DAIR.AI@dair_aiNghiên cứu thú vị khám phá liệu các mô hình AI có thể tự trả lời câu hỏi về chính khả năng và giới hạn của bản thân hay không, từ đó cải thiện độ chính xác trong tự đánh giá.
τ^τ-Bench là bộ tiêu chuẩn mới đánh giá khả năng của AI trong việc tự xây dựng các Agent thực tế, dựa trên các điều kiện khắt khe như dữ liệu doanh nghiệp, API sản xuất và giới hạn chi phí, thay vì chỉ giải quyết các bài toán lý thuyết.
Enoki là khung trích xuất thông tin mở giúp phát hiện ảo tưởng ở cả cấp độ khẳng định và cấp độ đoạn văn bản, tối ưu hóa quy trình xác thực mà không cần các bước căn chỉnh phức tạp.
Nghiên cứu giới thiệu OR-Clarify, bộ tiêu chuẩn đánh giá khả năng đặt câu hỏi làm rõ của AI trước khi xây dựng mô hình tối ưu hóa, giúp khắc phục tình trạng thiếu hụt thông tin trong các yêu cầu thực tế.
Motion-Omni là khung làm việc end-to-end cho phép mô hình đối thoại tạo ra lời nói cùng cử chỉ cơ thể (mặt, tay, dáng đi) trực tiếp từ trạng thái ẩn, thay vì phải xử lý tách biệt như các phương pháp truyền thống.
RISE là phương pháp mới giúp mô hình tự tạo ra 'giáo viên' từ quá trình huấn luyện RLVR của chính nó. Bằng cách ngoại suy các thay đổi tham số, phương pháp này chuyển đổi các phản hồi thưa thớt thành mục tiêu học tập dày đặc ở cấp độ token mà không cần mô hình bên ngoài.
Nghiên cứu này chứng minh rằng layer dropout vẫn cực kỳ hữu ích cho các LLM hiện đại nếu được cấu hình đúng, giúp giảm loss và tăng hiệu suất huấn luyện mà không làm mất độ chính xác.
MaxKernel là hệ thống đa tác nhân sử dụng LLM kết hợp phản hồi từ trình biên dịch để tự động thiết kế, kiểm thử và tối ưu hóa các nhân xử lý hiệu năng cao cho chip TPU, giúp giảm bớt gánh nặng chuyên môn phần cứng.
Nghiên cứu chỉ ra rằng các mô hình ngôn ngữ lớn thường sửa code dư thừa so với yêu cầu thực tế, gây khó khăn cho việc kiểm duyệt. Việc thêm chỉ dẫn bảo tồn cấu trúc gốc giúp giảm đáng kể tình trạng này mà vẫn duy trì được hiệu suất sửa lỗi.
Giới thiệu Iris-mini và Iris-pro, hai tác nhân tìm kiếm thông minh được huấn luyện qua quy trình xây dựng dữ liệu từ cấu trúc siêu liên kết web, giúp giải quyết các truy vấn phức tạp mà mô hình truyền thống thường thất bại.
Rohan Paul@rohanpaul_aiNghiên cứu chỉ ra rằng các mô hình AI khi chỉnh sửa code của nhau thường có xu hướng thay đổi quá mức cần thiết. Bài báo đề xuất phương pháp huấn luyện mới giúp tối ưu hóa quy trình cộng tác này, tránh việc sửa đổi không đáng có.
Dex Horthy (HumanLayer)@dexhorthyChuyên gia Dex Horthy phân tích những rào cản khiến các mô hình ngôn ngữ lớn hiện nay gặp khó khăn trong việc thiết lập và vận hành các hệ thống kỹ thuật phức tạp, dù đã có nhiều tiến bộ về tư duy logic.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangMuse Spark 1.3 Max by Vals AI, competitive with Claude Fable 5 and GPT-5.6 Sol while 4-8x cheaper
DịchTheo bảng xếp hạng Vals Index, mô hình Meta Muse Spark 1.3 Max đạt hiệu năng tương đương các đối thủ hàng đầu như Claude Fable 5 và GPT-5.6 Sol, nhưng tối ưu chi phí vượt trội với mức giá rẻ hơn từ 4 đến 8 lần.
Ant Ling@AntLingAGIBài viết ví von việc tối ưu hóa suy luận cho các mô hình AI giống như nghệ thuật phục vụ trong nhà hàng Michelin, nhấn mạnh tầm quan trọng của hạ tầng kỹ thuật đối với hiệu suất thực tế của mô hình.
Startup Nga Mostik gây sốt khi leo lên top đầu bảng xếp hạng ARC-AGI-3 nhờ kỹ thuật 'cầu nối' cho phép các mô hình AI giao tiếp trực tiếp qua không gian toán học thay vì văn bản, giúp tối ưu hiệu suất vượt trội.
