162 kat daha az AI keşif çağrısı: Aynı koşullarda 1,7 kat

Google araştırmacıları, geçmiş keşif kayıtlarını yeniden kullanarak AI ajanı çağrılarının maliyetini azaltmayı amaçlayan ‘Dream-RSI’ı (Dream-RSI) tanıttı. Lasso düzenlileştirme yolu probleminde önceki yönteme kıyasla ajan çağrılarını 162 kata kadar azaltan sistem, aynı model ve ayarlarla yapılan karşılaştırmada ise yaklaşık 1,7 katlık düşüş sağladı.

Google DeepMind, Maryland Üniversitesi ve Virginia Üniversitesi araştırmacıları, Dream-RSI’ı 14’ünde yayımladıkları arXiv makalesi ile tanıttı. Yöntem, temel AI modelinin ağırlıklarını yeniden eğitmek yerine arama sırasını, paralel işlemeyi ve durma noktalarını düzenleyen orkestrasyon katmanını geliştiriyor.

Dream-RSI üç aşamada çalışıyor. Önce AI ajanı çevrim içi ortamda aday çözümler arıyor ve her deneme ile sonucu ‘keşif ağacı’na kaydediyor. Ardından bu kayıtlar, yeni arama politikalarını değerlendirmek üzere ‘yeniden oynatma simülatörü’ne dönüştürülüyor.

Yeni politika, gerçek ajanı yeniden çağırmadan geçmiş yollar yeniden oynatılarak test ediliyor. Araştırmacılar, performansı en yüksek politikanın bir sonraki çevrim içi aramaya aktarıldığını belirtiyor.

Yöntemin temelinde, daha önce gerçekleştirilmiş arama sonuçlarının politika değerlendirmesinde yeniden kullanılması bulunuyor. Yeniden oynatma simülatörü, daha önce aranan alanlarda kayıtlı sonuçları doğrudan gösteriyor. Ancak hiç aranmadık alanlardaki sonuçları tahmin eden bir dünya modeli niteliği taşımıyor.

162 katlık sonuç, Lasso düzenlileştirme yolu probleminden elde edildi. SimpleTES, gpt-oss-120b kullanarak 51.200 generation gerçekleştirirken Dream-RSI, Gemini-3.1-Pro tabanında 317 discovery-agent call kullandı.

Bu iki sayı doğrudan karşılaştırıldığında Dream-RSI’ın çağrı hacmi yaklaşık 162 kat daha düşük. Ancak temel model ve ayarlar farklı olduğu için bu sonuç aynı koşullarda yapılmış bir karşılaştırma olarak değerlendirilemiyor.

Aynı Gemini-3.1-Pro ortamında Recursive Fixed Exploration, 550 çağrı ve ortalama 3.587,1 milisaniyelik çalışma süresi kaydetti. Dream-RSI ise 317 çağrı ve 2.931,0 milisaniyelik süreyle, araştırmacıların sunduğu aynı model ailesi karşılaştırmasında çağrı hacmini yaklaşık 1,7 kat azalttı.

Performans artışının boyutu göreve göre değişti. Lasso deneyinde Dream-RSI, altı ayrı veri setinde mevcut sklearn ve glmnet uygulamalarından daha düşük ortalama çalışma süresi kaydetti.

Matematiksel optimizasyonda Sum-Difference ve Circle Packing görevlerinde seçilen temel yöntemlerle aynı veya daha yüksek sonuçlar elde edildi. Buna karşılık Autocorrelation Inequalities görevinde 1,456375 puan alan Dream-RSI, SimpleTES’in 1,453675 sonucunun gerisinde kaldı. Bu göstergede düşük değer daha iyi kabul ediliyor.

GPU çekirdek aramasında VGG16 ve LayerNorm görevlerinde benzer performans sergileyen sistem, sırasıyla 2,43 kat ve 1,79 kat daha az generation kullandı. ConvDiv ve ConvMax görevlerinde ise karşılaştırılabilir bütçelerle performans sırasıyla 2,09 kat ve 1,44 kat daha yüksek ölçüldü.

Sonuçlar, AI modelinin kendi yeteneklerinin artırılmasından çok arama görevlerine ayrılan çağrıların ve yürütme sırasının düzenlenmesinden kaynaklanıyor. TokenPost daha önce AI ajanlarının yürütme yapısına göre görev maliyetlerinin değişebileceğini aktarmıştı.

Birden fazla model ve aracın art arda çağrıldığı kurumsal ortamlarda maliyetleri yalnızca model performansı değil, arama yollarının yeniden kullanılıp kullanılmadığı da etkileyebilir. Bununla birlikte Dream-RSI’ın yeniden oynatma yöntemi, geçmişte biriktirilen arama kayıtlarının kapsamına ve kalitesine bağlı.

Proje sayfası, yeniden oynatma simülatörünün kayıtlı arama alanı içinde doğru sonuç verdiğini, bu alanın dışındaki sonuçlar için garanti sunmadığını belirtiyor. Resmî GitHub deposunda makale ve etkileşimli demo yayımlandı. Kod tabanının tamamı ile yeniden üretim komut dosyaları ise hazırlanıyor.

Bu nedenle 162 katlık farklı koşullar arası karşılaştırma ile diğer modeller ve görevlerdeki maliyet düşüşlerinin ek yeniden üretim çalışmalarıyla doğrulanması gerekiyor.