OpenAI raporu, kodlama aracılarını daha hızlı bilimsel yazılım geliştirme süreçleriyle ilişkilendiriyor.
Özet
OpenAI tarafından yayınlanan yeni bir saha raporu, kodlama ajanlarının bilimsel hesaplama projelerinde çalışma sürelerini kısalttığını ve akademik yazılımların kronikleşen teknik borç sorunuyla başa çıkabileceğini ortaya koymaktadır. Genomik, immünoloji ve RNA dizilimi gibi alanları kapsayan projelerde ajanlar; paketleme sistemlerinin temizlenmesi, kod performansının optimize edilmesi ve dil taşımaları gibi görevleri başarıyla üstlenmiştir. Uzmanlar, ajanların süreçleri büyük ölçüde hızlandırdığını belirtse de bilimsel çalışmalarda ilerlemek için hâlâ insan rehberliğine, zevke ve özene ihtiyaç duyulduğunun altını çizmektedir.
OpenAI, kodlama ajanlarının çalışma sürelerini kısalttığı sekiz bilimsel hesaplama projesini takip eden yeni bir saha raporu yayınladı.
Rapor, beş vakada yalnızca Codex’in, diğer üçünde ise Codex ve Anthropic’in Claude Code’unun bir kombinasyonunun kullanıldığı projeleri belgelemektedir. Baştan belirtmekte fayda var: Bu, ilgili katkıda bulunanlar tarafından yazılan vaka çalışmalarından oluşturulmuş, bir satıcının kendi ürününün araştırma ortamlarındaki uygulamasına dair bir anket yayınlamasıdır.
Bu durum, alttaki kalıbı incelemeye değer kılmaktan alıkoymaz. Araştırma yazılımlarının belgelenmiş bir bakım sorunu vardır. Tek bir makaleye eşlik etmek için oluşturulan, adanmış mühendislik desteği olmayan küçük akademik ekipler tarafından kodlanan araçlar, kimsenin ödeyecek bütçesi veya yetkisi olmayan teknik borç biriktirme eğilimindedir.
OpenAI’ın raporu, ajanların bu borçla başa çıkabileceğini savunuyor ve alıntı yaptığı sekiz proje genomik, immünoloji, istatistik ve RNA dizilimi alanlarını kapsıyor.
Ajanların üstlendiği görevler
Görevler kaba taslak üç kategoriye ayrıldı: paketleme ve derleme sistemi temizliği, mevcut kod üzerinde performans optimizasyonu ve tam dil veya arka uç taşımaları.
Katkıda bulunan Brent Pedersen’e göre, genomik varyant dosyalarını okumak için bir Python kütüphanesi olan cyvcf2'nin eski derleme ve paketleme sistemi, daha yeni, birleştirilmiş bir süreçle değiştirildi. Pedersen, ajanlarla hızlı gitmenin bir şey olduğunu, ancak bilimde ileri gitmenin hâlâ “uzman rehberliğine, anlayışa, zevke ve özene” ihtiyaç duyduğunu belirtti.
Bir DNA dizilimi okuma simülatörü olan HI.SIM, katkıda bulunan Andrew Ho’nun ifadesine göre, GPT-5.2 ve GPT-5.6’dan çıktıyı değiştirmeden temsili bir test setinde çalışma süresini yüzde 31 oranında kısalttığını söylediği büyük ölçüde otonom iki optimizasyon aşaması gördü.
Kendisini ne bir genom uzmanı ne de bir C programcısı olarak tanımlayan Ho, kişisel olarak düzeltemese de fark edebileceği performans hataları ve paketleme sorunları nedeniyle daha önce zaman kaybetmiş biri olarak, son kullanıcı perspektifinden sonucu “büyülüden başka bir şey değil” olarak nitelendirdi.
PacBio HiFi okumalarından genom montajı için kullanılan Hifiasm, katkıda bulunan Suyash Shringarpure’a göre, optimizasyon hedefinde yüzde 25 ve ayrı insan dizilimi verilerinde kabaca yüzde 15 çalışma süresi düşüşü elde etti.
Shringarpure, ajan kendi kıyaslama iskelesini kurup bağımsız olarak adaylar önermesine rağmen, profil oluşturma sonuçları sağlamanın ve modeli tekrarlanan hata modlarından uzaklaştırmanın yalnızca bir insanın yapabileceği bir iş olarak kaldığını vurguladı.
T hücrelerine sunulan protein fragmentlerini öngören MHCflurry’nin TensorFlow/Keras arka ucu, daha önce yayınlanan model ağırlıklarıyla uyumluluk korunarak PyTorch’a taşındı; bu değişikliği katkıda bulunan Alex Rubinsteyn, Sergey Feldman ve Timothy O’Donnell, açık kaynaklı bilimsel projeleri çürümeye terk edilmekten koruyan “gösterişsiz, emek yoğun bakım” türü olarak çerçeveliyor.
R’ın bayesm paketinden istatistiksel modellerin bir Rust portu olan bayesm-rs, orijinal yazılımın tahminlerini önceden belirlenmiş bir tolerans dahilinde eşitledi ve tek bir işlemci iş parçacığında 2,3–2,7 kat daha hızlı çalıştı, t[ırmandı]