İçeriğe geç
Pazar, 15 Kasım 2026Yapay zekâ · sade Türkçe · denenmiş@yapaytu
YAPAYTU

METR: Anthropic'te araştırma hızı yaklaşık iki katına çıktı

METR, Anthropic'in model geliştirme hızının yaklaşık ikiye katlandığını tahmin ediyor. Rapor, yapay zekânın katkısını ve açıklanmayan kanıtları ele alıyor.

Yapay TU Editör · 4 dk okuma
Anthropic'te araştırma hızlanıyor
Kısa cevap

METR, 5 Kasım 2026 tarihli raporunda Anthropic'in belirli görevlerde model yeteneklerini geliştirme hızının yaklaşık ikiye katlandığını tahmin etti. Araştırmacılar hızlanmanın büyük bölümünü yapay zekâ kullanımına bağlıyor; ancak tahminde ciddi belirsizlik ve kamuya açıklanmayan kanıtlar var.

METR, 5 Kasım'da yayımladığı raporda Anthropic'in model yeteneklerini geliştirme hızının yaklaşık ikiye katlandığını tahmin etti. Araştırmacılara göre Ekim 2026'daki hızlanmanın büyük bölümü, şirketin araştırma ve geliştirme işlerinde yapay zekâ kullanmasından kaynaklanıyor. Ancak rapor hem bu yorumun belirsizliğini hem de dayanakların önemli bölümünün kamuya açıklanmadığını belirtiyor. Bulgular, kullandığın Claude sürümünün her işte iki kat daha iyi olduğu anlamına gelmiyor.

METR neyi ölçtü?

METR, 5 Kasım tarihli raporuna göre, 12 Ağustos ile 29 Ekim 2026 arasında Anthropic'in kurum içi araştırma verilerini ve çalışan görüşmelerini inceledi. On bir haftalık değerlendirme, yapay zekânın yeni yapay zekâ modellerinin geliştirilmesini ne ölçüde hızlandırdığını anlamayı amaçlıyordu.

Ölçümlerden biri AECI adlı yetenek endeksine dayanıyor. AECI, farklı sınama görevlerindeki model sonuçlarını bir araya getiren ve Anthropic'in kullandığı bir gösterge. METR, Ekim 2025 sonrasındaki puan artış hızını önceki dönemle karşılaştırınca 1,9 katlık hızlanma hesapladı. Bu hesabın yüzde 95 güven aralığı 1,5 ile 2,8 kat arasında.

Rapordaki iki kat ifadesi, geçmişte iki yılda sağlanan ilerlemenin yaklaşık bir yılda sağlanması demek. Tek bir modelin cevap verme süresini veya bir çalışanın günlük çıktısını ölçmüyor. Üstelik araştırmacıların genel değerlendirmesi, sonucu açık biçimde ölçülebilen görevlerle sınırlı. Bu artışın, başarısı kolayca puanlanamayan işlere ne ölçüde yansıdığı bilinmiyor.

Analize henüz yayımlanmamış modellerin sonuçları da dahil edildi. Dolayısıyla bu tabloyu, bugün hesabında gördüğün ürün seçeneklerinin doğrudan karşılaştırması olarak kullanamazsın. Araştırmacılar ayrıca farklı hesaplama tercihlerinin hızlanma tahminini değiştirebildiğini gösteriyor.

Hızlanmanın ne kadarı yapay zekâdan geliyor?

METR, Ekim 2026'daki hızlanmanın çoğunu yapay zekâ kullanımına bağlıyor; bu ilişkiyi kesin bir deney sonucu olarak sunmuyor. Ekip, model eğitimi için kullanılan hesaplama gücünün büyüme hızındaki artışın sonucu açıklamadığına ikna olduğunu belirtiyor. İşe alım ve algoritmik gelişmeler gibi başka etkenleri de değerlendirmiş durumda.

Çalışan görüşmeleri, araştırmanın yaklaşık iki kat hızlandığı yorumuyla uyumlu. Slack üzerinden yapılan anketlerde ise çalışanların kendi işleri için bildirdiği verimlilik artışı ekim ayında 12 kata ulaşıyor. METR, bu anketlerin üzerinde fazla düşünülmeden verilmiş yanıtlara dayanabileceğini söyleyerek veriyi zayıf kanıt olarak nitelendiriyor.

Bu iki sayı farklı soruları yanıtlıyor. Bir araştırmacının belirli bir işi daha kısa sürede yapmasıyla şirketin model yeteneklerini geliştirme hızının artması arasında doğrudan bir eşitlik yok. Raporda bireysel verimlilik tahminlerinin genel hızlanma oranı olarak okunmaması özellikle isteniyor.

METR'ye aktarılanlara göre yapay zekâ, ağırlıkla insan araştırmacılara yardımcı olarak katkı sağlıyor. METR, tamamen bağımsız katkıların ileride büyüyebileceğine ilişkin işaretler gördüğünü söylüyor; bunun ne zaman gerçekleşeceğini kesinleştirmiyor.

Kamuya açık raporun sınırları neler?

