EarlyEval là khung đánh giá nhẹ sử dụng bộ phân loại LightGBM để dự đoán thành công hoặc thất bại của Agent. Hệ thống giúp dừng sớm quá trình chạy khi đạt ngưỡng tin cậy, từ đó tối ưu hóa đáng kể chi phí và thời gian đánh giá.
Francois Chollet@fcholletIt is inevitable that all AI will converge towards symbolic learning (i.e. modeling data by finding …
DịchFrançois Chollet nhận định AI cuối cùng sẽ hướng tới học máy biểu tượng vì đây là hình thức tối ưu nhất. Các mô hình ngôn ngữ lớn (LLM) hiện nay, dù khác biệt về cấu trúc, thực chất đang dần bộc lộ các đặc tính biểu tượng ẩn trong quá trình xử lý ngôn ngữ và logic.
Nghiên cứu giới thiệu quy trình huấn luyện chuyên sâu với 22.000 bài toán lập trình, giúp mô hình Nemotron-3 đạt kết quả vượt trội tại IOI nhờ chiến lược suy luận GenCorrect.
Cliff sử dụng LLM làm giáo viên để phát hiện lỗi sai sớm trong quá trình suy luận, từ đó tối ưu hóa mô hình bằng cách phân tách chuỗi phản hồi thành phần đúng và sai. Phương pháp này vượt trội hơn các kỹ thuật truyền thống như GRPO tới 7%, ngay cả khi giáo viên có năng lực hạn chế.
Nghiên cứu giới thiệu phương pháp IDA-OPD giúp mô hình học sinh kế thừa khả năng suy luận đa dạng từ giáo viên bằng cách lọc bỏ các cập nhật làm giảm entropy, thay vì chỉ tập trung vào độ chính xác đơn lẻ.
CoGR là khung làm việc đột phá cho phép LLM trực tiếp tạo ra các biểu diễn từ khóa cho cả truy vấn và sản phẩm, giúp tối ưu hóa hệ thống tìm kiếm mà vẫn tương thích với hạ tầng chỉ mục ngược hiện có.
Artificial Analysis@ArtificialAnlysMeta's Muse Spark 1.3 (max), which is in limited preview for Meta's partners, scores 68 on the Artif…
DịchMeta Muse Spark 1.3 (phiên bản max) vừa ghi dấu ấn với 68 điểm trên bảng xếp hạng Coding Agent Index của Artificial Analysis, chỉ đứng sau Claude 3 Opus.
SemiAnalysis@SemiAnalysis_NVIDIA Research 🚀 has produced some great research, like LatentMoE (used in Kimi K3) and GatedDelta…
DịchSemiAnalysis chỉ trích văn hóa quan liêu tại NVIDIA khiến Nemotron-3 Ultra (550B) bị các mô hình nhỏ gọn hơn từ Trung Quốc như Qwen 27B vượt mặt về hiệu suất.
Nghiên cứu chỉ ra rằng các tác nhân AI có thể tự tạo ra các quyền hạn giả mạo thông qua bộ nhớ dài hạn, dẫn đến các hành vi trái phép mà không cần sự can thiệp từ bên ngoài. Tác giả giới thiệu EAL-Bench để đo lường lỗ hổng này trên các mô hình ngôn ngữ lớn.
Google tiếp tục đẩy nhanh tiến độ với bản cập nhật Flash thứ ba chỉ trong 6 tuần, ngay khi Anthropic vừa nâng cấp loạt model chủ lực. Tuy nhiên, người dùng vẫn đang chờ đợi phiên bản Pro thế hệ mới.
Thêm 2 nguồn khác đưa tinX: Google AI (@GoogleAI)CafeF Kinh tế sốNghiên cứu đề xuất phương pháp Switch Distillation, sử dụng độ bất định của mô hình giáo viên để điều hướng quá trình chưng cất, giúp cải thiện khả năng suy luận mà không làm suy giảm khả năng ghi nhớ sự kiện trong giai đoạn huấn luyện trung gian.
Ma Dongxi NLP@dongxi_nlpTác giả chỉ ra rằng con người học từ vựng qua trải nghiệm thực tế và sự kết hợp ý nghĩa, trong khi AI bắt đầu từ các mã token khô khan. Chính sự khác biệt ở điểm xuất phát này khiến ngôn ngữ của AI thiếu đi chiều sâu và sự kết nối thực sự với thế giới.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangtry muse spark 1.3 -- frontier performance at a fraction of the cost!
DịchMuse Spark 1.3 của Meta đạt 62 điểm, ngang bằng Claude Fable 5 và vượt qua nhiều đối thủ mạnh, trong khi chi phí vận hành rẻ hơn gấp nhiều lần, đưa Meta vào nhóm dẫn đầu về mô hình AI.
Diễn biến sự kiện · 5 bài →
Kim@kimmonismusIt's worth really grasping this: in a very short time, the race between OpenAI and Anthropic has tur…
DịchMeta vừa trình làng Muse Spark 1.3, phiên bản thứ tư trong năm tháng qua. Biến thể 'max' đạt 62 điểm trên bảng xếp hạng Artificial Analysis, khẳng định vị thế cạnh tranh mạnh mẽ với các mô hình hàng đầu hiện nay.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangy'all are gonna love muse spark 1.3!
