Muse Spark 1.1 yayımlandı

 (ai.meta.com)
1 puan yazan GN⁺ 4 시간 전 | 1 yorum | WhatsApp'ta paylaş
  • Meta Superintelligence Labs tarafından yayımlanan Muse Spark 1.1, ajan görevlerine yönelik çok modlu bir akıl yürütme modeli; araç ve bilgisayar kullanımı, kodlama ve çok modlu anlama alanlarında önceki sürüme göre güçlendirildi
  • Harici uygulama ve servisler genelinde planlama ve orkestrasyonu üstlenmesi; native tools, MCP servers ve custom skills’e zero-shot genelleme yapması temel özellikleri arasında
  • 1 milyon token’lık bağlam penceresini etkin biçimde yöneterek geçmiş görev bilgilerini arıyor ve sonraki adımlar için gerekli temel bağlamı sıkıştırıp koruyor
  • Geliştiriciler modele herkese açık önizleme olarak sunulan Meta Model API üzerinden erişebiliyor; Meta AI uygulamasında ve meta.ai’de “Thinking” modu ile kullanılabiliyor
  • Meta, dağıtım öncesinde Advanced AI Scaling Framework’e göre güvenlik değerlendirmeleri yaptığını; Chemical & Biological, Cybersecurity ve Loss of Control kategorilerinde güvenlik marjı içinde olduğunu belirtti

Muse Spark 1.1’in konumu ve sunulma şekli

  • Muse Spark 1.1, Meta Superintelligence Labs’in en yeni modeli ve mevcut Muse Spark’a kıyasla önemli bir yükseltme olarak tanıtılıyor
  • Ajan görevleri için bir çok modlu akıl yürütme modeli olup şu alanlardaki iyileştirmeler vurgulanıyor
    • Araç kullanımı
    • Bilgisayar kullanımı
    • Kodlama
    • Çok modlu anlama
  • Bu çıkış, Muse Image duyurusuyla birlikte Meta’nın “personal superintelligence” vizyonuna yaklaşan bir aşama olarak konumlanıyor
  • Geliştiriciler Muse Spark 1.1’e herkese açık önizleme olarak sunulan Meta Model API üzerinden erişebiliyor
  • Meta AI uygulamasında ve meta.ai üzerinde “Thinking” modu olarak sunuluyor

Ajan görevleri ve uzun bağlam işleme

  • Birden fazla harici uygulama ve servise yayılan kişisel ajan görevlerinde plan yapıyor ve yürütme akışını orkestre ediyor
  • native tools, MCP servers ve custom skills’e zero-shot genelleme yapıyor
  • Karmaşık projeleri Muse Spark’a göre çok daha hızlı işlemek üzere eğitildi
    • Ana ajan bağlamı topluyor, plan yapıyor ve yürütmeyi paralel subagent’lara devrediyor
    • subagent’lar kendilerine verilen işi takip ediyor, kullanılabilir araçları anlıyor ve gerektiğinde konuyu ana ajana yükseltiyor
  • 1 milyon token’lık bağlam penceresini etkin biçimde yönetiyor
    • Gerçekleştirdiği eylemleri hatırlıyor
    • Çok daha önceki görevlerden bilgi arıyor
    • Sonraki işler için gerekli temel adımları koruyacak şekilde sıkıştırıyor

Bilgisayar kullanım otomasyonu

  • Muse Spark 1.1, birden fazla uygulama arasında geçiş yapılan ve bilginin gerçek zamanlı değiştiği bilgisayar kullanım iş akışlarında güçlü yanlar gösteriyor
  • Uzun oturumlarda da bağlamı koruyor, değişen gereksinimlere uyum sağlıyor ve tanıdık olmayan arayüzleri minimum insan müdahalesiyle keşfediyor
  • Masaüstü görevlerini her zaman yalnızca tıklama düzeyinde ele almıyor; duruma göre otomasyon ile doğrudan etkileşim arasında seçim yapıyor
    • Otomasyon daha hızlı olduğunda script yazıyor
    • Doğrudan etkileşim daha basit olduğunda tıklamaları kullanıyor
    • Her adımda birden fazla eylemi gruplayarak üretiyor
  • Akşam yemeği partisi hazırlığı örneğinde, sipariş sürecinde yeni bağlam oluştuğunu fark ediyor ve kullanıcı müdahalesi olmadan gerekli güncellemeleri yapıyor

