Nghiên cứu giới thiệu chỉ số PRC nhằm đảm bảo tính nhất quán về khoảng cách vật lý trong quá trình mã hóa hành động, giúp cải thiện độ chính xác cho các mô hình VLA điều khiển robot.
Nghiên cứu giới thiệu SpectralShift, phương pháp tối ưu hóa Gated DeltaNet bằng cách điều chỉnh các đặc tính phổ, giúp mô hình xử lý ngữ cảnh dài hiệu quả hơn mà không cần huấn luyện lại từ đầu.
ScienceIDE chuyển đổi các kho mã nguồn khoa học thành môi trường lập trình tương tác, cho phép AI thực thi, tạo tác vụ và tự kiểm chứng, từ đó giải quyết nút thắt về kinh nghiệm trong nghiên cứu khoa học.
LimiX-2 giới thiệu mô hình CMN đột phá, tập trung học cấu trúc dữ liệu thay vì dự đoán mục tiêu đơn thuần, giúp vượt trội trong các bài toán bảng biểu phức tạp.
Các trang web thương mại điện tử thường bị tấn công bởi mã JavaScript độc hại khó phát hiện. Cloudflare sử dụng các mô hình học máy để nhận diện và ngăn chặn những cuộc tấn công tinh vi này, giúp bảo vệ doanh thu và dữ liệu người dùng.
Nghiên cứu đề xuất khung Generalized Agent Iteration (GAI), kết hợp cải tiến chính sách lặp và tự nâng cấp đệ quy (RSI) vào một mô hình học tập duy nhất, giúp định nghĩa lại cách các tác nhân AI tự đánh giá và tiến hóa.
Nhóm nghiên cứu từ ByteDance Seed giới thiệu dự án Self-Developing Agents, thiết lập 3 chuẩn mực mới nhằm giúp AI tự xác định mục tiêu, học hỏi từ kinh nghiệm và tích lũy kỹ năng mà không cần sự can thiệp từ bên ngoài.
OmniHarness là khung làm việc mới giúp cải thiện khả năng tạo ảnh đa năng bằng cách chuyển đổi các quy trình thực thi thành chính sách biểu tượng có thể tái sử dụng, giúp hệ thống tự học và thích nghi với các tác vụ mới hiệu quả hơn.
Nghiên cứu chứng minh rằng khả năng học trong ngữ cảnh (ICL) không chỉ giới hạn ở ngôn ngữ mà còn xuất hiện đồng nhất trên sáu phương thức khác nhau, củng cố giả thuyết về sự hội tụ trong cách các mô hình AI tiếp nhận và xử lý quy luật trừu tượng.
ModularRSI giải quyết các hạn chế của việc tự cải thiện đệ quy (RSI) bằng cách tách biệt các mô-đun, giúp tác nhân AI tối ưu hóa cơ chế thực thi mà không bị phụ thuộc vào dữ liệu kiểm thử cụ thể, từ đó tăng khả năng tổng quát hóa cho các tác vụ mới.
ModAR là mô hình thế giới-hành động đầu tiên sử dụng cơ chế khử nhiễu tự hồi quy trên nhiều phương thức tương lai, giúp tối ưu hóa dự đoán hành động với hiệu suất vượt trội và chi phí tính toán thấp hơn 20 lần so với các phương pháp hiện tại.
Nghiên cứu chỉ ra rằng các mô hình chuyên gia tự chọn lọc các chuỗi suy luận tiềm ẩn ngay cả khi chỉ được huấn luyện bằng cặp câu hỏi-đáp, mở ra hướng đi mới trong việc tối ưu hóa khả năng suy luận của mô hình nhỏ.
ScienceBuddy là nền tảng nghiên cứu khoa học sử dụng cơ chế tự cải tiến đệ quy, kết hợp giữa tối ưu hóa công cụ và huấn luyện mô hình để giải quyết các tác vụ khoa học phức tạp một cách tự động.
Lightning Weave là khung huấn luyện hậu kỳ giúp kết hợp các khả năng suy luận từ nhiều mô hình chuyên biệt vào một mô hình duy nhất, giúp cải thiện đồng thời độ chính xác và tốc độ suy luận thông qua kỹ thuật chưng cất chính sách.
