Mert Kaya
MenúCerrar

Mert Kaya Investigación y desarrollo de modelos abiertos pequeños, detección explicable de deepfakes y herramientas locales de IA

Desarrollo modelos pequeños de IA para tareas concretas, pruebas abiertas que los miden y herramientas que explican sus decisiones.

Fundador de Eschatia LabsIngeniero de IA en Enocta

Proyectos destacadosPublicaciones

8600descargas de modelos y datos en Hugging Face

9000descargas en npm

150estrellas en GitHub

Datos al

Proyectos destacados

Todos los proyectos

JevAlt

Modelos pequeños que leen una situación, eligen una de las respuestas disponibles y asignan una probabilidad a cada una. Deem-4B trabaja en inglés, Karar-4B en turco y Wähler-4B en alemán.

Los tres se entrenaron a partir de Intern-Decision-4B, primero con los tres idiomas juntos y después con cada idioma por separado.

En las preguntas excluidas del entrenamiento, Deem-4B alcanza un 94,7% de exactitud, frente al 84,7% de Kev-4B. Karar-4B alcanza un 96,8%, frente al 87,1% de Kev-4B; Wähler-4B alcanza un 92,0%, frente al 81,1% de Kev-4B.

Relacionados:JevOssEmberwick

Tholos + Tholos-2B

Tholos permite que los asistentes de IA realicen tareas en su computadora, en un espacio de trabajo compartido con tablas, notas y un tablero de tareas. Para cada acción, las reglas deciden si se ejecuta, queda a la espera de su aprobación o se bloquea.

Tholos-2B es el modelo pequeño que usan los asistentes, entrenado a partir de MiniCPM5-2B con registros de tareas completadas.

En la misma tarjeta gráfica, una Kaggle T4, Tholos-2B supera 137 de las 160 tareas de Tholos-Bench, frente a las 112 de MiniCPM5-2B. En el mismo procesador común (CPU), Tholos-2B supera 134, frente a las 117 de MiniCPM5-2B.

Licencia Apache-2.0.

reevesagents

reevesagents ejecuta en paralelo varios asistentes de programación con IA en su computadora, con uno de ellos a cargo de coordinar el equipo.

Un paquete npm, licencia Apache-2.0, 10 idiomas de interfaz.

Ultra Mod

Ultra Mod reúne diez extensiones para Claude Code, el asistente de programación de Anthropic. Muestra los límites de uso y el espacio ocupado en la memoria de trabajo del modelo, pide autorización antes de ejecutar rm -rf o git reset --hard y puede revertirlos, impide que el modelo lea archivos .env y otros secretos, y registra las operaciones debajo de cada respuesta.

Licencia MIT. Sin llamadas de red. El consumo permanente de tokens del modelo es cercano a 0.

xdfdet

Los ocho detectores entrenados de la tesis de maestría, con código, mapas de calor y dos juegos para navegador. El artículo relacionado fue aceptado en UBMK 2026.

Ocho modelos publicados. Código con licencia MIT; archivos de modelos entrenados con licencia CC BY-NC 4.0 según las condiciones de FaceForensics++, una colección pública de videos con rostros reales y modificados.

Relacionados:Artículo de UBMK 2026Tesis de maestría

Más proyectos: Eldalambë. La página Proyectos también incluye conjuntos de datos y trabajos iniciales. Las pruebas comparativas abiertas tienen páginas propias.

Código abierto

Lista completa de código abierto

Una lista breve de mis aportes a proyectos externos.

  • musistudio avatar
    musistudio/claude-code-router 37.723
    PR
  • sgl-project avatar
    sgl-project/sglang 37.262
    PR
  • jarrodwatts avatar
    jarrodwatts/claude-hud 28.618
    PR
  • EleutherAI avatar
    EleutherAI/lm-evaluation-harness 14.253
    PR

Publicaciones

Toda la investigación

Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention

Mert Kaya, Venera Adanova

UBMK 2026, 11th International Conference on Computer Science and Engineering, Istanbul (IEEE)

Aceptado, se publicará en IEEE Xplore.

Un artículo aceptado que compara nueve formas de entrenar un detector de deepfakes y mide la exactitud, la correspondencia entre su grado de confianza y los resultados, y las zonas del rostro que utiliza.

Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques

Mert Kaya, Directora: Venera Adanova

Tesis de maestría, TED University,

La tesis compara varias formas de entrenar modelos que reconocen rostros modificados por IA en videos. Los mapas de calor muestran qué zonas del rostro influyeron en cada resultado.

Language Preservation Using Agentic AI Architectures: A Tool-Grounded Small Language Model on a Constructed-Language Testbed

Mert Kaya

Prepublicación pública sin revisión por pares. El código, los datos, los modelos y la prueba comparativa de Eldalambë son privados.

El artículo estudia Eldalambë, un asistente para las lenguas élficas inventadas por Tolkien, Quenya y Sindarin. La versión adoptada, Pro-Preserve, escribe la frase esperada en 40 de 100 solicitudes de prueba, frente a 21 de la versión anterior, Pro2508, e identifica las palabras de Tolkien en 277 de 300 casos, frente a 259 de Pro2508.