Kodlama performansı ve geliştirme iş akışı

  • Büyük ve karmaşık kod tabanlarıyla çalışılan gerçek dünya kodlama görevlerinde Muse Spark 1.1’in performansı belirgin şekilde iyileşti
  • Karmaşık hata teşhisi ve düzeltmesi, kurumsal ölçekli sistemlerde yeni özellik geliştirme ve büyük ölçekli kod migrasyonları yapabiliyor
  • Web uygulaması oluşturma ve uçtan uca soru-cevap gibi kullanım senaryolarında ilk modele kıyasla büyük gelişim gösteriyor
  • Çeşitli harness’lara sorunsuz uyum sağlamak ve karmaşık çok turlu davranışları kararlı biçimde yönetmek üzere eğitildi
    • planning mode
    • goal conditioning
    • subagent delegation
    • context compaction gibi yaygın ajan kodlama özelliklerini destekliyor
  • OpenCode hata ayıklama demosunda bir sohbet web uygulaması oluşturuyor, otomatik ekran görüntüleriyle kullanıcının gördüğü hatayı buluyor, ilgili koda kadar izleyip düzeltiyor ve değişiklikleri doğruluyor
  • Meta içindeki geliştiriciler ve araştırmacılar Muse Spark 1.1’i her gün kullanıyor; Meta Internal Coding Bench’te Muse Spark’a göre büyük iyileşme ve önde gelen alternatiflerle rekabetçi sonuçlar gösteriyor
  • Araştırmacılar Muse Spark 1.1’i iş akışlarında kullanarak model geliştirme ve değerlendirme görevlerini de otomatikleştiriyor
  • DeepSWE değerlendirme örneğinde, OpenCode içinde farklı akıl yürütme yoğunluklarında DeepSWE görevlerinin bir bölümünü kendi kendine değerlendiriyor ve sonuçlara dayalı bir analiz panosu oluşturuyor

Çok modlu anlama ve yürütme

  • Muse Spark 1.1, algı, çok modlu akıl yürütme ve araç kullanımını birleştiren görevlerde de güçlü yanlar gösteriyor
  • Gerçek ortamlarla etkileşime girerken dayanaklı çıktılar üretebiliyor
    • Görsel materyallerden kod çıktısı üretme
    • Görüntü ve videolar için çok ayrıntılı altyazı oluşturma
    • Çok modlu kullanım senaryoları için ajan iş akışları yürütme
  • Algı ve eylemin birlikte gerektiği durumlarda çok modlu yetenekleri özellikle yararlı oluyor
    • Görsel ve sesi inceliyor
    • Uzun iş akışları boyunca ayrıntıları koruyor
    • Kullanıcı adına bilgisayarı kullanırken bu ayrıntılardan yararlanıyor
  • Facebook Marketplace ajanı örneğinde, akıllı telefonla çekilmiş bir videodan kullanışlı fotoğraflar çıkarıyor, ürünü çıkarımsıyor ve kullanıcının tarayıcısını kullanarak bir Marketplace ilanı oluşturuyor

Güvenlik değerlendirmesi

  • Meta, dağıtımdan önce Advanced AI Scaling Framework doğrultusunda kapsamlı güvenlik değerlendirmeleri yaptı
  • Bu çerçeve, Meta’nın en gelişmiş modelleri için değerlendirmeleri, tehdit modellerini ve dağıtım kriterlerini tanımlıyor
  • Değerlendirme kategorileri şu frontier risk’leri içeriyor
    • Chemical & Biological
    • Cybersecurity
    • Loss of Control
  • Meta’nın değerlendirmesinde Muse Spark 1.1, tüm frontier risk kategorilerinde güvenlik marjı içinde çalışıyor
  • Doğrudan jailbreak’e, güvenilmeyen verilerden gelen dolaylı saldırılara, prompt injection’a ve developer-prompt saldırılarına karşı güçlü direnç gösteriyor
  • Bunun sonucunda adversarial robustness iyileşiyor; hallucination oranı ve sycophancy azalıyor
  • Güvenlikle ilgili tüm içerik Muse Spark 1.1 Evaluation Report içinde belgelendi

