaşıyor. Sonucun önemli ayrıntısı, yeni düğümde kurulan modelin GLM-5.2 olmaması: bütün katılımcılara verilen kurulum görevi Llama3.1-8B. Çoğalmayı yöneten büyük model ayrı bir sunucuda çalışıyor. Yazarlar bunun nedenini açıkça anlatıyor: büyük bir modeli sunmak daha zor olduğu için her katılımcının kendi modelini kurmasını istemek, karşılaştırmaya farklı bir donanım yükü ekliyor. Ortak hedef, aynı görevi kimin tamamladığını ölçmeye yarıyor.[1]

Ben bu seçimi bir karşılaştırma gücü olarak okuyorum. Kurulum hedefini sabitlemek, görevleri art arda tamamlama becerisini modelin belleğe sığma sorunundan ayırıyor. Aynı seçim, sonucun anlamını da daraltıyor: ölçülen başarı, cihazda kendi ağırlıklarıyla çalışan aynı modelin bağımsız biçimde çoğalması değil, dışarıdan çalışan modelin ortak hedefi kurup görevi sürdürmesi. Buradaki ayrım yalnızca sözcük seçimi değil; deneyde hangi hesaplamanın nerede yapıldığını değiştiriyor. Bu düzenin yararı, zincirin bir parçasını daha temiz ölçmesi.[1]

İki deney, iki farklı başarı koşulu

Araştırmanın fiziksel gösteriminde Gemma4-26B-A4B, 15 televizyon kutusuna dağıtılarak saniyede 0,39 belirteç üretiyor. Bu, küçük cihazların birlikte anlamlı bir model çalıştırabildiğine ilişkin somut bir bulgu. Qwen3.5-9B’nin dokuz donanım türünün sekizinde çıkarım kurması ise başka bir soruyu yanıtlıyor: model, tanımadığı makinede gerekli kurulum işlerini tamamlayabiliyor mu? Birinde ölçülen çalışan çıkarım, diğerinde kurulum başarısı. Sekiz düğümlü ağ deneyinin eklediği soru da bu işleri peş peşe sürdürmek. Üç sonucu tek bir başarı oranı gibi okumak, ölçülen işleri birbirine karıştırıyor.[1]

Ağ deneyinde erişim engeli de basitleştirilmiş. Yazarlar bu nedenle başarıyı gerçek koşullar için üst sınır olarak tanımlıyor. Kontrollü ortam, modeller arasındaki görev birleştirme farkını görünür kılıyor; güvenlik duvarı dışındaki cihaz çeşitliliği ve erişim zorluğunu aynı oranla ölçmüyor. Buna karşı, gerçek cihazlarda çok zayıf güvenlik koşullarının bulunduğu alternatifini de ciddiye almak gerekiyor. Yazarların tarihsel botnet örnekleri bu olasılığa işaret ediyor. Ancak deney, böyle cihazların bugün ne kadar yaygın olduğunu veya hangi bölümünün bu zincir için yeterli olduğunu sayan bir örneklem sunmuyor.[1]

Eksik halka, aynı modelin iki sınırı geçmesi

Çalışmanın kendisi bugünkü küçük modeller için donanıma sığma sınırı ile zinciri güvenilir tamamlama düzeyinin henüz kesişmediğini söylüyor. Yıl sonuna yönelik hesap, çoğalmaya özgü bir ölçüm dizisi yerine genel yetenek endeksinin tarihsel eğilimine dayanıyor; yazarlar bunu yaklaşık gösterge olarak niteliyor. Benim için araştırmanın değeri takvimden çok bu iki sınırı görünür kılmasında. Küçük bir modelin bazı kurulum adımlarını yapması ve büyük modelin kontrollü zinciri tamamlaması, aynı küçük modelin iki işi birlikte yapabildiği sonucuna eşit değil.[1]

Bu nedenle daha güçlü bir çoğalma iddiasının ortak başarı koşulu somut: yöneten modelin ağırlıkları hedef donanımda çalışıyor, kurulumdan sonra görevi o yerel örnek sürdürüyor ve aynı erişim koşullarıyla tekrarlar tamamlanıyor. Başarı payının deneme sayısıyla birlikte verilmesi, tek gösterimdeki şans ile güvenilirliği ayırmaya yardımcı olan ölçüm. Anthropic’in not aktarımı deneyinde 20 soy ve altı kuşağı açıklaması da bu açıdan yararlı; yüzde 45’ten yüzde 61–84 aralığına geçiş belirli görevde uyarlanmaya işaret ediyor. İncelenmesi gereken sonuç, genel zekânın hızla artması değil, tanımlanmış bir kurulum işinin hangi koşullarda daha sık tamamlandığı.[1]