Anthropic, kamuya açık olmayan bilgileri rapordan çıkarma hakkını kullandı ve METR'nin en açıklayıcı bulduğu kanıtların çoğu yayımlanmadı. Şirketin bildirdiği gerekçe, başka yapay zekâ geliştiricilerini hızlandırabilecek gizli bilgileri korumak. METR, çıkarılan bilgilerin çoğunun genel düzeyde olduğunu da kaydediyor.

Bu durum, dışarıdan bir okurun sonuca hangi hesaplarla ulaşıldığını bütünüyle denetlemesini zorlaştırıyor. METR genel sonuçlarını paylaşabiliyor, fakat bu sonuçlara dayanak olan bazı verileri okurun kendisi inceleyemiyor. Açıklanmayan kanıtların bir kısmı da birden fazla yoruma açık.

Erişim de sınırsız değildi. Anthropic veri taleplerini kabul veya reddedebiliyordu; METR bu çalışma kapsamında yayımlanmamış modelleri doğrudan kullanma erişimi istemedi ve almadı. Başlangıçta düşünülen, hesaplama kaynaklarının güvenlik ile model yeteneklerini geliştirme arasındaki dağılımını doğrulama işi de şirketin kapsam değişikliğiyle çıkarıldı.

Bu inceleme, METR'nin daha önce yaptığı OpenAI ajan izleme denetiminden ayrı bir çalışma. Buradaki soru, araştırmanın ne kadar hızlandığı. Sonuçlar Anthropic'in bütün güvenlik önlemlerinin bağımsız olarak doğrulandığı şeklinde okunmamalı.

Bizim yorumumuz: kendi işindeki süreyi ölç

Bizce Türkiye'deki bir geliştirici, yapay zekânın kazandırdığı zamanı hesaplarken kontrol ve düzeltme sürelerini de ölçmeli. Kodun ilk sürümünü hazırlamak hızlanabilir; teslim edilebilir bir sonuca ulaşmak için harcadığın kontrol süresini de hesaba katmalısın. Anthropic çalışanlarının beyanlarını kendi ekibine hedef diye koymak için bu rapor yeterli dayanak sunmuyor.

Bir sonraki işinde başlangıç ve bitiş saatinin yanında düzeltme süresini de kaydetmeni öneririz. Örneğin bir uygulamanın hata düzeltmesini ajana verdiğinde, testleri kontrol etmeye ayırdığın süreyi toplamdan çıkarma. Aynı tür işlerin kayıtlarını biriktirmek, hangi görevleri devredebileceğine karar verirken daha somut bir karşılaştırma sağlar. Yapay zekâ ajanının nasıl çalıştığını öğrenirken de bu ayrımı korumak işe yarar.

Küçük bir ekibin kullanabileceği kayıt şablonu şöyle olabilir; bu bizim önerimiz, araştırmada sınanmış bir yöntem değil:

text
Görev:
Kullanılan model ve tarih:
İlk çalışır sonuca kadar geçen süre:
İnsan kontrolü ve düzeltme süresi:
Teslim koşullarını karşılamayan noktalar:

Türkiye'den erişim veya Türkçe görevlerde benzer bir hızlanma elde edilip edilmediği bu raporda açıklanmadı. İç modellerin sonuçlarını Türkçe müşteri işleri için verilmiş bir performans sözü saymamak gerekir. Kendi işlerinden toplayacağın süre kayıtları, mevcut aracın hangi görevlerde zaman kazandırdığını değerlendirmene yardımcı olabilir.

İlk ölçüm için tamamlanma koşulları belli olan bir görev seç. Sonuç dosyasını teslim etmeden önce bu koşullarla karşılaştır ve harcadığın toplam süreyi kayda ekle.

Bu yazı sponsorlu değildir.

Sık sorulanlar

Anthropic yapay zekâyla model geliştirmeyi ne kadar hızlandırdı?

METR'nin değerlendirmesi, Ekim 2026 itibarıyla belirli görevlerdeki yetenek artış hızının geçmiş dönemin yaklaşık iki katına ulaştığı yönünde. Araştırmacılar hızlanmanın büyük bölümünü yapay zekâ kullanımına bağlıyor, ancak kesin bir nedensellik ölçümü sunmuyor.

Rapordaki 12 kat verimlilik ne anlama geliyor?

Bu sayı, Anthropic çalışanlarının Slack anketlerindeki kendi verimlilik tahminlerinden geliyor. METR, yanıtları zayıf kanıt olarak değerlendiriyor; sayı şirketin toplam araştırma hızının 12 kat arttığını göstermiyor.

Anthropic'in araştırmasını artık tamamen yapay zekâ mı yapıyor?

Hayır. METR'ye göre hızlanma ağırlıkla araştırmacıların yapay zekâdan yardım almasıyla gerçekleşiyor. Model eğitiminin en önemli bölümlerinde büyük katkıların tamamen bağımsız biçimde üretildiği sonucuna varılmıyor.

#anthropic#metr#claude#arastirma
E-bülten

Haftada bir e-posta. Sadece işe yarayanlar.

Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.

Adresine bir onay e-postası gelir. Aydınlatma metni
Sıradaki yazı Claude 25 açık kaynak projede gereksiz açık kodu aradı: 493 sorun

Videolarda bu konuTümü

Bunları da okuyun