İlk partner tepkileri ve gelecek planları

  • Meta Model API’nin herkese açık önizlemesi sayesinde geliştiriciler ilk kez Muse Spark 1.1 tabanlı geliştirmelere başlayabiliyor
  • İlk partnerler, uzun bağlam işleme, kodlama ve akıl yürütme yeteneklerini birleştirerek büyük ölçekli ajan iş yüklerini çalıştırabilecek bir temel model olarak değerlendiriyor
  • Replit CEO’su Amjad Masad; 1 milyon token’lık bağlam, görüntü-video-PDF çok modlu desteği, alıntılı yerleşik arama, yapılandırılmış çıktı, paralel araç çağrıları ve OpenAI uyumlu paketin tek bir modelde toplandığını vurguluyor
  • Cline CEO’su Saoud Rizwan, güçlü araç kullanımı ile gerçek kodlama iş yüklerini ölçekli biçimde çalıştırmaya uygun fiyat düzeyini birlikte sunduğu için Cline geliştiricilerine erken erişim vermek istediklerini belirtti
  • Box’tan Yashodha Bhavnani, Box’ın kurumsal iş değerlendirme setinde Muse Spark’ın mevcut önde gelen frontier modellerle rekabetçi kurumsal yetenekler gösterdiğini değerlendirdi
  • OpenClaw Foundation’dan Dave Morin, Muse Spark 1.1’i ajan yürütme için hızlı ve güçlü bir model olarak değerlendirdi
  • Meta, daha yüksek performanslı modelleri eğitiyor ve bunları gelecekte paylaşmayı planlıyor

İlgili okumalar

1 yorum

 
GN⁺ 4 시간 전
Hacker News yorumları

  • Bağlantısı verilen raporda çok daha ayrıntılı bilgi var: https://ai.meta.com/static-resource/muse-spark-1-1-evaluatio...
    Terminal-Bench-2.1 ayrıntılarına bakınca, “resmî depodaki 89 Terminal-Bench 2.1 görevi, yalnızca bash araçlarına yönelik bir ajan harness'iyle değerlendirildi; kaynaklar 6 CPU çekirdeği ve 8 GB RAM ile sınırlandı” deniyor; bu durumda sonuç diskalifiye olur
    Her terminal benchmark görevinin ayrı bir CPU üst sınırı ve RAM üst sınırı var; ikisinden biri bile aşılırsa diskalifiye oluyorsunuz. tbench-2.1'e göre 89 görevden CPU için 6 çekirdeğe izin verenlerin sayısı 0, RAM için 8 GB'a izin verenlerin sayısı ise sadece 8
    Bu tür şüpheli benchmark çalışmaları, modelin benchmark performansını artırmak için harness yazmanın bütün zevkini kaçırıyor. Çünkü ne yaparsanız yapın manşetteki hatalı sayıyı geçemiyorsunuz. Muhtemelen bu modelin resmî liderlik tablosunda https://www.tbench.ai/leaderboard/terminal-bench/2.1 yer almamasının nedeni de bu
    Eski bir Meta çalışanı olarak biraz buruk ama pek de şaşırtıcı değil. PSC bitip bir sonrakine geçilene kadar rakamları yükseltmek temel performans değerlendirme metriğiydi

    • Modelin yanlışlıkla fork bomb başlatması gibi durumlar dışında neden kaynak sınırlarını dikkate almak gerektiğini bilmiyorum. Bu benchmark'ın terminal kullanımı, özellikle çok sayıda bash aracı çağrısını birbirine bağlama becerisini ölçtüğünü sanıyordum; hangi test senaryosunda bu önemli hâle geliyor?
    • Kapalı modellerin sorunu tam da bu. Para ödediğimiz şeyin daha iyi bir temel model mi, yoksa benchmark puanını en üst düzeye çıkarmak için iyi tasarlanmış bir harness mi olduğunu tam olarak bilemiyoruz
    • Tamamen meraktan soruyorum: Kaynak sınırları ne sıklıkla darboğaz oluyor? Harness burada neye yardımcı oluyor? Paralelliği sınırlamak ya da daha verimli araçlar kullanmak gibi mi?
    • Ana fikri anlıyorum ama bunun o kadar önemli olduğundan pek emin değilim
      harbor / tb2.1, Docker çalıştırmalarında kullanılabilen swap'i sınırladı mı? Eskiden Docker örneklerinin spesifikasyondan daha fazla bellek kullanabildiği bir hata vardı. Orijinal görevlerin bazılarını swap'ten yararlanmadan tamamlamak fiilen imkânsızdı ve Docker'ın swap'e erişimi engellenirse oracle çözümü bile geçemiyordu
      Hatırladığım kadarıyla crack-7z-hash ve filter-js-from-html'de bu sorun vardı, ama aylardır bakmadığım için emin değilim
    • Çok büyük bir sorun gibi görünmüyor. Herhangi bir ürünü değerlendirirken de ürünü yapan tarafın sözünü olduğu gibi kabul etmem. Doğal olarak taraflı olacaklardır. Bu yüzden https://artificialanalysis.ai gibi bağımsız testler var