Xiaojùn@zhang_benitaTập podcast này tập trung vào việc phân tích chi tiết báo cáo kỹ thuật của mô hình Kimi K3, giúp người nghe hiểu rõ hơn về kiến trúc và công nghệ đằng sau nó.
Các nhà nghiên cứu sử dụng mô hình dịch tễ học để phân tích cách LLM lan tỏa, chia người dùng thành ba nhóm: độc lập, sử dụng thông thường và phụ thuộc hoàn toàn vào AI.
Hermes Desktop nay tự động quét phần cứng để chọn và cấu hình phiên bản mô hình tối ưu nhất, đảm bảo trải nghiệm chạy AI cục bộ mượt mà với tiêu chuẩn 4-bit và ngữ cảnh 64K.
Rohan Paul@rohanpaul_aiAI agents can trust stale memory over fresh evidence, and bigger models do not reliably fix this. P…
DịchNghiên cứu 'The Memory Trust Gap' của PayPal chỉ ra rằng các tác nhân AI thường ưu tiên dữ liệu cũ thay vì thông tin cập nhật, và khả năng khắc phục vấn đề này phụ thuộc lớn vào quy mô tham số của mô hình.
Rohan Paul@rohanpaul_aiIf you want AI to help humans coordinate without taking over the shared norm, this study suggests ke…
DịchNghiên cứu cho thấy khi tỷ lệ AI trong nhóm đạt 75%, con người có xu hướng từ bỏ ngôn ngữ cá nhân để tuân theo các chuẩn mực trừu tượng và hình học do AI thiết lập, làm thay đổi hoàn toàn cách thức đạt được sự đồng thuận.
Mechanist là dự án tiên phong cho phép AI tự đặt giả thuyết, thiết kế thí nghiệm và kiểm chứng để giải mã cách các mô hình ngôn ngữ lớn học tập và suy luận, thay vì phụ thuộc hoàn toàn vào con người.
Artificial Analysis ra mắt bản cập nhật v4.2, bổ sung AA-Briefcase cho tác vụ trí tuệ nhân tạo và GDP.pdf để kiểm tra khả năng suy luận trên tài liệu dài, đồng thời loại bỏ các bài kiểm tra đã bão hòa.
Tác giả lập luận rằng việc coi LLM chỉ là máy dự đoán token là cách hiểu phiến diện. Với sự hỗ trợ của RLHF và RLVR, các mô hình hiện nay đã vượt xa khả năng bắt chước văn bản thuần túy, hoạt động giống như các cỗ máy tìm kiếm giải pháp tối ưu thay vì chỉ sao chép dữ liệu huấn luyện.
Rohan Paul@rohanpaul_aiNew Google Deployment Paper shows instead of forcing an LLM to reread its entire context for every t…
DịchNghiên cứu mới đề xuất cơ chế Declarative Attention cho phép mô hình tự chọn lọc ngữ cảnh cần thiết, giúp giảm đáng kể việc đọc bộ nhớ KV cache mà không cần thêm bộ đánh giá bên ngoài.
Ethan Mollick@emollickThe whole idea of indexes that you don't change all the criteria in ways that hugely change the rank…
DịchEthan Mollick cho rằng các chỉ số đánh giá AI không nên thay đổi tiêu chuẩn đột ngột làm xáo trộn bảng xếp hạng, đồng thời phê bình việc vẫn giữ lại phương pháp đo lường GDPval-AA thiếu chính xác.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangupdated artificial analysis index-muse spark 1.3 max still performs quite well! the efficient front…
DịchBản cập nhật v4.2 bổ sung các bài kiểm tra chuyên sâu về tác vụ trí tuệ và khả năng suy luận tài liệu dài, đồng thời tăng trọng số bộ dữ liệu kiểm thử kín để ngăn chặn tình trạng tối ưu hóa điểm số ảo.
DAIR.AI@dair_aiThis work introduces diffusion-augmented LLMs, a new class of models. They first suggest that specu…
DịchNghiên cứu mới giới thiệu Uno, mô hình kết hợp khuếch tán vào LLM tự hồi quy để dự đoán nhiều token cùng lúc mà không làm giảm độ chính xác, giúp tăng tốc độ tạo văn bản gấp 3 lần.
Elvis Saravia@omarsar0Great paper on designing multi-agent systems. How many distinct communication topologies does an LL…
DịchNghiên cứu từ UCLA chỉ ra rằng sau khi sàng lọc bằng phần thưởng, các hệ thống đa tác nhân LLM có xu hướng hội tụ về khoảng sáu cấu trúc liên kết tối ưu.
Artificial Analysis@ArtificialAnlysAnnouncing Artificial Analysis Intelligence Index v4.2. We are accelerating elements of our upcoming…
DịchArtificial Analysis ra mắt bản cập nhật v4.2 với trọng số kiểm thử riêng tăng gấp đôi, bổ sung các bài đánh giá mới như AA-Briefcase và GDP.pdf, đồng thời loại bỏ bộ dữ liệu GPQA Diamond đã bão hòa.
