Terimler

Fine-tuning

En son haberleri, açıklamaları ve bağlantılı teknoloji hikâyelerini takip edin.

Son haberler

CN
Arete-27B Modeli: Nous Research'ten Çin Yapay Zeka Modellerini Batı Değerlerine Yönlendirme Girişimi

Arete-27B Modeli: Nous Research'ten Çin Yapay Zeka Modellerini Batı Değerlerine Yönlendirme Girişimi

Nous Research, Çin menşeli Qwen3.8-27B modelinin değiştirilmiş bir versiyonu olan ve sınırlı ek eğitim yoluyla Çin hükümeti söylemine olan yanlılığı azaltmayı ve Batı değerlerini teşvik etmeyi amaçlayan Arete-27B modelini piyasaya sürdü.

CN
Pratik Yapay Zekâ Dilini Anlama Rehberi: Dil Modellerinden “Opak Çıkarıma”

Pratik Yapay Zekâ Dilini Anlama Rehberi: Dil Modellerinden “Opak Çıkarıma”

Bu içerik, yapay zekâ modellerini, yapılarını, eğitim ve çalıştırma yöntemlerini anlamak için temel hâle gelen geniş bir terim grubunu derleyip açıklıyor. Ayrıca ajanlar, MCP protokolü ve opak çıkarım gibi daha yeni kavramları ele alırken bunlarla ilişkili sınırlamaları ve riskleri de açıklıyor.

CN
Why Isn’t a Ready-Made Model Enough? A Practical Lesson in Fine-Tuning Object Detection Models on Real-World Data

Why Isn’t a Ready-Made Model Enough? A Practical Lesson in Fine-Tuning Object Detection Models on Real-World Data

Through an experiment involving YOLO12, YOLO26, and RF-DETR, JetBrains shows that models pretrained on COCO can approach zero when transferred directly to specialized domains, while fine-tuning improves results to varying degrees. The experiment reveals that the similarity between the target domain and the training data, along with localization accuracy and inference time, matters more than relying on a model’s classification as the newest or best.

CN
Neden “Japon Yapay Zekâsı” İfadesi Tek Başına Yeterli Değil? Sakura ve Sakana AI Egemenlik İçin Pratik Bir Yaklaşım Öneriyor

Neden “Japon Yapay Zekâsı” İfadesi Tek Başına Yeterli Değil? Sakura ve Sakana AI Egemenlik İçin Pratik Bir Yaklaşım Öneriyor

Sakura Internet ve Sakana AI ile yapılan röportajlar, tamamen yerel bir yapay zekâ ekosistemi kurmanın mümkün veya rasyonel olmadığını ve pratik çözümün veriler, işletim ve modeller üzerindeki kontrolü sağlamakla birlikte bağımlılık kaynaklarını çeşitlendirmek olduğunu ortaya koyuyor. Bu yaklaşım, yabancı modelleri yerel bir altyapı içinde çalıştırmayı veya Japonya’nın gereksinimlerini karşılamak üzere açık modelleri sonradan eğitim yoluyla uyarlamayı içeriyor.