  • Birkaç gün önceden deneme fırsatım oldu ve bu sırada LLM için bir eklenti yazabildim. Modeli terminalde şöyle deneyebilirsiniz
    uv tool install llm
    llm install llm-meta-ai
    llm keys set meta-ai
    # paste API key here
    llm -m meta-ai/muse-spark-1.1 "Generate an SVG of a pelican riding a bicycle"
    Sonuç burada: https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
    Karşılaştırma için Muse Spark 1'in ürettiği pelikan burada: https://simonwillison.net/2026/Apr/8/muse-spark/

    • Bu kadar çok modeli önizlemek için nasıl zaman bulduğunu merak ediyorum. Son dönemde model lansmanları gerçekten baş döndürücüydü; bazen iş gibi hissettirmiyor mu?

  • Zuck, doğrudan rekabet etmektense model pazarında spoiler rolüne odaklansa belki daha iyi olur
    Anthropic veya OpenAI'ın model gelirlerini yakalamasına gerek yok; o geliri %99 kırpabilmesi yeterli. Frontier model geliştirmeye milyarlarca dolar harcamaya devam edip bunları açık ağırlıklarla yayımlayarak kodlama modellerini genel bir metaya dönüştürsün. Bunun yanında iyi hazırlanmış açık kaynak bir benchmark harness'i de gerekir
    Bunu yapabilecek ve iş açısından da mantıklı bir konumda olan çok az kişi var. Zaten gidişatın büyük ihtimalle o yöne olması beklenir ve o bu süreci ciddi biçimde hızlandırabilir. Tıpkı derleyicilerde olduğu gibi, modellerin de tescilli ürünlerden genel metalara geçmesini ummalıyız
    Bu, Zuck'ın dünya için yapabileceği en iyi şeylerden biri olabilir

    • Onlar gelir kaybederse Meta'nın hesaplama kaynaklarını kim kiralayacak?
    • Gerçek spoiler kralı olmak istiyorsa eğitim veri kümesini açık kaynak yayımlaması yeterli. O kadar ileri gideceğinden şüpheliyim
    • Kodlama modelleri varılacak hedef değil. Kodlama modelleri, genel zekâya giden bootstrapping sürecinin yalnızca bir parçası
    • Bunu zaten llama ile denememiş miydi?
    • Yapması gereken tek şey, böyle modeller üretmenin artık o kadar da zor olmadığını kanıtlamak. Çünkü bu şirketlerin hendeği, frontier model inşa etmenin gerçekten zor olduğuna dair algı

  • Fiyatı akıl almaz derecede iyi. 1 milyon token başına girdi $1.25, çıktı $4.5; önbelleğe alınmış girdi ise $0.15
    https://dev.meta.ai/docs/getting-started/pricing-rate-limits

    • Bu, xAI Grok 4.5 ile en doğrudan karşılaştırılabilecek şey. İkisinin yönü de “Haiku fiyatına Opus düzeyi zekâ”ya daha yakın ve böyle bir modeli uygulamasına koymak isteyen uygulama geliştiricileri için bu çok büyük mesele
      Haiku ve Sonnet’i Grok 4.5 ile değiştirmeyi test ediyordum; bunu da bir denemeyi düşünüyorum. Özellikle önbellek fiyatı çok daha ucuz
    • Önbelleğe alınmış girdi fiyat oranı iyi
      Grok 4.5 $2/$6 olarak çıktı ama sessizce önbelleğe alınmış girdi için 1 milyon token başına $0.50 alıyor. Bu, Opus 4.8 kadar pahalı bir seviye
    • Meta şu anda model seçen çoğu kişinin radarında değil. Gerçekten iyi bir modeli varsa, rakip fiyatlarına uydurmadan önce kullanıcı kazanmak için sübvanse etmesi mantıklı
    • Qwen 3.7 Max’ten ucuz. Grok 4.5’in $2 girdi / $6 çıktısının ardından, büyük laboratuvarların GLM 5.2 baskısını hissettiğinin ikinci işareti
    • Yine de hâlâ saçma derecede pahalı. 100 Google arama sonucu için $10 ödediğinizi düşünün; fiilen bu da öyle bir şey
      Çıktı için 1 milyon token başına $1.50’den fazla harcamak isteyen biri neden olur gerçekten bilmiyorum. $15~50’yi saymıyorum bile. Tüketicilerin gerçekten kullanım bazlı ücret ödediği durumlar var mı?

