Source: https://eschatialabs.com/it/research/ # Ricerca I lavori sono ordinati per domanda di ricerca. Ogni voce indica il metodo e il risultato misurato, con i link ai modelli, ai dati, al codice o all’articolo corrispondenti. [Modelli decisionali](https://eschatialabs.com/it/research/#decision-models) [Benchmark aperti](https://eschatialabs.com/it/research/#benchmarks) [Rilevamento spiegabile dei deepfake](https://eschatialabs.com/it/research/#deepfake-detection) [Assistenti locali per attività](https://eschatialabs.com/it/research/#local-ai) [Conservazione linguistica](https://eschatialabs.com/it/research/#language-preservation) ## Modelli decisionali Piccoli modelli che leggono la descrizione di una situazione, scelgono una delle risposte proposte e assegnano una probabilità a ciascuna risposta. Deem-4B lavora in inglese, Karar-4B in turco e Wähler-4B in tedesco. ### Pubblicazioni - [JevAlt: Technical report](https://eschatialabs.com/it/research/jevalt-report/). Mert Kaya. Il rapporto spiega come sono stati addestrati i modelli decisionali in inglese, turco e tedesco, come sono stati messi alla prova su domande escluse dall’addestramento e quanto le probabilità dichiarate corrispondono ai risultati. Sulle domande di test in turco, Karar-4B raggiunge il 96,8% di accuratezza contro l’87,1% di Kev-4B. Il rapporto documenta anche limiti e file pubblicati. Rapporto tecnico (senza revisione paritaria) - [Leggi](https://eschatialabs.com/it/research/jevalt-report/) - [PDF](https://eschatialabs.com/papers/jevalt-report.pdf) ### Progetti - [JevAlt](https://jevalt.mertkayacs.com/). JevAlt mette a disposizione modelli che scelgono tra risposte predefinite e assegnano una probabilità a ciascuna. Sulle domande del progetto escluse dall’addestramento, in inglese Deem-4B raggiunge il 94,7% di accuratezza, rispetto all’84,7% di Kev-4B; in turco Karar-4B raggiunge il 96,8%, rispetto all’87,1% di Kev-4B; in tedesco Wähler-4B raggiunge il 92,0%, rispetto all’81,1% di Kev-4B. I file per eseguire i modelli sul proprio computer (GGUF) richiedono circa 3 GB di memoria. - [Codice (GitHub)](https://github.com/mertkayacs/jevalt) - [Modelli e dati (Hugging Face)](https://huggingface.co/collections/mertkayacs/jevalt-decision-models) - [Demo](https://huggingface.co/spaces/mertkayacs/JevAlt) - [Kaggle](https://www.kaggle.com/models/mertilovski/jevalt) - [Emberwick](https://emberwick.mertkayacs.com/). Emberwick è la simulazione di un villaggio medievale giocabile nel browser. Deem-4B, Karar-4B e Wähler-4B decidono come reagiscono gli abitanti a tempeste, incendi, giorni di mercato e lupi al tramonto. **Modelli (3)** - [Deem-4B](https://huggingface.co/mertkayacs/Deem-4B). Deem-4B sceglie tra risposte predefinite in inglese e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Deem-4B raggiunge il 94,7% di accuratezza, rispetto all’84,7% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF). - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Deem-4B-GGUF) - [Karar-4B](https://huggingface.co/mertkayacs/Karar-4B). Karar-4B sceglie tra risposte predefinite in turco e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Karar-4B raggiunge il 96,8% di accuratezza, rispetto all’87,1% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF). - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Karar-4B-GGUF) - [Wähler-4B](https://huggingface.co/mertkayacs/Wahler-4B). Wähler-4B sceglie tra risposte predefinite in tedesco e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Wähler-4B raggiunge il 92,0% di accuratezza, rispetto all’81,1% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF). - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Wahler-4B-GGUF) **Dataset (2)** - [jevalt-data](https://huggingface.co/datasets/mertkayacs/jevalt-data). Domande e risposte usate per addestrare i modelli decisionali di JevAlt in inglese, turco e tedesco. - [emberwick-videos](https://huggingface.co/datasets/mertkayacs/emberwick-videos). Scene e filmati registrati in Emberwick, la simulazione di un villaggio medievale nel browser. ## Benchmark aperti Un benchmark è un insieme fisso di test con una regola di valutazione definita. Ogni suite pubblica risponde a una domanda di valutazione e pubblica dati o codice, risultati e limiti. [Tutti i benchmark](https://eschatialabs.com/it/benchmarks/) - [jevalt-bench](https://eschatialabs.com/it/benchmarks/jevalt-bench/). 