ClawProBench là bộ tiêu chuẩn đánh giá AI Agent mới, tập trung vào quá trình thực thi thay vì chỉ kết quả cuối cùng, giúp đo lường chính xác hiệu suất trong các môi trường làm việc phức tạp.
Rohan Paul@rohanpaul_aiNew Nvidia paper. A high-scoring skill document is not evidence that the skill helps the agent at …
DịchNVIDIA giới thiệu khung đánh giá ACES, chứng minh rằng điểm số tài liệu kỹ năng không phản ánh đúng hiệu suất thực tế của AI. Nghiên cứu cho thấy sự tương quan giữa điểm đánh giá truyền thống và hiệu quả thực tế (Skill Lift) gần như bằng không.
Anthropic công bố quỹ 5 triệu USD hỗ trợ các nghiên cứu độc lập về ảnh hưởng của AI đối với sức khỏe tinh thần, cung cấp tài chính, quyền truy cập mô hình và hỗ trợ kỹ thuật cho các dự án mã nguồn mở.
Elvis Saravia@omarsar0Impressive work from Alibaba. (bookmark it) If you build long-running agents and keep rewriting yo…
DịchAlibaba giới thiệu phương pháp quản lý bộ nhớ AI mới bằng cách coi ngữ cảnh là các tác vụ lập trình, sử dụng Python kernel để xử lý dữ liệu. Cách tiếp cận này giúp Qwen3.8-Max đạt hiệu suất vượt trội trên các bài kiểm tra bộ nhớ dài hạn, vượt xa các hệ thống hiện có.
AK@_akhaliqApodex 1.1 Scaling Agentic Intelligence for Complex Work paper: https://huggingface.co/papers/2608...
DịchApodex 1.1 vừa được công bố với những cải tiến vượt trội, giúp các AI Agent thực hiện các tác vụ phức tạp và đa nhiệm hiệu quả hơn. Đây là bản cập nhật quan trọng cho những ai quan tâm đến khả năng tự chủ của AI.
Nghiên cứu mới chỉ ra rằng việc mở rộng cửa sổ ngữ cảnh không hiệu quả do suy giảm tương quan. Thay vào đó, phương pháp phân bổ lặp lại theo trình tự giúp tăng tỷ lệ thu hồi lên tới 20.5%, tối ưu hóa hiệu suất cho các hệ thống RAG.
Elvis Saravia@omarsar0Impressive new paper from Microsoft and colleagues. Harness design is still hand-tuned almost every…
DịchAutoSaddler của Microsoft tự động tối ưu hóa các khung làm việc AI Agent bằng cách phân tích lỗi và chỉnh sửa mã nguồn, giúp cải thiện đáng kể hiệu suất trên các bộ benchmark khó như SWE-Bench Pro.
Rohan Paul@rohanpaul_aiGiving an agent a memory hierarchy is not what makes it reason better over long tasks. What helps is…
DịchNghiên cứu giới thiệu Weighted Memory Tree, phương pháp gán trọng số và giảm dần độ ưu tiên cho các ký ức thay vì xếp chồng dữ liệu, giúp AI Agent cải thiện độ chính xác và tiết kiệm chi phí token khi xử lý các tác vụ phức tạp.
LongWoF-Bench cung cấp 778 tác vụ kiểm chứng tự động cho LLM. Phương pháp EvoMap giúp cải thiện hiệu suất trung bình từ 8.7-15.5% trên nhiều mô hình, đồng thời tối ưu hóa đáng kể chi phí token.
Nghiên cứu chứng minh rằng các mô hình phát hiện tấn công giả mạo (PAD) không nhất thiết phải học từ khuôn mặt. Bằng cách huấn luyện trên dữ liệu rau củ, mô hình đạt hiệu suất ấn tượng, thách thức các phương pháp nhận diện truyền thống.