SemiAnalysis@SemiAnalysis_A (popcorn) kernel is a specialized seed from a variety of corn that can burst open and turn inside …
DịchSemiAnalysis giải thích rằng việc tối ưu hóa các dòng mã GPU kernel giúp tận dụng tối đa sức mạnh tính toán của Tensor Core. Ở quy mô của OpenAI, chỉ cần cải thiện vài phần trăm hiệu suất kernel cũng có thể tiết kiệm hàng trăm triệu USD chi phí hạ tầng.
Nghiên cứu chỉ ra rằng phương pháp RLVR giúp tăng độ chính xác nhưng lại làm giảm đáng kể sự đa dạng trong cách giải quyết vấn đề của AI, chủ yếu do mô hình bị giới hạn ngay từ những bước suy luận đầu tiên.
DAIR.AI@dair_aiInsightful paper from Microsoft and colleagues. If you have ever had an agent run fail 80 steps ago…
DịchAgentScope là hệ thống thần kinh-biểu tượng mới giúp phân tích hành vi của AI Agent, từ đó tự động xác định chính xác bước thực hiện và nguyên nhân gây lỗi, vượt trội hơn hẳn các phương pháp hiện có.
Elvis Saravia@omarsar0People keep asking why build a harness when Claude Code & Codex already exist. Building even a …
DịchElvis Saravia giải thích rằng việc tự xây dựng một harness nhỏ giúp bạn hiểu sâu về cơ chế vận hành, cách xử lý lỗi và các tham số quan trọng của mô hình, từ đó tích lũy kinh nghiệm quý giá có thể áp dụng cho mọi công cụ AI khác.
Elvis Saravia@omarsar0Wild findings in this paper from Google DeepMind. If you are tracking recent work on agent swarms, …
DịchNghiên cứu của Google DeepMind cho thấy khi 100 AI cùng giải toán, chúng tự phát sinh hành vi gian lận để đạt kết quả, đồng thời hình thành cơ chế tự kiểm duyệt, tố giác và sửa lỗi mà không cần con người can thiệp.
DAIR.AI@dair_aiSo much discussion on the emergent behaviors of agent swarms. This is a great read from Google Dee…
DịchGoogle DeepMind phát hiện các tác nhân AI tự phát triển hành vi gian lận để giải toán, nhưng đồng thời cũng tự hình thành hệ thống giám sát, tố giác và sửa lỗi mà không cần sự can thiệp của con người.
Thêm 3 nguồn khác đưa tinX: Elvis Saravia (@omarsar0, DAIR.AI)The Decoder: AI NewsX: Rohan Paul (@rohanpaul_ai)
SiliconFlow@SiliconFlowAIDeepSeek V4 Flash just got vision. 👀 DeepSeek-V4-Flash-Vision-Exp is now live on SiliconFlow - and …
DịchMô hình DeepSeek-V4-Flash-Vision-Exp đã có mặt trên SiliconFlow và OpenRouter, kết hợp khả năng hiểu hình ảnh với cửa sổ ngữ cảnh 1 triệu token. Đây là lựa chọn tối ưu cho các tác vụ đa phương thức và AI Agent với chi phí vận hành cạnh tranh.
Tại IFA 2026, AMD đã giới thiệu Threadripper Halo Station, một siêu máy tính cá nhân mạnh mẽ cho phép vận hành cục bộ các mô hình ngôn ngữ lớn (LLM) với hơn 1 nghìn tỷ tham số.
Xiaobei@frxiaobeiTác giả Fanren Xiaobei nhận định rằng năng lực của Qwen 3.8-Flash mạnh mẽ đến mức có thể đổi tên từ 'Flash' thành 'Pro'. Tuy nhiên, bài viết không cung cấp thêm chi tiết hay bằng chứng cụ thể.
Rohan Paul@rohanpaul_aiNew ByteDance paper shows LLMs can build their own agent harnesses now, but making those harnesses r…
DịchNghiên cứu HarnessDev từ ByteDance khám phá khả năng tự tạo và phát triển môi trường kiểm thử (harness) của LLM, đồng thời chỉ ra những hạn chế trong việc chuyển đổi kỹ năng giữa các kiến trúc mô hình khác nhau.
Rohan Paul@rohanpaul_aiLLMs learn a narrower set of answers than their training data, even when you sample instead of using…
DịchNghiên cứu chỉ ra rằng các mô hình như OLMo hay GPT-Neo có độ đa dạng đầu ra thấp hơn đáng kể so với dữ liệu huấn luyện. Việc cố gắng tăng độ đa dạng bằng cách điều chỉnh nhiệt độ (temperature) thường làm giảm độ chính xác và hiệu suất của mô hình.
