Yapay zeka ajan mimarilerinde ağırlıkları sabit tutulan ve sürekli yeniden eğitilmeyen “dondurulmuş planlayıcılar” (frozen planners), operasyonel kararlılık ve maliyet kontrolü açısından yaygın bir mimari tercihtir. Bu yaklaşımda planlayıcının hem hafif olması hem de gelişmiş öncü modellerin (örneğin Claude Sonnet) karar kalitesine yakınsaması hedeflenir. Gerçekleştirilen kıyaslamada Ling 3.0 Flash VL; Nex-N2.5 ve MiniMax M3 karşısında test edildi.
Karşılaştırma Parametreleri
Değerlendirme üç temel dinamik üzerinden yürütüldü:
- Tam Eylem Üretimi (Exact-Action Generation): Ajanın yapması gereken eylemin parametre düzeyinde doğruluğu.
- Öncü Model Hizalaması (Sonnet Alignment): Modelin adımlarının yüksek kapasiteli endüstri standardı modellerle paralelliği.
- Çıkarım Maliyeti ve Önbellek Verimliliği: Prompt caching kullanımının birim işlem maliyetine etkisi.
Test Bulguları
- Ling 3.0 Flash VL: Nex Pro’ya kıyasla tam eylem sayısını neredeyse ikiye katladı ve belirgin şekilde daha hızlı çalıştı. Ayrıca %94,7 gibi son derece yüksek bir prompt önbellekleme (cached prompt tokens) oranı yakalayarak işlem maliyetini cent altı (sub-cent) seviyelere düşürmeyi başardı.
- MiniMax M3: Hız ve maliyet tarafında Ling’in gerisinde kalsa da, karar alma mantığında Sonnet hizalamasını en güçlü koruyan model oldu. Belirsiz veya çok adımlı uç senaryolarda MiniMax M3’ün mantıksal tutarlılığı öne çıktı.
- Nex-N2.5: Kararlı bir yapı sergilemekle birlikte hız tarafında Ling’in dinamik yanıt süresine yetişemedi.
Mimari Çıkarımlar
Dondurulmuş planlayıcı mimarisi kurarken hız ve prompt önbellek avantajı kritikse Ling 3.0 Flash VL operasyonel giderleri dramatik ölçüde azaltıyor. Ancak karmaşık stratejik kararların alındığı ajan iş akışlarında MiniMax M3’ün karar olgunluğu tercih sebebi olmaya devam ediyor.
Kaynak ve Benchmark Verileri: Frozen Planner Evaluation and Latency Benchmarks
Bir yanıt yazın