Daha ucuz modeller erişimi genişletiyor, son metreyi kaldırmıyor
Fiyat indirimleri, robot planlama arayüzü ve birleşik matematik kütüphanesi, yapay zekâ kapasitesini ucuzlatırken fiziksel denetim ile çekirdek optimizasyonunu ayrı darboğazlar olarak bırakıyor.
Yapay Zekâ··Sabah
Robot planlayıcı doğrudan motor sürmüyor
Google DeepMind, Gemini Robotics ER 2'yi Gemini API ve Google AI Studio üzerinden geliştiricilere açtı. Model video akışından ilerlemeyi izliyor, çok adımlı görev planlıyor ve birden çok robotu koordine ediyor; düşük düzeyli denetimi ise görsel-dil-eylem modelleri ile arayüzlere bırakıyor. Google'ın kendi ölçümünde ilerleme sınıflandırma doğruluğu %57,4, kritik anı bulma doğruluğu %91,3; bağımsız doğrulama sunulmadı. ER 2 ayrıca göstergeleri, cetvelleri ve termometreleri okuyabiliyor; video üzerinden başarısızlığı fark edip planını düzeltebiliyor. Ancak bu üst katman becerileri, robot kolunun kuvvet sınırları, çevresindeki insanları algılama ve acil duruş gibi alt katmanların yerini almıyor. Bir API çağrısının fiziksel işi tamamlaması için planın güvenli bir denetleyiciye çevrilmesi ve gerçek ortamda yeniden doğrulanması gerekiyor. Geliştirici erişimi ile üretim erişimi de aynı değil: genel API ve stüdyo denemesi kullanılabilirken kurumsal ajan platformundaki dağıtım özel önizlemede. Böylece modelin açık olması, bütün güvenlik, kimlik ve filo yönetimi katmanlarının hazır olduğu anlamına gelmiyor.[1]
Token fiyatı sert biçimde düştü
OpenAI, GPT-5.6 Luna'nın giriş ve çıkış fiyatlarını %80 indirerek milyon token başına sırasıyla $0,20 ve $1,20 düzeyine çekti. Terra'nın iki fiyatı %20 inerken Sol değişmedi. Şirket indirimi model, çıkarım altyapısı, üretim yazılımı ve bağlam yönetimindeki verimlilikle ilişkilendiriyor; oranlar şirket açıklaması ve onu doğrulayan haber kaynaklarından geliyor, bağımsız maliyet ölçümü değil. Fiyat indirimi kullanım başına bütçeyi doğrudan değiştiriyor, fakat toplam sistem maliyeti yalnız token tarifesinden oluşmuyor. Uzun bağlam, yeniden deneme, araç çağrısı, güvenlik filtresi ve gecikme hedefi aynı işin ne kadar hesaplama tüketeceğini belirliyor. Sol'un fiyatının değişmemesi de ailenin bütün yetenek basamaklarında aynı verimlilik kazancının ya da aynı ticari kararın uygulanmadığını gösteriyor. Birim fiyat düşüşü özellikle çok sayıda kısa çağrı yapan ürünlerin eşiğini değiştirir; uzun ve araçlı iş akışlarında ise toplam fatura çağrı sayısıyla yeniden büyür. Fiyat tablosu bu yüzden mimari seçim için başlangıç verisi, bütün sahip olma maliyetinin kendisi değil.[2]
Ucuz erişim çekirdek işi ortadan kaldırmıyor
NVIDIA'nın genel kullanıma çıkan nvmath-python 1.0 paketi, CUDA-X ve NVPL matematik kütüphanelerini tek Python arayüzünde topluyor. Durumlu API'ler planlama maliyetini tekrar kullanılan çağrılara yayıyor; şirket belirli bir RTX A6000 düzeninde otomatik ayarlamayla %256 artış bildiriyor. Robot katmanı, token fiyatı ve matematik çekirdeği birlikte kapasitenin yayılabileceğini, fakat sonucun hâlâ arayüz ve uygulama mühendisliğine bağlı olduğunu gösteriyor. nvmath-python, yoğun hesaplamayı daha erişilebilir bir dil katmanına taşısa da bildirilen hızlanma belirli donanım ve problem biçimine ait. Seyrek tensör desteği, durumlu çağrılar ve özel çekirdek birleştirme farklı iş yüklerinde farklı kazanç verir. Geniş erişimin gerçek değeri bu nedenle üç ayrı hesabı gerektiriyor: model çağrısının fiyatı, sayısal işlemin donanıma uyumu ve sonucu fiziksel ya da yazılımsal sürece bağlayan mühendislik. Şirket karşılaştırmaları da aynı donanım ve yazılım tabanında yapılmadıkça genellenemez. Bir kütüphanenin tek arayüz sunması taşınabilirliği artırabilir, ancak bellek düzeni, veri aktarımı ve çekirdek seçimi hâlâ performansı belirler. Erişim genişlerken uzmanlık tamamen kaybolmuyor; daha aşağı bir katmana taşınıyor.[3], [1], [2]