TREVIS là phương pháp mới giúp tối ưu hóa đồng thời độ chính xác và tính tinh gọn của cây quyết định bằng cách chuyển đổi không gian tìm kiếm rời rạc sang không gian liên tục thông qua mô hình TTVAE.
Google triển khai mô hình học máy để ước tính độ tuổi người dùng dựa trên hành vi tìm kiếm và xem video, nhằm tăng cường bảo mật và quản lý nội dung phù hợp.
Thêm 1 nguồn khác đưa tinCafeF Kinh tế sốPhysBrain 1.5 là mô hình tiên phong hợp nhất khả năng hiểu môi trường vật lý, điều khiển hành động và dự đoán tương lai thông qua cơ chế tự hồi quy, biến các tín hiệu thị giác và vận động thành chuỗi token thống nhất.
Hacker News Nổi bật (buzzing.cc bản dịch tiếng Trung)Nghiên cứu chỉ ra rằng các chiến lược có thể nén vào ít token sẽ không bị quá khớp. Phương pháp nén này giúp kiểm chứng hiệu năng thực tế của tác nhân AI, đồng thời là công cụ hiệu quả để phát hiện tình trạng quá khớp trong quá trình huấn luyện.
Pelican-Sim 1.0 là mô hình mô phỏng thế giới giúp robot dự đoán các quan sát tương lai từ hành động và bối cảnh hình ảnh, hỗ trợ ra quyết định hiệu quả trên nhiều loại thiết bị khác nhau.
Nghiên cứu giới thiệu cơ chế 'cổng năng lực' giúp đánh giá và kết hợp thông minh các dự báo từ mô hình ngôn ngữ với dữ liệu thị trường sẵn có, giúp cải thiện đáng kể độ chính xác của các dự báo sự kiện thực tế.
Sakana AI đề xuất PC-ALM, phương pháp sử dụng nhân tử Lagrange cho mã hóa dự đoán, cho phép cập nhật trọng số cục bộ tại từng lớp mà vẫn đạt hiệu suất tương đương lan truyền ngược trên mạng 1000 lớp.
Startup Reward AI giới thiệu OM-1, mô hình điều khiển robot đa năng được huấn luyện hoàn toàn từ dữ liệu mô phỏng cử động con người mà không cần đến điều khiển từ xa hay dữ liệu thực tế, đạt độ chính xác vượt trội so với các phương pháp thị giác truyền thống.
Nghiên cứu đạt giải cao tại ECCV 2026 này tối ưu hóa khả năng dự đoán hành động bằng cách kết hợp giám sát thị giác thay vì chỉ dựa vào văn bản, giúp cải thiện đáng kể độ chính xác cho các trợ lý AI cá nhân.
Nghiên cứu đề xuất phương pháp giúp tác nhân AI tự khám phá và chuẩn bị tài nguyên cho môi trường mới mà không cần biết trước tác vụ cụ thể, giúp tối ưu hóa khả năng thích nghi của hệ thống.
T-Mem thay đổi cách AI lưu trữ bộ nhớ bằng cách dự đoán các tình huống kích hoạt thay vì chỉ dựa vào độ tương đồng ngữ nghĩa, giúp AI ghi nhớ và liên kết thông tin thông minh như con người. Công trình đã được chấp nhận tại EMNLP 2026.
Nghiên cứu khám phá cách tối ưu hóa dữ liệu tổng hợp để huấn luyện mô hình OCR tiếng Thái mà không cần nhãn thực tế, từ đó tạo ra Wayu-Paxa-OCR-Zero với độ chính xác tiệm cận dữ liệu thực.
Nghiên cứu đề xuất thuật toán điều hướng truy vấn thông minh tới các mô hình AI khác nhau nhằm tối đa hóa chất lượng phản hồi trong môi trường học trực tuyến, ngay cả khi dữ liệu phản hồi bị giới hạn.
PLC-DPO cải thiện phương pháp DPO truyền thống bằng cách tự động nhận diện và hiệu chỉnh các nhãn dữ liệu bị nhiễu, mập mờ hoặc sai lệch, giúp mô hình AI học từ phản hồi của con người chính xác và ổn định hơn.