Resultados en cifras

Cada afirmación del sitio enlaza la prueba comparativa, los datos o el código que la respaldan.

Karar-4B, turco
96,8% de respuestas correctas en preguntas excluidas del entrenamiento; el modelo de comparación Kev-4B alcanza el 87,1%. Fuente: jevalt-bench.
Deem-4B y Wähler-4B, inglés y alemán
94,7% y 92,0% de respuestas correctas en sus idiomas, frente al 84,7% y el 81,1% de Kev-4B. Fuente: jevalt-bench.
Tholos-2B, tareas para asistentes
En la misma tarjeta gráfica, una Kaggle T4, Tholos-2B supera 137 de las 160 tareas de Tholos-Bench, frente a las 112 de MiniCPM5-2B. En el mismo procesador común (CPU), supera 134, frente a 117 de MiniCPM5-2B. Fuente: Tholos-Bench.
reevesagents, espacio para asistentes
107 estrellas en GitHub al 15 de octubre de 2026 y 742 descargas en npm del 13 de septiembre al 12 de octubre de 2026. Fuentes: GitHub y npm.
Cita (BibTeX)
@mastersthesis{kaya2025explainable,
  author = {Kaya, Mert},
  title = {Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques},
  school = {TED University},
  year = {2025},
  doi = {10.5281/zenodo.18998566}
}

Última actualización:

Preguntas frecuentes

¿Quién es Mert Kaya?

Mert Kaya es investigador sénior e ingeniero de IA, y fundador de Eschatia Labs, un laboratorio independiente de investigación en inteligencia artificial de código abierto. Desarrolla modelos abiertos pequeños y herramientas locales con resultados verificables. En las preguntas en turco de jevalt-bench excluidas del entrenamiento, Karar-4B responde correctamente el 96,8%, frente al 87,1% del modelo de comparación Kev-4B. La familia abierta de modelos de decisión cubre inglés, turco y alemán.

¿Qué es reevesagents?

reevesagents es la herramienta de código abierto de Mert Kaya para ejecutar asistentes de programación con IA en paralelo. Claude Code, Codex, Kimi, OpenCode y otros asistentes trabajan en un mismo espacio de terminal, coordinados por uno de ellos. La herramienta tiene licencia Apache-2.0, contaba con 107 estrellas en GitHub el 15 de octubre de 2026 y registró 742 descargas en npm del 13 de septiembre al 12 de octubre de 2026.

¿Qué es xdfdet?

xdfdet es el sistema que Mert Kaya desarrolló a partir de su tesis de maestría en TED University para detectar rostros modificados con IA en videos. Publica el código completo y ocho modelos de análisis de imágenes; sus mapas de calor muestran las zonas del rostro que influyeron en cada resultado. El código usa la licencia MIT y la tesis es pública en Zenodo.

¿Qué es Karar-4B?

Karar-4B es el modelo abierto de decisión de Mert Kaya para turco. En las preguntas de jevalt-bench excluidas del entrenamiento alcanza un 96,8% de respuestas correctas, frente al 87,1% de Kev-4B, y se ejecuta de forma local con unos 3 GB de memoria. En la misma prueba, Wähler-4B en alemán y Deem-4B en inglés alcanzan el 92,0% y el 94,7%, frente al 81,1% y el 84,7% de Kev-4B.

¿Qué es Tholos?

Tholos es el espacio de trabajo de Mert Kaya para asistentes de IA que se ejecutan en su computadora. Los asistentes comparten tablas, notas y un tablero de tareas. Para cada acción, las reglas deciden si se ejecuta, queda a la espera de su aprobación o se bloquea. En la misma tarjeta gráfica, una Kaggle T4, el modelo de tareas Tholos-2B supera 137 de las 160 tareas de Tholos-Bench, frente a las 112 de MiniCPM5-2B, su modelo de partida. En el mismo procesador común (CPU), Tholos-2B supera 134, frente a 117 de MiniCPM5-2B.

¿Dónde se puede consultar y citar la investigación de Mert Kaya?

La tesis de maestría de Mert Kaya sobre detección explicable de deepfakes es pública en Zenodo con el DOI 10.5281/zenodo.18998566. Su estudio comparativo de métodos de variación y enmascaramiento de imágenes fue aceptado en UBMK 2026 y se publicará en IEEE Xplore. Cada publicación del sitio incluye una referencia BibTeX copiable; el código y los modelos están en GitHub y Hugging Face.

Eschatia Labs

Fundado por Mert Kaya

Eschatia Labs es un laboratorio independiente de investigación en inteligencia artificial de código abierto.

eschatialabs.com

Experiencia

Enocta, Credit Bureau of Turkey (KKB), AgriDL5.0 y Alictus.

Experiencia y formación

Contacto

Para propuestas de investigación o ingeniería, puede escribir por correo electrónico.

[email protected]