Mio testlerde yapay zeka istek maliyetini %73,7-%97,5 düşürdü

SinapisAI Team, 20 Ekim'de yayımlanan bir arXiv ön baskısında Mio 1.0 Lite'ın dokuz kamuya açık kıyaslama testinde en yüksek puanı alan alternatiflere kıyasla istek başına maliyetleri %73,7-%97,5 oranında düşürdüğünü bildirdi.

SinapisAI Team tarafından hazırlanan 20 Ekim tarihli arXiv ön baskısı, sistemi maliyet ve kaynak kısıtları altında birden çok yapay zeka modelini koordine etmenin bir yolu olarak tanımlıyor; paylaşılan bir önbellek ise model dosyası erişimini 23,3 kata kadar hızlandırıyor.

Henüz hakem değerlendirmesinden geçmemiş olan makale, yazarların Kolektif Model Zekası olarak adlandırdığı yapı için üç bileşen sunuyor. Model Eval, sorgu düzeyinde performans tahminini alanlar arası tahminle birleştirerek kanıta dayalı yetenek profilleri oluşturuyor ve her modeli kapsamlı biçimde test etme ihtiyacını azaltıyor.

Models in One ifadesinin kısaltması olan Mio, birbirini tamamlayan model adaylarını düzenliyor ve gereksinimler değiştikçe göreve göre uyarlanan, maliyet bilincine sahip seçimi destekliyor. Model Serving OS ifadesinin kısaltması olan Mos ise model seçimini yürütmeden ayırıyor; uç nokta zamanlamasını, paylaşılan model dağıtımını ve dağıtımı yönetiyor.

Yazarlar, değerlendirme verileri sınırlı olduğunda deneylerin daha düşük yetenek tahmini hataları gösterdiğini belirtti. Ayrıca Mio 1.0 Lite'ın dokuz kamuya açık kıyaslama testinde karşılaştırılan yöntemler arasında en yüksek ortalama puana ve en düşük ortalama maliyete ulaştığını ifade ettiler.

Çalışma, yapay zekada giderek büyüyen operasyonel bir sorunu hedefliyor: Kuruluşlar birçok uzmanlaşmış modele erişebiliyor, ancak bunları birlikte kullanmak hangi modelin bir göreve uyduğunu, bunların nasıl birleştirileceğini ve sunum maliyetlerinin nasıl kontrol edileceğini bilmeyi gerektiriyor. Ön baskı, yalnızca daha fazla model eklemenin tek başına Kolektif Yapay Zeka oluşturmadığını savunuyor.

Sınırlar da açıkça görülüyor. Makale 35 sayfadan oluşuyor, 14 şekil ve sekiz tablo içeriyor.

Kaynak: ön baskı, arXiv cs.AI, 20 Ekim 2026.