COBRA-Skills là khung làm việc mới giúp tối ưu hóa kỹ năng cho tác nhân LLM bằng cách sử dụng thuật toán bandit để chọn lọc và tinh chỉnh kỹ năng hiệu quả, giúp giảm tới 58% chi phí tính toán so với các phương pháp truyền thống.
Elvis Saravia@omarsar0Interesting paper to improve recurrent reasoning. Looped models are great because you get more reas…
DịchLooped Flows giới thiệu cách huấn luyện mô hình tuần hoàn thông qua mục tiêu khử nhiễu cục bộ, giúp các trạng thái ẩn liên kết chặt chẽ và khắc phục hạn chế về dòng chảy gradient. Phương pháp này cải thiện hiệu suất vượt trội trên hầu hết các bài kiểm tra suy luận so với các kiến trúc cũ.
Các nhà nghiên cứu từ KAIST và Naver AI Lab phát hiện rằng các bước suy luận của AI có thể được phân biệt thông qua trạng thái nội tại của mô hình. Kết quả này cho thấy AI không chỉ tạo văn bản ngẫu nhiên mà thực sự vận hành theo các quy trình tư duy logic cụ thể ở tầng trung gian.
Nhóm nghiên cứu từ ĐH Hàng không Vũ trụ Bắc Kinh và NTU giới thiệu PhyFilter, một module vật lý giúp robot thích nghi với môi trường mới chỉ bằng dữ liệu huấn luyện hạn chế, mở ra hướng đi thay thế cho việc 'cày' dữ liệu quy mô lớn.
Nghiên cứu giới thiệu quy trình suy luận toán học bằng ngôn ngữ tự nhiên đạt chuẩn Huy chương Vàng IMO 2026, sử dụng các mô hình Nemotron được tinh chỉnh chuyên biệt mà không cần công cụ hỗ trợ bên ngoài.
DAIR.AI@dair_aiAnother interesting approach to self-evolve agent skills. But it's important to know that skill sel…
DịchSkillAdam áp dụng cơ chế tối ưu hóa Adam vào việc tự tiến hóa kỹ năng cho AI, giúp giải quyết tình trạng mất ổn định và kiểm soát biên độ cập nhật. Phương pháp này đạt kết quả SOTA trên 7 bài kiểm tra, giảm đáng kể chi phí và số lần lặp lại so với các kỹ thuật trước đây.
Skild AI giới thiệu mô hình S1 cho phép robot học và thực hiện các nhiệm vụ mới thông qua khả năng học trong ngữ cảnh (in-context learning) từ một video duy nhất mà không cần huấn luyện lại.
Francois Chollet@fchollet"Symbolic learning" is simply "machine learning" (automatically learn function x -> y given examples…
DịchHọc máy biểu tượng (Symbolic Learning) là quá trình AI tự động học hàm x -> y dưới dạng mã nguồn rời rạc và tường minh, thay vì các mô hình tham số hóa hay khớp đường cong truyền thống.
Đại học Công nghệ Nanyang, Shanghai AI Lab và Daxia Robotics giới thiệu HSImul3R, khung mô phỏng đột phá cho phép robot học hỏi các kỹ năng phức tạp trực tiếp từ video tương tác giữa con người và môi trường.
Elvis Saravia@omarsar0Nice paper from Salesforce on co-evolving harnesses and models. Harness engineering is a hot topic …
DịchNghiên cứu mới từ Salesforce giải quyết vấn đề mô hình AI bị 'sao chép thất bại' khi cùng tiến hóa với các hệ thống hỗ trợ (harnesses), thông qua kỹ thuật hiệu chỉnh chính sách (on-policy correction).
Nghiên cứu chỉ ra rằng việc tối ưu hóa hệ thống hỗ trợ (harness) giúp mô hình nhỏ đạt hiệu suất cao, nhưng việc huấn luyện bắt chước từ chuyên gia lại gây phản tác dụng, đòi hỏi phương pháp hiệu chỉnh on-policy thay thế.
Nghiên cứu giới thiệu StudyBench, một bộ tiêu chuẩn đánh giá khả năng tự học của AI từ tài liệu thô. Kết quả cho thấy việc học thuộc lòng sách giáo khoa không đảm bảo khả năng giải quyết các bài toán Olympic khó.