Nous Research, kripto yatırım firması Paradigm tarafından desteklenen bir açık kaynak yapay zeka girişimi, Pazartesi günü yeni bir rekabetçi programlama modeli duyurdu. Şirket, modelin 48 adet Nvidia B200 GPU’su kullanılarak sadece dört günde eğitildiğini ve bazı daha büyük tescilli sistemlerle eşit ya da daha iyi bir performans sergilediğini iddia ediyor.
NousCoder-14B, AI kodlama asistanları alanındaki kalabalık bir pazarın bir başka katılımı, ancak Claude Code (Anthropic’in ajan tabanlı programlama aracı) yeni yılın ilk gününden itibaren sosyal medyada büyük yankı bulmuşken ortaya çıkması ayrı bir önem taşıyor. Geliştiriciler, Claude Code’un yeteneklerini övgü dolu paylaşımlarla duyurmuşken, Nous Research, açık kaynak alternatiflerinin de bu alandaki boşluğu doldurabileceğini savunuyor.
LiveCodeBench v6 değerlendirmesinde NousCoder-14B %67.87 doğruluk oranı yakaladı. Bu standart test, Ağustos 2024‑Mayıs 2025 tarihleri arasında yayınlanan rekabetçi programlama problemlerini kapsıyor ve modelin, temel aldığı Alibaba Qwen3-14B modeline göre %7.08 puanlık bir iyileşme sağladığını gösteriyor.
Google Gemini API sorumlularından Jaana Dogan, geçen hafta X platformunda yaptığı paylaşımda Claude Code’a bir problem tanımı verdiğinde, ekibinin geçen yıl bir saat içinde geliştirdiği dağıtık ajan orkestrasyon sistemini yeniden oluşturduğunu belirtti. Dogan’ın bu açıklaması, Claude Code’un uçtan uca yazılım geliştirme gösterileriyle nasıl bir ilgi topladığını ortaya koyarken, Nous Research’in de aynı seviyede performans sunabilecek açık kaynak modellerin önemine dikkat çekiyor.
Nasıl açık kaynak bir AI kodlama modeli oluşturuldu?
NousCoder-14B’nin diğer duyurulardan ayrılan en belirgin özelliği, sadece model ağırlıklarını değil, aynı zamanda tam takviye öğrenme (reinforcement learning) ortamını, benchmark setini ve eğitim çerçevesini (Atropos framework) de açık kaynak olarak yayınlaması. Bu sayede yeterli donanıma sahip her araştırmacı modeli yeniden üretip geliştirebilir. Atropos yığını, olimpiyat seviyesinde akıl yürütme araştırmalarının tekrarlanabilirliğini sağlamak için kritik bir altyapı sunuyor.
Model, Nous Research’te araştırmacı konuk olarak çalışan ve eski bir rekabetçi programcı olan Joe Li tarafından eğitildi. Li, teknik raporunda modelin gelişim yol haritasını kendi Codeforces performansıyla karşılaştırdı. LiveCodeBench puanlarını Codeforces puanına bağlayarak, NousCoder-14B’nin 1600‑1750 aralığından 2100‑2200 aralığına yükseldiğini ve bu sıçramanın kendisinin 14‑16 yaşları arasında iki yılda başardığını, modelin ise dört günde tamamladığını belirtti.
Li, modelin 24 000 problem üzerinden eğitildiğine dikkat çekerken, iki yılda yaklaşık 1 000 problem çözen bir insanın hâlâ çok daha örnek verimli bir öğrenici olduğunu vurguladı.
Eğitim sürecinin teknik ayrıntıları
Model, “doğrulanabilir ödüller” (verifiable rewards) adı verilen bir takviye öğrenme çerçevesiyle geliştirildi. Model kod çözümleri üretir, bu çözümler test vakalarıyla çalıştırılır ve model yalnızca doğru/yanlış ikili bir sinyal alır. Bu süreç, Modal adlı bulut platformu üzerinden izole (sandbox) ortamda paralel olarak yürütülür; her problem ortalama yüzlerce test vakasına sahiptir ve çözümün 15 saniye içinde ve 4 GB bellek altında doğru çıktıyı üretmesi gerekir.
Eğitimde DAPO (Dynamic Sampling Policy Optimization) adı verilen bir teknik kullanıldı. “Dinamik örnekleme” sayesinde modelin tüm denemeleri başarıyla çözmesi ya da tamamen başarısız olması durumundaki örnekler elenerek öğrenme sinyali kaybı önlendi. Ayrıca model, 32 000 token’lık bir bağlam penceresiyle eğitildikten sonra 40 000 token’a, değerlendirme aşamasında ise yaklaşık 80 000 token’a çıkarıldı; bu genişletme doğruluk oranını %67.87’ye yükseltti.
Eğitim hattı, model bir çözüm üretir üretmez bir sonraki probleme geçerek ve aynı anda birden çok model örneği paralel çalıştırılarak donanım kullanımını maksimize etti.
Veri kıtlığı ve geleceğe dair riskler
Li’nin raporunda, NousCoder-14B’nin eğitim veri setinin “mevcut, doğrulanabilir rekabetçi programlama problemlerinin büyük bir kısmını” kapsadığı ve bu alanda yüksek kaliteli verinin yakında sınırlı kalabileceği belirtiliyor. İnternetteki toplam problem sayısının 24 000 civarında olduğu göz önüne alındığında, bu veri kümesinin neredeyse tamamen tüketildiği vurgulanıyor. AI endüstrisinde veri kısıtlamalarına dair endişeler arttıkça, sentetik veri üretimi ve veri‑verimli algoritmaların önemi de yükseliyor.
Kodlama problemleri, otomatik doğrulanabilir doğru çözümler gerektirdiğinden sentetik veri oluşturmak doğal dil görevlerine göre çok daha zor. Li, modellerin sadece problemi çözmekle kalmayıp aynı zamanda çözülebilir yeni problemler üretecek şekilde eğitilmesinin, kendini oynatma (self‑play) metodolojisinin oyun‑AI’larındaki başarılarını tekrarlayabileceğini öne sürüyor.
Open‑source AI için 65 milyon dolarlık bahis
Nous Research, büyük teknoloji şirketlerinin hâkim olduğu bir pazarda açık kaynak AI’nın rekabet gücünü kanıtlamaya çalışıyor. Şirketin bu hamlesi, AI kodlama asistanlarının gelecekte hem büyük şirketler hem de bağımsız geliştiriciler için temel bir teknoloji hâline gelmesi beklentisini yansıtıyor.
Yorum Yap