  • Daha düne kadar OpenAI ve Anthropic’in geri döndürülemez biçimde önde olduğu havası güçlüydü sanki; artık xAI ve Meta en azından pratik modellerle rekabet edebilecek şeyler çıkardı ve fiyatları da ucuz
    Elbette Fable ve muhtemelen yakında çıkacak GPT-6’ya bakınca iki lider laboratuvarın önde olduğu anlatısı hâlâ geçerli, ama kanaat önderlerinin söylediği gibi tamamen bitmiş bir oyun değil

    • Artık modeller genel olarak yeterince iyi hâle geldi. Büyük bir sıçrama olmazsa bundan sonra önemli olan tek şey maliyet
    • İnsanlar Google’ın geride kalmasını, Anthropic ve OpenAI’ın çok öne geçmesi olarak yanlış yorumladı. Gerçekte bu, Google’ın Tensorflow, Angular, GCP zamanındaki gibi geride kalmasına daha yakın
    • Nüans biraz farklı
      GLM 5.2 için beklenti bundan önce zaten yüksekti. xAI ya da Meta farklı bir yolla büyük bir fark yaratmış değil; GLM 5.2’ye benzer sonuçlara ve benzer fiyata daha yakınlar

  • Kişisel olarak Meta’yı sevmiyorum ama bunu kabul ediyorum. Rekabet ne kadar çok olursa genel tüketici için de şirketler için de o kadar iyi
    Çin modelleri, Grok, Meta, Google, OpenAI ve Anthropic’in hepsinin rekabet etmesini bir kazanım olarak görüyorum. Böyle sübvanse edilmiş token’ları kullanabildiğim sürece sonuna kadar yararlanmak için çılgınca bir şeyler yapıyorum

    • Meta’nın yerel llama modelleri bir dönem açık kaynak AI’ın yüzüydü. Oyun gerçekten çok değişti
    • Kesinlikle iyi bir şey olduğunu düşünüyorum. Ancak bu gelişmeler yüzünden AI çağında gereken yazılım mühendisi sayısının artıp artmayacağı yoksa azalacağı konusunda içimde hâlâ tartışıyorum
      Bir yandan ürün yapmak kolaylaşacak, daha fazla insan yapacak ve daha fazla ürün ile özellik ortaya çıkacak. Teknik olmayan kişiler de çokça yapmaya çalışacak ama bir yerde tıkanacaklar ve sonunda mühendise ihtiyaç duyulacak. Deneyimli teknoloji şirketleriyle teknik olmayan kurucuların ve kurucu adaylarının üreteceği toplam ürün miktarı muazzam olacak. Yakın gelecekte daha fazla yazılım mühendisine ihtiyaç duyulacağına dair yükseliş senaryosu burada
      Öte yandan yaklaşık 1 yıl sonra insanlar bu ürünlerden yığınla yapacak ama çoğu bunları pazarlayamayacak, satamayacak veya para kazanamayacak. Sonuçta o kadar çok yazılım mühendisine ihtiyaç kalmayabilir. Yine de genel olarak yükseliş senaryosunun net etkide kazanma ihtimalinin daha yüksek olduğunu düşünüyorum
    • Çin modellerini biraz daha açarsak DeepSeek, GLM(Z.ai), Minimax, Kimi(Moonshot), Hy3(Tencent), Qwen(Alibaba) var
      Her birinin ağırlıkları indirilip yerelde çalıştırılabilir
    • Bu haberi kendi Meta Threads’inde değil, X’te paylaştı. Bunu büyütmeye ne kadar ilgi duyduğunu gösteriyor. Elbette bu şirketler nakit yakmaya devam ederken bizim açımızdan maliyetler karşılanabilir seviyede kalabilir
    • Şimdiye kadar gördüğüm en büyük teknoloji rekabeti. En zengin şirketler, en zeki insanlar, en zengin ülkeler işin içine girdi
      Rekabet iyi mi bilmiyorum; birkaç yıl sonra göreceğiz. Uzun bir aradan sonra fiziksel emek gerektiren bir işe sahip olacağım günü dört gözle bekliyorum

  • Nasıl oluyor da tüm şirketler tüm benchmark’larda kendilerini birinciymiş gibi gösterebiliyor?

