Bir yapay zeka, görseli tek harfle tanımlayabilir mi?
Orijinal başlık: A single function Jev-like wrapper for LLMs, including vision models
KISACA
- Tek cümlede
- Bir geliştirici, LLM ve görüntü modelleri için tek harf cevaplar üreten bir sarmalayıcı oluşturdu.
- Bulgu
- RTX 3090'da Gemma 4 12B ile saniyede 1 kare işleyip güven skoru veriyor.
- Neden önemli?
- Özel görsel model eğitmeden, kişi var mı, ortam aydınlık mı gibi sorular metinle sorulabiliyor.
Ne oldu?
Bir geliştirici, büyük dil modellerinden ve görüntü (vision) modellerinden uzun serbest metin yerine net, ölçülebilir cevaplar almak için "Jev benzeri" bir sarmalayıcı (wrapper) paylaştı. Araç, modelin cevabını tek bir harfe zorlayıp o harfin ve alternatif seçeneklerin log-olasılıklarını okuyarak evet/hayır, çoktan seçmeli ya da sıralı puanlama tarzı sorularda güven skorları çıkarabiliyor. Görsel girdiler base64 JPEG olarak kodlanıp metinle birlikte modele veriliyor; RTX 3090 üzerinde Gemma 4 12B ile saniyede yaklaşık 1 kare, OpenAI'nin gpt-6-luna modeliyle ise saniyede yaklaşık 0,2 kare işleme hızına ulaşılıyor. Bu sayede kişi var mı, mekan iç mi dış mı, ortam aydınlık mı gibi koşullar özel bir görü modeli eğitmeden, düz metinle tarif edilerek gerçek zamanlı sorgulanabiliyor.
Görsel analiz artık yanıt uzunluğuyla değil, nasıl sorulduğuyla sınırlı.
Aynı haberin kısa dikey video özeti.
Bu notu kaynak göstererek alıntılayabilirsin: Hasan Amanet, “Bir yapay zeka, görseli tek harfle tanımlayabilir mi?”, Notes for Data Science, 27 Eylül 2026.