3.116 descrizioni di situazioni in inglese, turco e tedesco per valutare modelli che scelgono tra risposte predefinite e assegnano una probabilità a ciascuna. - [Dataset (Hugging Face)](https://huggingface.co/datasets/mertkayacs/jevalt-bench) - [Codice (GitHub)](https://github.com/mertkayacs/jevalt) - [Sito del progetto](https://jevalt.mertkayacs.com/) - [JevOss](https://eschatialabs.com/it/benchmarks/jevoss/). Una suite di test aperta che verifica come le modifiche a una domanda influiscono su un modello che sceglie tra risposte predefinite. - [Sito del progetto](https://jevoss.mertkayacs.com/) - [Codice (GitHub)](https://github.com/mertkayacs/jevoss) - [Documentazione](https://mertkayacs.github.io/jevoss/) - [Tholos-Bench](https://eschatialabs.com/it/benchmarks/tholos-bench/). 160 attività in uno spazio di lavoro per valutare piccoli assistenti di intelligenza artificiale in base alla corrispondenza tra il lavoro svolto e la richiesta. - [Dataset (Hugging Face)](https://huggingface.co/datasets/mertkayacs/tholos-bench) - [Codice (GitHub)](https://github.com/mertkayacs/tholos/tree/main/tholos/bench) - [Sito del progetto](https://tholos.mertkayacs.com/) ## Rilevamento spiegabile dei deepfake I deepfake sono video in cui l’intelligenza artificiale ha alterato o sostituito un volto. Studiamo diversi modi per addestrare i rilevatori e usiamo mappe di calore Grad-CAM per mostrare quali parti del volto hanno determinato ogni decisione. Il punteggio AUC va da 0,5, il livello del puro caso, a 1, la separazione perfetta. ### Pubblicazioni - [Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention](https://eschatialabs.com/it/research/ubmk-2026/). Mert Kaya, Venera Adanova. Lo studio confronta nove modi di addestrare EfficientNet-B4, un modello di riconoscimento delle immagini, per rilevare volti alterati dall’intelligenza artificiale in FaceForensics++, una raccolta pubblica di video con volti reali e manipolati. Valuta ogni configurazione con AUC, F1, punteggio Brier e perdita logaritmica; le quattro misure privilegiano configurazioni diverse. L’AUC misura quanto bene il modello distingue i casi: va da 0,5, il livello del puro caso, a 1, la separazione perfetta. Il punteggio Brier misura l’errore delle probabilità. Le mappe di calore Grad-CAM mostrano quali zone del volto hanno influito su ogni previsione. Su FaceForensics++, una raccolta pubblica di video con volti reali e alterati, il modello per immagini EfficientNet-B4 raggiunge un AUC di 0,897 quando viene addestrato con immagini variate e in parte oscurate, contro 0,868 senza queste immagini. Accettato a UBMK 2026. La versione finale sarà pubblicata su IEEE Xplore; il DOI non è ancora disponibile. - [Leggi](https://eschatialabs.com/it/research/ubmk-2026/) - [PDF](https://eschatialabs.com/papers/ubmk-2026.pdf) - [Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques](https://eschatialabs.com/it/research/msc-thesis/). Mert Kaya. La tesi studia come rilevare volti alterati dall’intelligenza artificiale nei video. Confronta l’addestramento di EfficientNet-B4 con immagini variate e zone del volto mascherate, poi usa mappe di calore Grad-CAM per mostrare quali parti del volto hanno influito su ogni previsione. Tesi di laurea magistrale, TED University, 2025. Relatrice: Venera Adanova. - [Leggi](https://eschatialabs.com/it/research/msc-thesis/) - [PDF](https://eschatialabs.com/papers/msc-thesis.pdf) - [DOI](https://doi.org/10.5281/zenodo.18998566) ### Progetti - [xdfdet](https://xdfdet.mertkayacs.com/) xdfdet rileva volti alterati dall’intelligenza artificiale nei video e mostra quali zone del volto hanno influito su ogni previsione. Include codice, otto modelli EfficientNet-B4 addestrati, mappe di calore Grad-CAM e due giochi per il browser. Codice: MIT. File dei modelli addestrati: CC BY-NC 4.0 secondo le condizioni di FaceForensics++. - [Reale o IA?](https://xdfdet.mertkayacs.com/game/) - [Codice (GitHub)](https://github.com/mertkayacs/xdfdet) - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/xdfdet) - [Kaggle](https://www.kaggle.com/models/mertilovski/xdfdet) ## Assistenti locali per