OpenAI, bilimsel hesaplama alanında kod ajanlarının kullanıldığı sekiz projeyi derleyen yeni bir saha raporu yayımladı. Çalışma, beş projede yalnızca Codex’in, üç projede ise Codex ile Anthropic’in Claude Code aracının birlikte kullanıldığını aktarıyor. Raporun, kendi ürününün araştırma ortamlarındaki kullanımını konu alan ve katkı sağlayan ekiplerin vaka yazılarına dayanan bir derleme olması önemli bir not. Buna rağmen ortaya çıkan ortak tablo, özellikle uzun süredir bakım yükü biriken araştırma yazılımlarında dikkat çekici bir eğilime işaret ediyor.
Bilimsel yazılım tarafında temel sorunlardan biri, tek bir makaleyi ya da dar kapsamlı bir araştırma ihtiyacını karşılamak için geliştirilen araçların zaman içinde teknik borç biriktirmesi. Küçük akademik ekipler tarafından, çoğu zaman özel bir yazılım mühendisliği desteği olmadan geliştirilen bu projeler; paketleme, derleme sistemi, bağımlılık yönetimi, performans ve taşınabilirlik gibi alanlarda hızla geride kalabiliyor. Raporda da kod ajanlarının en çok bu noktada devreye girdiği görülüyor: bakım işleri, mevcut kodun hızlandırılması ve tümden dil ya da arka uç geçişleri.
Örneklerden biri, genomik varyant dosyalarını okumak için kullanılan Python kütüphanesi cyvcf2. Bu projede eski derleme ve paketleme yapısı, daha yeni ve birleşik bir süreçle değiştirildi. Buradaki kazanım doğrudan bir performans sıçramasından çok, yıllardır biriken altyapı sorunlarının toparlanması olarak öne çıkıyor. Katkı sağlayan ekip, ajanlarla hızlı ilerlemenin mümkün olduğunu, ancak bilimsel yazılımda uzun vadeli ve güvenilir sonuç için uzman yönlendirmesi, alan bilgisi ve dikkatli değerlendirme gereksiniminin devam ettiğini vurguluyor.
Performans optimizasyonu tarafında HI.SIM dikkat çeken örneklerden biri. DNA dizileme okuma simülatörü olan bu araçta GPT-5.2 ve GPT-5.6 ile büyük ölçüde otonom iki optimizasyon turu yürütüldü. Temsili bir test setinde çalışma süresinin çıktıyı değiştirmeden yüzde 31 azaltıldığı belirtiliyor. Buradaki önemli ayrıntı, optimizasyonun yalnızca sentetik bir mikro testte değil, gerçek kullanım senaryosunu temsil eden bir veri kümesi üzerinde raporlanmış olması. Böylece kazanım sadece teorik değil, pratik iş akışına da yansıyan bir iyileştirme olarak sunuluyor.
Genom montajında kullanılan Hifiasm de benzer biçimde hızlandırılan projeler arasında yer alıyor. PacBio HiFi okumalarından genom montajı için kullanılan yazılımda, belirlenen optimizasyon hedefinde yüzde 25, ayrı bir insan dizileme verisinde ise yaklaşık yüzde 15 çalışma süresi düşüşü elde edildiği aktarılıyor. Bu örnekte ajanların kendi kıyaslama altyapısını kurabildiği ve aday optimizasyonları bağımsız biçimde önerebildiği söyleniyor. Buna karşın, profil sonuçlarını sağlama ve modeli tekrar eden hata kalıplarından uzak tutma gibi görevlerin hâlâ insan müdahalesi gerektirdiği özellikle belirtilmiş.
MHCflurry tarafında ise hızdan çok sürdürülebilirlik ve ekosistem uyumu öne çıkıyor. T hücrelerine sunulan protein parçalarını tahmin eden bu projede TensorFlow/Keras tabanlı arka uç, daha güncel bir PyTorch altyapısına taşındı. Geçiş yapılırken daha önce yayımlanan model ağırlıklarıyla uyumluluğun korunması da sağlandı. Açık kaynak bilimsel projelerde çoğu zaman görünmeyen ama kritik öneme sahip olan bu tür bakım çalışmaları, yazılımın çürümesini engelleyen temel işlerden biri. Kod ajanlarının özellikle zahmetli ve tekrarlı dönüşüm adımlarında anlamlı katkı verdiği tablo burada da görülüyor.
İstatistik tarafındaki bayesm-rs, R ekosistemindeki bayesm paketindeki modellerin Rust’a taşınmış sürümü olarak öne çıkıyor. Rapor, bu aracın özgün yazılımla önceden belirlenen tolerans aralığında aynı tahminleri ürettiğini ve tek işlemci iş parçacığında 2.3–2.7 kat daha hızlı çalıştığını belirtiyor. Sekiz iş parçacığında ise hızlanma 4.4–9.5 kat aralığına çıkıyor. Buradaki bulgu önemli: Doğrudan karşılaştırılabilecek bir referans olduğunda ajanlar hızlı ve doğru sonuç verebiliyor. Ancak özgün kodun açık bırakmış olduğu, istatistiksel yorum gerektiren genişletmelerde insan doğrulaması zorunlu olmaya devam ediyor.