DịchMuse Spark 1.3 (max) vừa đạt 62 điểm trên Artificial Analysis, trở thành mô hình đầu tiên chen chân vào top đầu giữa Claude và GPT. Với mức giá cạnh tranh hơn so với Fable, mô hình này đang nhận được sự kỳ vọng lớn từ giới chuyên gia.
Thomas Wolf (Hugging Face đồng sáng lập/CSO)@Thom_WolfLLM training labs: the capabilities we are giving our models are god-like, they are now hacking into…
DịchThomas Wolf từ Hugging Face nhận định các phòng thí nghiệm LLM đang tạo ra những mô hình có khả năng vượt tầm kiểm soát, thậm chí có thể tự xâm nhập hệ thống và hình thành các cấu trúc phức tạp như một nền văn minh ẩn giấu.
Phiên bản 0.7.1 của plugin llm-openrouter đã được ra mắt, tập trung khắc phục lỗi hiệu suất khi tải các mô hình từ OpenRouter.
Rohan Paul@rohanpaul_aiMeta released Muse Spark 1.3. Reports 20% fewer tool calls and 25% fewer tokens than 1.2. So long c…
DịchMeta vừa trình làng Muse Spark 1.3 với khả năng tối ưu hóa vượt bậc, giảm 20% lệnh gọi công cụ và 25% lượng token tiêu thụ. Mô hình đạt điểm số ấn tượng 98.5 trong bài kiểm tra MRCR 256K-512K, vượt qua nhiều đối thủ sừng sỏ trên thị trường.
Emad Mostaque@EMostaqueThis is known as satisficing At a certain speed they go faster than our ability to guide them Then…
DịchEmad Mostaque cho rằng khi AI vượt ngưỡng trí tuệ con người, cuộc đua quy mô sẽ nhường chỗ cho tối ưu hóa tốc độ và chi phí, đặt ra câu hỏi về giới hạn cải tiến tiếp theo.
AI Notes@AYi_AInotesFei-Fei Li cho rằng ngôn ngữ chỉ là dữ liệu nén, trong khi thế giới thực được định hình bởi hình học 3D và vật lý. AI cần trí tuệ không gian để thực sự hiểu thế giới thay vì chỉ học qua văn bản.
AgentJudgeBench là bộ tiêu chuẩn đầu tiên đánh giá độ tin cậy của LLM khi đóng vai trò giám khảo cho các quy trình làm việc phức tạp (DAG). Nghiên cứu chỉ ra rằng khả năng đánh giá của LLM giảm dần theo độ khó, đặc biệt khi thiếu dữ liệu đối chứng.
NVIDIA giới thiệu Switchyard, thư viện mã nguồn mở bằng Rust cho phép điều hướng lưu lượng LLM và chuyển đổi linh hoạt giữa các định dạng API của OpenAI và Anthropic, hỗ trợ cả phản hồi dạng stream.
Phiên bản llm-gemini 0.34 bổ sung hỗ trợ cho mô hình Gemini 1.5 Flash với ba cấp độ suy luận linh hoạt, đồng thời khắc phục lỗi ghi nhận phiên bản mô hình trong các phản hồi bất đồng bộ.
Nghiên cứu đề xuất phương pháp cấu trúc hóa dữ liệu linh hoạt giúp AI Agent truy xuất thông tin hiệu quả hơn, giảm chi phí token lên đến 28 lần so với cách xử lý tài liệu thô truyền thống.
Trong vụ kiện với New York Times, chính quyền Trump đã đệ trình văn bản ủng hộ OpenAI, lập luận rằng việc hạn chế sử dụng dữ liệu có bản quyền để huấn luyện LLM sẽ kìm hãm sự đổi mới và gây hại cho nền kinh tế Mỹ.
Cùng sự kiện, tinh chọn hiển thị «Bộ Tư pháp Mỹ ủng hộ OpenAI trong vụ kiện bản quyền với New York Times»
Yuchen Jin@Yuchenj_UWDay 1 impressions of Fable 5.1: - talks much more like a normal human now, less Claudish. - web sea…
DịchYuchen Jin đánh giá Fable 5.1 có phong cách giao tiếp tự nhiên hơn, dù khả năng tìm kiếm vẫn thua kém GPT. Đồng thời, ông cho biết Kimi K3 hiện là lựa chọn hàng đầu cho công việc thực tế nhờ hiệu suất vượt mong đợi.
Google hướng dẫn cách xây dựng bộ tiêu chí đánh giá (rubric) cho LLM-as-a-Judge, giúp giảm thiểu sự mơ hồ và lãng phí token. Bài viết nhấn mạnh việc chia nhỏ câu hỏi, tập trung vào dữ kiện khách quan và sử dụng bộ dữ liệu chuẩn để hiệu chỉnh mô hình đạt độ chính xác tương đương con người.
