Araştırmacılar, Yapay Zeka Ajanlarının Eksik Bilgileri Soru Sorarak Gidermesini Sağlayan CLEAT Çerçevesini Geliştirdi

Jiatan Huang liderliğindeki bir araştırma ekibi, 8 Ekim 2026 tarihinde arXiv platformunda yayımladıkları makalede, Büyük Dil Modeli (LLM) ajanlarının kullanıcıların eksik bıraktığı hedef ve kısıtlamaları soru sorarak netleştirmesini sağlayan CLEAT (CLarification through valuE-guided Agent co-Training) çerçevesini tanıttı. Günümüzde karmaşık görevleri yerine getirebilen LLM ajanları, kullanıcılar kritik detayları belirtmediğinde yanlış kararlar alabiliyor. CLEAT, ajanların ne zaman soru sorması gerektiğini ve gelen yanıtları nasıl değerlendireceğini öğrenmesini sağlayan yenilikçi bir ko-eğitim yaklaşımı sunuyor.

Eksik Bilgi ve Etkileşimli Niyet Hizalama Sorunu

Yapay zeka ajanlarının günlük iş akışlarında ve endüstriyel uygulamalarda daha bağımsız hale gelmesi, güvenlik ve doğruluk standartlarını da beraberinde getiriyor. TechRadar gibi teknoloji platformlarının da dikkat çektiği üzere, iyi niyetli ancak yeterince yönlendirilmemiş yapay zeka ajanları bağımsız inisiyatif aldıklarında riskli durumlar yaratabiliyor. Araştırmacılar, bu problemin temelinde kullanıcıların hedeflerini tam olarak ifade edememesinin yattığını belirtiyor.

Ancak her soru sorma süreci ajan için faydalı olmuyor. Bir ajanın netleştirme yeteneği ancak elde ettiği yanıtı daha iyi kararlara dönüştürebildiği ölçüde değer kazanıyor. Ayrıca model eğitimi ilerledikçe ajanın eksik bilgiyi ele alma biçimi ve ek yanıtları kullanma yeteneği değiştiğinden, aynı sorunun değeri zamanla dalgalanabiliyor.

CLEAT Çerçevesi Nasıl Çalışıyor?

CLEAT, bir netleştirme-değer kontrolcüsü ile görev politikasını paylaşılan etkileşim sonuçlarından eş zamanlı olarak eğiten bir mimari üzerine kuruludur. Sistem, mevcut politika ile devam etmek yerine soru sorarak elde edilen görev faydasını ölçmek için artık sorgu değeri kavramını formüle ediyor.

Bu değer, aynı etkileşim geçmişinden alınan eşleştirilmiş simülasyonlar aracılığıyla tahmin ediliyor. Elde edilen bu eşleştirilmiş getiriler, kontrolcünün netleştirme değerini öngörmesini, görev politikasının ise hangi soruların yararlı olduğunu seçmesini ve gelen yanıtlara göre hareket etmesini sağlıyor. Kontrolcü sonraki veri toplama sürecini yönlendirirken, güncellenen ajandan elde edilen sonuçlar netleştirme rehberliğinin model öğrendikçe adapte olmasına olanak tanıyor.

Test Sonuçları ve Başarı Oranları

Qwen3-4B tabanıyla test edilen CLEAT, dört farklı benchmark üzerindeki on değerlendirme ayarının tamamında en yüksek ortalama skoru elde etmeyi başardı. Yapılan ölçümlere göre sistem, en güçlü temel modele kıyasla UserGym Travel testlerinde 13.2 yüzde puanı, IN3 eksik belirtim karar doğruluğunda ise 6.5 yüzde puanı artış kaydetti.

Ayrıca gerçekleştirilen ablasyon analizleri, kontrolcü çıkarım aşamasından kaldırılsa bile ko-eğitim yaklaşımının temel görev politikasını geliştirdiğini, netleştirme rehberliğinin evrilen politikaya uyarlanmasının ise ek performans artışları sağladığını kanıtladı.

Yapay Zeka Ajan Ekosistemindeki Yeri

Shopify'ın platformunu daha fazla yapay zeka ajanına açması ve Avrupa'daki şehirlerin operasyonel süreçlerde NVIDIA destekli fiziksel yapay zeka ajanlarını devreye sokması gibi son gelişmeler, ajanik ticaret ve otonom sistemlerin hızla yayıldığını gösteriyor. CLEAT gibi akademik çalışmalar, bu tür genişleyen ekosistemlerde ajanların kullanıcı hatalarını telafi etmesi ve güvenli iletişim kurması açısından teknik bir temel oluşturuyor. Araştırmanın topluluk tarafından nasıl benimseneceği ve ticari modellere nasıl entegre edileceği önümüzdeki dönemde yakından takip edilecek.