---
title: "Modalite-Özbağlanımlı Dünya-Eylem Modelleri: ModAR Mimarisi"
url: https://blog.edumints.com/modalite-ozbaglanimli-dunya-eylem-modelleri-modar-mimarisi-0fmqgglk
category: "Yazılım"
date: 2026-09-16T09:09:50.930Z
publisher: Edumints Blog
lang: tr-TR
source_name: "hfpapers"
source_url: https://huggingface.co/papers/2609.17524
---

# Modalite-Özbağlanımlı Dünya-Eylem Modelleri: ModAR Mimarisi

## Giriş ve Problem Tanımı
Dünya-eylem modelleri (**World-Action Models - WAM**), bir ajanın veya robotik sistemin gelecekteki gözlemlerini ve eylemlerini eşzamanlı olarak modelleyen gelişmiş yapılardır. Tipik WAM uygulamaları, gelecekteki durumları doğrudan standart RGB piksel görüntüleri olarak tahmin etme eğilimindedir. Oysa derinlik haritaları (**depth maps**), önceden eğitilmiş görsel öznitelikler (örneğin DINO) ve nokta takipleri (**point tracks**) gibi diğer görsel modaliteler; ortamın geometrik yapısını, anlamsal bağlamını ve dinamik hareket özelliklerini çok daha verimli biçimde temsil edebilir. Buna rağmen, bu çoklu modalitelerin bir dünya-eylem modeli çatısı altında en optimal biçimde nasıl kaynaştırılacağı şimdiye kadar yanıtlanmamış kritik bir soru olarak kalmıştır.

## ModAR Mimarisi: Özbağlanımlı Çoklu Modalite Füzyonu
Bu zorluğun üstesinden gelmek için tanıtılan **ModAR**, eylem kestirimine geçmeden önce birden fazla gelecek modaliteyi özbağlanımlı (**autoregressive**) bir yaklaşımla gürültüden arındıran (**denoise**) ilk WAM mimarisidir. Bu ardışık işleyiş, üretilen her yeni tahminin daha önce oluşturulmuş modalitelerin sağladığı zengin bağlama koşullanmasını mümkün kılar. Araştırmacılar, eğitim veri setlerinin karışım oranlarını, tahmin edilen modaliteleri ve farklı WAM formülasyonlarının nihai başarıya etkisini kapsamlı biçimde analiz edebilmek adına modeli sıfırdan eğitmiştir.

## Temel Bulgular ve Karşılaştırmalı Sonuçlar
- **Modalite Seçiminin Etkisi**: Yapılan sistematik değerlendirmelerde WAM modellerinin; nokta takipleri, DINO öznitelikleri ve derinlik haritalarını tahmin etmekten önemli ölçüde yararlandığı görülmüştür. Buna karşın, sürece ek olarak gelecek RGB görüntülerini tahmin etmenin modele tutarlı veya belirgin bir katkı sağlamadığı tespit edilmiştir.
- **Sıralı Üretimin Gücü**: ModAR'ın sıralı ve koşullu üretim stratejisi, mevcut tüm WAM formülasyonlarından daha üstün bir performans sergilemiş; test edilen tüm veri ölçeklerinde en yüksek ortalama başarı oranını kaydetmiştir.
- **Çarpıcı Hesaplama Verimliliği**: Video modelleriyle ilklendirilen güçlü WAM alternatifi Flex-π ile aynı veri kümesi üzerinde yapılan kıyaslamada ModAR; hiçbir ön eğitime ihtiyaç duymaksızın ve yaklaşık **20 kat daha az eğitim FLOP'u** harcayarak daha yüksek bir ortalama başarı oranı (%75'e karşılık %72) yakalamıştır.
- **Gerçek Dünya Robotik Görevleri**: Model, gerçek dünyada uygulanan üç farklı çift kollu (**bimanual**) robotik görevde temel modelleri geride bırakmış ve eğitim sürecine insan demonstrasyon videoları dahil edildikçe performansını daha da yükseltmiştir.

## Yazılım ve Yapay Zeka Geliştiricileri İçin Pratik Çıkarımlar
- **Piksel Yükünden Kurtulun**: Robotik veya etkileşimli yapay zeka modellerinde ağır RGB pikselleri üretmeye çalışmak yerine DINO ve derinlik tensörleri gibi hafif, yoğun ve anlamsal temsilleri tahmin etmek çıkarım gecikmesini düşürür.
- **Özbağlanımlı Koşullandırma**: Karmaşık çok modaliteli sistemler tasarlarken çıktıları paralel ve bağımsız üretmek yerine, ModAR'daki gibi birbirini besleyen sıralı bir koşullama döngüsü kurmak karar doğruluğunu artırır.
- **Veri ve FLOP Optimizasyonu**: Mimarinin doğru tasarlanması durumunda, devasa genel video ön eğitimleri yerine hedefe odaklı sıfırdan eğitimle 20 kat daha düşük bütçeyle üstün sonuçlar elde edilebilir.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/papers/2609.17524)

---

**Kaynak:** [hfpapers](https://huggingface.co/papers/2609.17524)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/modalite-ozbaglanimli-dunya-eylem-modelleri-modar-mimarisi-0fmqgglk