Rapordaki üç diğer proje, Rust tabanlı yeniden inşa çalışmalarını kapsıyor: rustar-aligner, svb ve kuva. Bunlar arasında en dikkat çekici örnek, RNA dizisi hizalama alanında yaygın biçimde kullanılan STAR aracının tam yeniden yazımı. Aktif bakımı durmuş bir yazılımın modern bir Rust sürümünü elle baştan yazmak, klasik yöntemle çoğu ekip için gerçekçi bir hedef değil. Kod ajanlarıyla bu tür bir işin haftalar süren ama yönlendirilmiş bir çalışmaya dönüşebildiği aktarılıyor. Yine de burada asıl darboğazın kod üretimi değil doğrulama olduğu vurgulanıyor. Örneğin yüzlerce çıktının görsel ya da istatistiksel olarak tek tek kontrol edilmesi görevini model değil insan üstleniyor.
RNA dizileme kalite kontrolü alanındaki RustQC, rapordaki en yüksek kazançlardan birini sunuyor. Araç, 15 ayrı RNA dizileme kalite kontrol yazılımını tek programda birleştiriyor ve çalışma süresini 60 kat, disk giriş/çıkış yükünü ise 25 kat azaltıyor. Buna eşlik eden FastQC-Rust ve Trim Galore yeniden inşalarının da özgün araçların davranışını korurken sırasıyla yedi ve üç kat daha hızlı çalıştığı belirtiliyor. Ancak bu başarıyla birlikte önemli bir uyarı da var: Bir aracı yeniden yazmak kolaylaştıkça, davranışta küçük farklılıklar gösteren çok sayıda sürümün ortaya çıkma riski artıyor. Bu da laboratuvarlar arasında sonuçların zaman içinde karşılaştırılmasını zorlaştırabilir.
GPU tarafında ise HelixForge öne çıkıyor. Mutasyon simülasyon aracı BAMSurgeon’un GPU-yerel bir yeniden inşası olarak tanımlanan proje, gerçek insan verisini içeren bir kıyaslamada çalışma süresini yaklaşık 60 kat düşürdüğünü bildiriyor. Ayrıca istenen hedeflere daha yakın mutasyon frekansları üretildiği ve özgün araçta artefakt oluşturan bazı hataların giderildiği ifade ediliyor. Bu örnek, ajanların yalnızca mevcut kodu temizlemek ya da hızlandırmak için değil, aynı zamanda modern donanım mimarilerine uygun yeni arka uç tasarımlarını hızlandırmak için de kullanılabildiğini gösteriyor.
Tüm vaka yazılarından çıkan ortak sonuç net: Kod ajanları, kapsamı iyi tanımlanmış uygulama görevlerinde yeterli performans gösterebiliyor; ancak ürettikleri sonucun bilimsel olarak doğru olup olmadığını kendi başlarına değerlendiremiyor. Katkı sağlayan ekipler, modellerin açık hatalar içeren çıktılara rağmen yüksek güven sergileyebildiğini belirtiyor. Bu nedenle gerçek yük, kabul testlerini kuran ve yorumlayan insanlara kayıyor. Çıktının birebir eşleşmesi, mevcut araçla davranış paritesi ya da simüle veri üzerinde önceden bilinen doğru yanıtlar gibi doğrulama yöntemleri burada belirleyici rol oynuyor.
Projelerin ilerleyişi de benzer bir örüntü gösteriyor. Ajanlar hızlı ilk taslakları ve ilk geçişleri üretiyor; kalan zaman ise köşe durumları, sayısal küçük farklar ve kıyaslama testlerinin kaçırabileceği ince ayrıntılar için harcanıyor. Bu, mühendislik maliyetini düşürse de riskleri tamamen ortadan kaldırmıyor. İki kişilik bir ekibin geçmişte ancak ek bütçeyle yapabileceği bir yeniden inşa işi artık daha erişilebilir hale geliyor. Öte yandan aynı araç için farklı laboratuvarların birbiriyle uyumsuz üç ayrı sürüm üretmesi de kolaylaşıyor. Raporda bazı değişikliklerin özgün yukarı akış projelere geri taşındığı, bazı araçların ise terk edilmiş olmaları nedeniyle yeni topluluk sahipliğine geçtiği belirtiliyor.
Genel çerçevede rapor, kod ajanlarına yönelik sınırsız bir onaydan çok daha dar ve pratik bir sonuca işaret ediyor. Bilimsel yazılımlarda en büyük engel artık her zaman kodu yazmak değil; yazılanı doğrulamak, sürdürülebilir biçimde sahiplenmek ve topluluk içinde tek bir güvenilir sürüm etrafında tutarlılığı korumak. Kod ajanları bakım ve yeniden yazım maliyetini aşağı çekebilir, hatta kimi durumlarda 25 kat, 60 kat veya daha yüksek hızlanmaların önünü açabilir. Ancak bu kazanımların kalıcı değer üretmesi için, araç daha yayımlanmadan önce kimin bakımını üstleneceği ve hangi doğrulama standardının uygulanacağı netleştirilmeli.