attività Tholos permette agli assistenti di intelligenza artificiale di svolgere compiti sul proprio computer, in uno spazio di lavoro condiviso con tabelle, note e una bacheca delle attività. Per ogni azione, le regole stabiliscono se eseguirla, attendere l’approvazione o bloccarla. ### Pubblicazioni - [Tholos-2B: Technical report](https://eschatialabs.com/it/research/tholos-2b-report/). Mert Kaya. Il rapporto descrive Tholos-2B, derivato da MiniCPM5-2B e addestrato su esecuzioni registrate di attività completate nello spazio di lavoro. Sulla stessa scheda grafica, una Kaggle T4, Tholos-2B supera 137 dei 160 compiti di Tholos-Bench, contro 112 per MiniCPM5-2B. Sullo stesso normale processore (CPU), Tholos-2B ne supera 134, contro 117 per MiniCPM5-2B. Rapporto tecnico (senza revisione paritaria) - [Leggi](https://eschatialabs.com/it/research/tholos-2b-report/) - [PDF](https://eschatialabs.com/papers/tholos-2b-report.pdf) ### Progetti - [Tholos](https://tholos.mertkayacs.com/). Tholos coordina assistenti di intelligenza artificiale che eseguono attività sul proprio computer. Gli assistenti condividono tabelle, note e una bacheca delle attività. Per ogni azione, le regole stabiliscono se viene eseguita, resta in attesa di approvazione o viene bloccata. - [Codice (GitHub)](https://github.com/mertkayacs/tholos) - [reevesagents](https://reevesagents.mertkayacs.com/) reevesagents esegue più assistenti di programmazione basati sull’intelligenza artificiale in un unico spazio di lavoro nel terminale locale e permette a un assistente di coordinare il gruppo. Comprende interfacce a riga di comando, terminale e web, oltre a un server MCP per la comunicazione tra strumenti di intelligenza artificiale. Un solo pacchetto npm, licenza Apache-2.0, interfaccia in 10 lingue. - [Codice (GitHub)](https://github.com/mertkayacs/reevesagents) - [Pacchetto (npm)](https://www.npmjs.com/package/reevesagents) **Modelli (1)** - [Tholos-2B](https://huggingface.co/mertkayacs/Tholos-2B). Tholos-2B è un piccolo modello per assistenti di intelligenza artificiale che eseguono attività in uno spazio di lavoro condiviso. È stato addestrato a partire da MiniCPM5-2B su esecuzioni registrate. Con la stessa configurazione Kaggle T4, Tholos-2B supera 137 test Tholos-Bench su 160, rispetto ai 112 di MiniCPM5-2B. Con la stessa configurazione CPU ne supera 134, rispetto ai 117 di MiniCPM5-2B. Licenza Apache-2.0. - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Tholos-2B-GGUF) **Dataset (1)** - [tholos-trajectories](https://huggingface.co/datasets/mertkayacs/tholos-trajectories). Esecuzioni registrate di attività usate per addestrare Tholos-2B, il modello degli assistenti di intelligenza artificiale di Tholos. ## Conservazione linguistica Eldalambë aiuta a leggere e scrivere le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e la loro scrittura, Tengwar. Un piccolo modello linguistico controlla le proprie risposte con un dizionario e regole grammaticali. L’articolo è pubblico; codice, dati, file dei modelli e domande di test sono privati. ### Pubblicazioni - [Language Preservation Using Agentic AI Architectures: A Tool-Grounded Small Language Model on a Constructed-Language Testbed](https://eschatialabs.com/it/research/eldalambe-2026/). Mert Kaya. L’articolo studia Eldalambë, un assistente per le lingue elfiche inventate da Tolkien, Quenya e Sindarin. La versione adottata, Pro-Preserve, scrive la frase attesa in 40 richieste di test su 100, rispetto alle 21 della versione precedente, Pro2508, e riconosce le parole di Tolkien in 277 casi su 300, rispetto ai 259 di Pro2508. Preprint pubblico senza revisione paritaria. Il codice, i dati, i modelli e il benchmark di Eldalambë sono privati. - [Leggi](https://eschatialabs.com/it/research/eldalambe-2026/) - [PDF](https://eschatialabs.com/papers/eldalambe-2026.pdf) ### Progetti - [Eldalambë](https://eldalambe.mertkayacs.com/). Eldalambë legge e scrive le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e ne riproduce la scrittura Tengwar. Controlla le parole su testi verificati grammaticalmente e offre strumenti per traduzione, consultazione e forme delle parole. Demo su invito. Codice, dati, file dei modelli addestrati e benchmark sono privati; solo l’articolo è pubblico.