Küçük yapay zeka modeli Sudoku çözümünde dev rakibini geçti.

Carnegie Mellon Üniversitesi araştırmacıları, mimari tasarımı ölçek boyutunun önüne çıkaran yeni bir yöntem geliştirdi. Hazırlanan çalışmada, yalnızca 600 milyon parametreye sahip özel olarak eğitilmiş Qwen3-0.6B modeli, zorlu 25x25 Sudoku bulmacalarının %72'sini çözmeyi başardı.

Araştırmacı Junfan Zhu'nun COLM 2026 konferansı özeti kapsamında paylaştığı verilere göre, aynı testte herhangi bir ek araç kullanmayan dev boyutlu GPT-5 Pro modeli %20 başarı oranında kaldı. Bu tablo, akıl yürütme gerektiren spesifik görevlerde model büyüklüğünden ziyade sistem mimarisinin ne kadar belirleyici olduğunu ortaya koyuyor.

Modüller Arası İletişim Mimarisi Nasıl Çalışıyor?

Sistemin temelinde "mesaj iletimi" (message passing) adı verilen bir mantık yatıyor. Süreçte tek bir büyük model yerine, belirli alt sorunlara odaklanan bağımsız dil modeli süreçleri devreye giriyor. Bu modüller yalnızca kendi komşularıyla metin tabanlı bilgi alışverişinde bulunuyor.

Zorlu Sudoku senaryosunda 25x25 boyutundaki 625 hücrenin her biri için ayrı bir sanal temsilci görevlendirildi. İlgili temsilciler, satır, sütun ve kutu hizasındaki 64 komşu hücreyle sürekli iletişim kurarak çözüme ulaştı. Tasarımcılar, iletişim protokolünün kodlanmadığını, model tarafından öğrenildiğini vurguluyor.

Yöntemin sunduğu en kritik avantaj işlem verimliliği tarafında öne çıkıyor. Klasik sıralı veya parçala-birleştir yöntemlerinde veri girdisi ihtiyacı hücre sayısıyla katlanarak artarken, mesaj iletimli yaklaşım veri büyümesini neredeyse doğrusal bir seviyede tutmayı başarıyor.

Yapay Zekada Performans Ve Maliyet Dengesi

Konferansta sergilenen diğer çalışmalar da büyük modeller yerine verimlilik odaklı çözümlere işaret etti. Örneğin SuperCoder adı verilen bir sistem, Qwen2.5-Coder-7B modelinin kod doğruluk oranını %61,4 seviyesinden %95'e çıkardı. Bu oran, sıfır ön bilgiyle çalışan Claude Opus 4 modelinin elde ettiği %51,5'lik skoru belirgin biçimde geride bıraktı.

HyperThink projesi ise model parametrelerinin sadece %0,015'lik kısmını soruya özel güncelleyerek işlem maliyetlerini düşürdü. Bir diğer çalışma olan ORCA da mantıksal çıkarım adımlarını %47,5 oranında azaltarak kaynak tasarrufu sağladı.

Mevcut Sınırlar Ve Belirsizlikler

Elde edilen sonuçlar heyecan verici görünse de bazı kısıtlamaları barındırıyor. Paylaşılan veriler doğrudan hakemli tam makalelerden değil, konferans sunumlarını özetleyen sosyal medya aktarımlarından derlendi. Ayrıca dev modellere uygulanan testlerin sınırlı sayıda bulmaca örneği üzerinden yürütüldüğü ifade ediliyor.

Teknik tarafta ise ilk komut maliyetinin hesaplamalara tam yansıtılmaması ve yerel işlem koşullarına dair varsayımlar dikkat çekiyor. Bu nedenle uzmanlar, çalışmayı ticari bir üründen ziyade geleceğin yapay zeka mimarilerine dair önemli bir araştırma sinyali olarak değerlendiriyor.