Tether AI Research, bilim, teknoloji, mühendislik ve matematik alanlarında daha yetkin küçük yapay zeka modelleri geliştirmek amacıyla hazırladığı QVAC Genesis III veri setini yayımladı. Toplam 159,6 milyon doküman ve 191,43 milyar token içeren sentetik veri seti, daha küçük modellerin daha az işlem gücüyle çalışmasını ve yapay zekanın telefon, bilgisayar ve yerel sunucular üzerinde kullanılmasını desteklemeyi hedefliyor.
QVAC Genesis I ve II’nin devamı niteliğindeki Genesis III, özellikle STEM alanlarında akıl yürütme performansını geliştirmeye odaklanıyor. Tether’ın açıkladığı sonuçlara göre veri setiyle eğitilen modeller, farklı bilim ve STEM testlerinde açık kaynaklı referans modellerin üzerinde sonuçlar verdi.
QVAC Genesis III araştırması ayrıca COLM 2026’da sunulmak üzere kabul edildi.
191,43 Milyar Tokenlık Veri Seti
Genesis III, 19 farklı STEM alanını kapsayan sentetik eğitim verilerinden oluşuyor.
Tether AI Research, veri setini yalnız modelin doğru cevabı bulmasına odaklanan klasik eğitim yaklaşımından farklı biçimde tasarladığını belirtiyor.
Amaç, modelin doğru cevabın neden doğru olduğunu, yanlış bir akıl yürütmenin nerede hata yaptığını ve bu hatanın nasıl düzeltilebileceğini öğrenmesini sağlamak.
Bu yaklaşım iki temel yöntem üzerinden uygulanıyor.
Failure Analysis, modelin yaptığı hataları analiz ederek yanlış akıl yürütmenin nedenini ve doğru çözüm yolunu öğretmeye odaklanıyor.
Option-Level Reasoning ise doğru seçeneğin neden doğru olduğunu ve diğer seçeneklerin neden elendiğini modele açıklayan veri yapısı sunuyor.
Bu yöntemlerin, özellikle daha küçük modellerde açıklanabilir akıl yürütme performansını artırması hedefleniyor.
Küçük Modeller Yerel Cihazlarda Çalışabilecek
Genesis III’ün önemli hedeflerinden biri daha küçük yapay zeka modellerinin performansını artırmak.
Büyük modeller yüksek işlem gücü ve bulut altyapısı gerektirebilirken daha küçük modeller doğrudan telefon, bilgisayar veya yerel sunucularda çalıştırılabiliyor.
Bu yapı, hassas verilerin sürekli harici sunuculara gönderilmesini gerektirmeyen uygulamaların geliştirilmesine imkan sağlayabilir.
Araştırmacılar ve profesyoneller açısından yerel çalışan teknik asistanlar, özellikle özel bilgi ve verilerin cihaz dışına çıkarılmasının istenmediği kullanım alanlarında önem taşıyor.
Eğitim tarafında ise fizik problemlerini çözebilen, hataları açıklayabilen ve akıl yürütme sürecini analiz edebilen AI öğretmenlerinin geliştirilmesi hedefleniyor.
Yerel çalışma yeteneği, bu tür sistemlerin sınırlı internet erişimine sahip ortamlarda da kullanılabilmesine olanak tanıyabilir.
1,7 Milyar Parametreli Model Yüzde 99,45 Geçerli Yanıt Üretti
Tether’ın paylaştığı verilere göre Genesis III ile eğitilen 1,7 milyar parametreli model, benchmark yanıtlarının yüzde 99,45’inde geçerli sonuç üretti.
Araştırmacılar ayrıca Genesis III’ün Option-Level veri setiyle eğitilen modelleri Qwen, Llama, SmolLM ve Gemma gibi farklı mimariler üzerinde değerlendirdi.
Aynı token miktarıyla yapılan karşılaştırmalarda Genesis III’ün Cosmopedia-v2’ye kıyasla:
ARC-Easy’de 28,57 puan, ARC-Challenge’da 21,35 puan ve MMLU STEM’de 15,03 puan artış sağladığı belirtildi.
Şirket ayrıca Genesis III ile ön eğitimden geçirilen modelin, daha büyük ve ek matematik ile kod verileriyle eğitilmiş Cosmo-1B’yi değerlendirilen testlerde geride bıraktığını açıkladı.
Bu sonuçlar Tether AI Research tarafından paylaşılan araştırma bulgularına dayanıyor.
Tether Büyük Modeller Yerine Verinin Kalitesine Odaklanıyor
Tether CEO’su Paolo Ardoino, Genesis III’ün yaklaşımını şu sözlerle değerlendirdi:
“Yapay zeka sektörünün büyük bölümü modelleri büyütmeye ve onlara daha fazla işlem gücü sağlamaya odaklandı. Genesis III ise daha küçük modellerin öğrendiği veriyi iyileştirdiğimizde neler olabileceğini gösteriyor. STEM açısından bu, bir modele yalnızca nihai cevabı öğretmekten fazlası anlamına geliyor. Bir şeyin neden doğru olduğunu, akıl yürütmenin nerede hatalı olduğunu ve hatanın nasıl düzeltileceğini öğretmek anlamına geliyor. Amacımız, faydalı yapay zekayı büyük bulut altyapılarından insanların hali hazırda sahip olduğu cihazlara taşımak.”
Bu yaklaşım, yapay zeka yarışındaki başka bir yönü öne çıkarıyor.
Son yıllarda rekabet çoğunlukla parametre sayısı, model büyüklüğü ve hesaplama kapasitesi üzerinden ilerledi. Genesis III ise daha küçük modeli daha iyi veriyle eğitme yaklaşımına odaklanıyor.
Yapay Zeka Yarışı Cihaza Taşınıyor
Bu gelişmede bence en dikkat çekici nokta, Tether’ın AI stratejisinin model büyüklüğünden çok yerel çalışabilen küçük modellerin kalitesine odaklanması.
Yapay zeka uygulamalarının önemli bölümü bugün büyük bulut altyapılarına bağlı çalışıyor. Ancak daha küçük modeller yeterli performansa ulaştıkça bazı görevlerin doğrudan kullanıcının cihazında gerçekleştirilmesi mümkün hale geliyor.
Bu da performans kadar gizlilik, maliyet ve internet bağlantısına bağımlılık açısından yeni kullanım alanları açabilir.
Genesis III’ün STEM ve akıl yürütme odağı burada ayrıca önemli. Küçük modeller yalnız basit görevler için kullanılmak yerine daha uzmanlaşmış teknik problemlerde de yeterli performans üretmeye çalışıyor.
Yapay zeka yarışının bir sonraki alanı yalnız daha büyük modeller geliştirmek olmayabilir. Daha küçük modelleri daha kaliteli veriyle eğitip doğrudan cihaz üzerinde çalıştırmak da sektörün önemli rekabet alanlarından birine dönüşebilir.
Genesis III, Tether’ın bu yaklaşımı bilim ve STEM odaklı sentetik veri üzerinden ölçeklendirmeye çalıştığı yeni adım olarak öne çıkıyor.