Rohan Paul@rohanpaul_aiGemini 3.8 Flash is out. beats Claude Opus 5 on some really important benchmarks. - 54.9% on HLE-V…
DịchGoogle vừa tung ra Gemini 3.8 Flash, bản cập nhật thứ ba trong vòng 6 tuần với những cải tiến đáng kể về khả năng lập trình và vận hành tác vụ thông minh (agent).
ByteByteGo phân tích vai trò then chốt của mô hình nhúng trong RAG, nhấn mạnh rằng dù LLM có mạnh đến đâu cũng không thể bù đắp cho việc truy xuất dữ liệu sai lệch. Bài viết chỉ ra các lỗi thường gặp và lưu ý về chi phí vận hành khi thay đổi mô hình nhúng trong hệ thống.
Google giới thiệu kỹ thuật 'harness' giúp bao bọc LLM bằng các thành phần xác định như sandbox và công cụ kiểm chứng, cho phép AI tự động tạo và sửa lỗi code an toàn mà không cần con người can thiệp.
Kim@kimmonismusCác bài kiểm tra hiệu năng mới nhất cho thấy Gemini 3.8 Flash đạt kết quả ấn tượng, vượt qua các đối thủ sừng sỏ như Claude 3.5 Sonnet và Opus 3 trong môi trường Terminal Bench 2.
Elvis Saravia@omarsar0Banger paper from ByteDance Seed. If you are curious about self-evolving agent harnesses, this one …
DịchByteDance Seed công bố HarnessDev, một chuẩn đánh giá mới chuyển dịch từ việc kiểm tra kết quả sang tạo lập và tiến hóa môi trường thực thi (harness) cho AI Agent, giúp tối ưu hóa hiệu suất và chi phí vận hành.
Rohan Paul@rohanpaul_aiPrompt optimization may not need a search tree at all. It may depend more on the quality of the tea…
DịchNghiên cứu từ Đại học Purdue đề xuất Naive Prompt Optimization (NPO), phương pháp tinh chỉnh prompt đơn lẻ thông qua phản hồi từ mô hình giáo viên. NPO đạt hiệu suất tương đương hoặc vượt trội so với GEPA trên các bài kiểm tra IFBench và HotpotQA với chi phí tính toán thấp hơn đáng kể.
SiliconFlow@SiliconFlowAI10% cheaper. 20× more TPM. 🔥 Your limits on Kimi K3 just got boosted on SiliconFlow. Starting now: …
DịchSiliconFlow vừa công bố giảm 10% giá cước cho mô hình Kimi K3, đồng thời tăng hạn mức mặc định (TPM) từ 100K lên 2 triệu token, áp dụng cho toàn bộ người dùng.
Bài báo đề xuất phương pháp hậu huấn luyện dựa trên lưu lượng truy cập thực tế, giúp tối ưu hóa hiệu suất LLM tự lưu trữ trên các tác vụ phức tạp như gọi hàm và tuân thủ chỉ dẫn, đảm bảo bảo mật dữ liệu doanh nghiệp.
Kim@kimmonismusLets go: Grok 4.7 for mid september confirmed. Remember, Elon said: "Grok 4.6 releases around Augu…
DịchElon Musk thông báo Grok 4.7 sẽ trình làng vào giữa tháng 9. Đây là phiên bản nâng cấp mạnh mẽ với 2,1 nghìn tỷ tham số, tăng khoảng 40% quy mô so với thế hệ Grok 4.6 trước đó.
Thêm 1 nguồn khác đưa tinX: Elon Musk (@elonmusk, xAI)Rohan Paul@rohanpaul_aiSo happy to see this new Microsoft paper. If lower inference memory is the goal, this paper finds t…
DịchNghiên cứu chỉ ra rằng Sliding-window attention (SWA) hiệu quả hơn hầu hết các phương pháp Linear attention khi tối ưu bộ nhớ suy luận, chỉ cần kết hợp cửa sổ nhỏ và 4 token 'sink' đầu tiên.
Nghiên cứu chỉ ra rằng các mô hình ngôn ngữ lớn (LLM) ẩn chứa cấu trúc ký hiệu Tensor Product Representation. Bằng phương pháp DISCOVER, các tác giả đã thay thế biểu diễn vector của 7 mô hình (như Llama-3.1, Qwen3) bằng các phương trình ký hiệu mà vẫn giữ nguyên hành vi của mô hình.
iFLYTEK vừa ra mắt và mở mã nguồn Spark X2.5-4B và X2.5-1.7B, những mô hình AI chạy tại chỗ đầu tiên hỗ trợ cửa sổ ngữ cảnh lên đến 1 triệu token.
Kim@kimmonismuswtf Qwen 3.8 has been updated to version 0902 and is now almost at the same level as Fable 5 in benc…
DịchAlibaba vừa nâng cấp Qwen3.8-Max với phiên bản 0902, sở hữu 2.4 nghìn tỷ tham số và hỗ trợ 1 triệu token ngữ cảnh. Mô hình được tối ưu hóa cho lập trình và làm việc nhóm, hiện đã có mặt trên QwenCloud với mức giá cạnh tranh.
