HybridAgent 8B, GPT-5.6 Luna'yı GAIA'da token değil gizli durumlarda akıl yürüterek geçti

Stanford, UIUC ve Together AI'dan araştırmacılar, akıl yürütmenin bir kısmını hiç metin yazmadan yapabilen açık ağırlıklı bir agent ailesi olan HybridAgent'ı yayımladı. Çalışmanın dev.to üzerindeki özetine göre, 13 Ekim 2026'da arXiv'e yüklenen makale, 8 milyar parametreli modelin GAIA agent benchmark'ında 43.7 puan aldığını ve GPT-5.6 Luna'yı (37.9) ile Kimi K3'ü (41.7) geride bıraktığını bildiriyor. Aynı sonuç tablosu, modelin Luna'nın 29.0 aldığı Humanity's Last Exam'de yalnızca 14.4 puana ulaştığını gösteriyor.

Sürüm tamamen açık: kod, ağırlıklar ve SFT ile RL veri setleri MIT lisansıyla yayımlandı. Hugging Face üzerinde, her ikisi de Qwen3 taban modelleri üzerine kurulu olan HybridAgent-8B-Agentic ve HybridAgent-14B-Agentic adlı iki checkpoint bulunuyor. Agent'lar bir Python yorumlayıcısını ve bir web arama aracını çağırıyor; arama için Tavily API anahtarı gerekiyor. Makale 18 Ekim'de Hacker News ana sayfasına ulaştı.

Latent mod nasıl çalışıyor

Geleneksel bir agent metinle akıl yürür ve düşünmesinin her token'ı için ödeme yapar. HybridAgent metni geride bırakabiliyor. Model özel bir latent token ürettiğinde, izleyen adımlar decoding işlemini atlıyor: son katmanın gizli durumu, yazarların HybridLink adını verdiği küçük bir residual adapter'dan (4B bir modelde yaklaşık 10 milyon parametre) geçiyor ve bir sonraki giriş embedding'i olarak geri besleniyor. Latent aralık, o çıktı kapanış token'ının embedding'ine en yakın konuma düştüğünde sona eriyor ve aralığın uzunluğu önceden sabitlenmiyor — model ilerledikçe kendisi karar veriyor. Turlar arasında agent, latent adımlar ve araç sonuçları dahil şimdiye kadarki her şeyin KV cache'ini tutuyor; yörüngeyi token olarak yeniden kodlamıyor. HybridRL adlı bir pekiştirmeli öğrenme aşaması, modele ne zaman sessizce düşünmesi gerektiğini öğretiyor.

Makalenin özeti, üç model ölçeği ve on bir benchmark genelinde ortalama yüzde 10.4'lük iyileşme, yüzde 35.5 ile 54.7 arasında daha az token, 1.8x ile 2.6x daha hızlı çıkarım ve 2.7x ile 3.7x daha düşük maliyet iddia ediyor.

Keskin kenarları olan bir skor tablosu

Ortalamalar, dengesiz satırları gizliyor. Küçük agent'lar web gezinmede üstün: WebWalker'da 8B ve 14B modeller 42.5 ve 49.5 puan alırken Luna 11.0, Kimi K3 ise 10.0 puan aldı. Ancak zor bir bilgi ve akıl yürütme testi olan Humanity's Last Exam'de frontier modeller kabaca iki kat puan alıyor ve DeepSearchQA'da Luna 23.3 doğrulukla hâlâ önde.

Başlığı karmaşıklaştıran bir karşılaştırma daha var. Çok turlu araç kullanımı RL'siyle eğitilmiş, latent modu bulunmayan salt metin tabanlı 8B bir agent olan ARPO, GAIA'da zaten 38.8 ve WebWalker'da 32.0 puan almış durumda — her ikisinde de Luna'nın üzerinde. Dolayısıyla Luna'yı GAIA'da geçmek latent akıl yürütmeye özgü değil; latent modun eklediği şey fark: GAIA'yı 38.8'den 43.7'ye, WebWalker'ı 32.0'dan 42.5'e çıkarıyor.

Maliyet iddialarındaki ince yazı

Maliyet rakamları API faturasını değil, işlem gücünü fiyatlıyor. Makalenin tahminleri, H100 başına saatte 2.50 dolar ve tepe BF16 verimliliğinin yüzde 10'u varsayımına dayanıyor, her latent adımı tam bir forward pass olarak ücretlendiriliyor ve prompt prefill, bağlama bağlı attention ile harici araç yürütme hariç tutuluyor. Bu şartlar altında 8B modelin milyonun başına soru maliyeti 439 dolardan 121 dolara düşüyor; arama API ücretleri ve prefill bunun üzerine ekleniyor.

Okuyamadığınız akıl yürütme

Latent aralıklar metin üretmiyor ve bu durum, akıl yürütme izlerini okumaya dayanan gözlemlenebilirlik kurulumlarını zorluyor. Bir Hacker News kullanıcısı tam olarak bunu raised ederek, yaklaşımın izlenebilirliği ve güvenliği zayıflatıp zayıflatmadığını sordu. Yazarlar kısmi bir pencere sunuyor: her latent adım, en yakın token embedding'iyle eşlenerek yazarların pseudo-text dediği şey üretilebiliyor ve depo, bu aralıkları HTML raporu olarak görüntüleyen bir inspector ile geliyor. Ancak en yakın token eşleşmesi, gizli durumun neye işaret ettiğini gösterir, adımın gerçekte ne hesapladığını değil; makale ayrıca küçük hataların uzun bir latent aralık boyunca birikerek latent izin tutarlılığını istikrarlı biçimde bozabileceğine dikkat çekiyor.

Bugün denemek

Pratik engeller hâlâ mevcut. Model kartı, yalnızca transformers ile yüklemenin salt metin tabanlı bir model verdiğini uyarıyor; latent mod ve araçlar HybridAgent kodunu gerektiriyor. Henüz hiçbir çıkarım sağlayıcısı barındırmıyor ve yazarlar, verl ve vLLM'nin çok turlu hibrit üretimi doğrudan desteklemediğini, bu yüzden kendi stack'lerini genişlettiklerini söylüyor. HybridRL eğitimi için 32 GPU öneriliyor. Resmi olmayan motorun dışında 14B modeli çalıştıran bir Hacker News kullanıcısı, modelin tur bütçesi tükenene kadar tekrarlayan paragraflarda döngüye girdiğini bildirdi ve bir llama.cpp uyumsuzluğundan şüphelendi — ki bu da model kartındaki uyarı göz önüne alındığında, böyleki çalıştırmaların hibrit kısmı hiç tetiklemediğini düşündürüyor.

Neden önemli

Sonuç, agent benchmark'larının frontier ölçekli modeller gerektirdiği varsayımına yönelik faydalı bir düzeltme: eğitim verisi tamamen açık olan 8B parametreli, açık ağırlıklı bir agent, GAIA'da önde gelen tescilli bir modeli geçiyor ve web gezinmede onu birkaç kat aşıyor. Ancak detaylar başlık kadar önemli. Kazançlar arama ağırlıklı görevlerde yoğunlaşıyor, aynı boyutta güçlü bir salt metin tabanlı baseline zaten aynı frontier modeli geçiyor ve verimlilik kazanımları, çoğu agent dağıtımının bel bağladığı bir şeyi feda ediyor — insanın okuyabileceği bir akıl yürütme. Yanıtı yoldan çok kontrol ettiğiniz iş yükleri için bu takas değer olabilir. Denetlenmesi gereken her şey içinse metin izleri hâlâ gerçek bir ağırlık taşıyor.