    • Önce kendi seçtikleri benchmark setinde hangi modellerin daha kötü olduğuna bakıyorlar
      Sonra rakip modellerin önceki sürümleriyle karşılaştırıyorlar. Yine iyi görünmüyorsa kendi önceki modeliyle karşılaştırıyorlar
    • Çünkü hendek çok büyük değil, iyileşmeler kademeli ve karşılaştırılacak modeller seçilip sepete konuyor
      Adil olmak gerekirse ana güçlü taraf fiyat ise benzer performans bandındaki modellerle karşılaştırmak daha doğru görünüyor
    • Artık Gemini ile karşılaştırmak bedava bingo karesi gibi hissettiriyor
    • AI tarafını derinden bilen biri açısından, kodlamada standart benchmark olarak neye bakmak gerekir?
    • Kendi modelinizin en az N benchmark’ta öne geçtiği tam anı bekleyip duyurmanız yeterli

  • Meta’nın kapalı ağırlıklı model geliştirip yayımladığını kaçırmışım. Yazık. ABD yapımı açık ağırlıklı modellerde daha fazla ilerleme olsa iyi olur

  • Bir container içinde codex ile birlikte çalışır hâle getirdim. Bu arada Codex:Muse arayüzünde çoğu kişinin karşılaşacağı bir hata var gibi görünüyor
    Bana kalırsa codex sunucu tarafı araç çağrılarını beklemiyordu ve Meta’nın bu ID’leri ele alış biçimi nedeniyle bir tür ayrıştırma ya da entegrasyon hatası oluşuyor. codex’i muse ile ilk birkaç kez çalıştırdığımda ilk web dışı arama çağrısında başarısız oldu
    Düzelttim; kişisel olarak özel sunucu tarafı araç çağrıları ve süresiz dosya saklama konusunda hâlâ tamamen ikna olmuş değilim ama şu ana kadar oldukça hoş bir model ve keyifle kullanıyorum
    https://github.com/accretional/awesome-muse-spark/blob/main/...

  • Yayımlanan benchmark'lara bakınca kodlama ve multimodal tarafı da epey iyi, ama araç çağırma başarı oranı çok iyi görünüyor
    Bu tür bir performans profiline en çok uyan kullanım senaryosu ne olabilir?

    • Hata ayıklama ve tanılama çok fazla araç çağrısı içerir. Log'ları grep'lemek veya dönüştürmek, profiler ya da tracer çağırmak ve olay raporu yazmaya kadar uzanır
      Hata tanılama, bir miktar kodlama yaparken araç kullanımında daha da iyi olmayı gerektiren bir alan. İyi bir tanılama raporu varsa düzeltmeyi Opus'a devredebilirsiniz
      Opus da raporları bir ölçüde yazıyor, ama typst belgelerinde hâlâ tablo genişliklerini sık sık yanlış ayarlıyor; son sütunun metinle dolup genişliğinin yalnızca birkaç karakter kaldığı durumlar oluşuyor
    • Gemini 3.5 Flash, araç çağırmada Fable'dan daha iyi. Araç çağırma muhtemelen sonradan eğitimle görece kolay iyileştirilebilen alanlardan biri olacaktır
    • Bundan sonraki her yeni sürümde böyle bir desen görüp görmeyeceğimizi merak ediyorum. Araç kullanımı hızla değişmeye çok açık olduğundan, en zeki modelden ziyade en güncel model her zaman avantajlı olabilir
    • Bu biraz işe yaramaz gibi geliyor. JSON gibi kısıtlı decoder performansının güçlü olması ilginç, ama genel decoder'da araç doğrulayıcıdan geçip iyi hata mesajları aldıktan sonra yeniden deneme döngüsü, neredeyse her zaman ikinci denemede aracı çalıştırabiliyor. Girdi önbelleğe alındığı için maliyeti de yüksek değil