WorldToken tối ưu hóa việc học của robot bằng cách hợp nhất dữ liệu đa phương thức thành một 'world token' duy nhất, giúp mô hình Transformer xử lý trình tự hiệu quả hơn. Phương pháp này đạt tỷ lệ thành công ấn tượng 59,45% trên 23 tác vụ RoboCasa phức tạp.
Nghiên cứu đánh giá toàn diện khoảng cách giữa mô hình thế giới tạo sinh và trình mô phỏng truyền thống qua 8 tiêu chí cốt lõi, dựa trên phân tích 200 công trình tiêu biểu từ 2018 đến 2026.
EchoWM là mô hình thế giới đột phá cho phép tạo đồng thời video 720p, âm thanh môi trường và giọng nói dựa trên điều hướng liên tục, hỗ trợ tương tác góc nhìn thứ nhất và thứ ba với độ chân thực cao.
Nghiên cứu giới thiệu ERPO, phương pháp chuyển chính quy hóa từ hành động sang đầu vào giúp cân bằng giữa tính ổn định và khả năng khám phá của LLM. ERPO cải thiện đáng kể độ chính xác trong suy luận toán học mà không làm tăng chi phí tính toán.
Nghiên cứu mới với bộ tiêu chuẩn FORGE chỉ ra rằng các mô hình LLM trong hệ thống gợi ý rất dễ bị thao túng bởi nội dung rác, khiến chúng vô tình quảng bá sản phẩm giả mạo chỉ với một trang web bị nhiễm độc.
Block3D tối ưu hóa việc tạo mô hình 3D bằng cách chia nhỏ chuỗi token thành các khối, kết hợp giữa giải mã tự hồi quy và khử nhiễu đồng thời để tăng tốc độ và độ chính xác, đồng thời giảm thiểu lỗi tích lũy.
Nghiên cứu chỉ ra rằng việc sử dụng đồ thị thực thể và tái viết truy vấn trong RAG đa chặng làm khuếch đại sai sót từ ASR, khiến độ chính xác giảm mạnh hơn so với tìm kiếm thuần túy khi dữ liệu đầu vào bị nhiễu.
Rohan Paul@rohanpaul_aiA model's internal estimate of your expertise steers how it answers you and whether it hires you. L…
DịchNghiên cứu chỉ ra rằng mô hình ngôn ngữ tự ước tính năng lực người dùng để điều chỉnh độ phức tạp của câu trả lời. Dù tồn tại các vector định kiến, nghiên cứu chưa tìm thấy bằng chứng rõ ràng về việc chúng gây ra phân biệt đối xử trong đầu ra.
Task-CoEvolve giới thiệu phương pháp tối ưu hóa harness cho LLM bằng cách cho phép các tác vụ kiểm chứng cùng tiến hóa, giúp giảm 80% chi phí đánh giá mà vẫn duy trì độ chính xác tương đương với bộ dữ liệu đầy đủ.
Rohan Paul@rohanpaul_aiYou can teach a language model a new modality without ever touching the backbone's weights. Train …
DịchNghiên cứu mới đề xuất phương pháp chỉ huấn luyện lớp kết nối giữa encoder và mô hình ngôn ngữ, giúp bổ sung đa phương thức mà không cần tinh chỉnh toàn bộ tham số, vừa tăng tốc độ huấn luyện vừa bảo toàn hiệu suất gốc của mô hình.
Prime Agent là framework mã nguồn mở tối ưu hóa quy trình làm việc cho AI Agent, giúp nâng cao khả năng xử lý ngữ cảnh và tính toán thông qua IPython REPL bền vững, đạt kết quả ấn tượng trong các bài kiểm tra ARC-AGI và lập trình chuyên sâu.
ReWorld tối ưu hóa mô hình thế giới bằng cách tách biệt điều khiển và bộ nhớ, cho phép xử lý video thời gian thực với độ chính xác cao và khả năng ghi nhớ lịch sử dài hạn vượt trội so với các mô hình hiện nay.
ARC giải quyết vấn đề thiên kiến trong mô hình phần thưởng khi tương tác với người dùng, giúp AI học cách phản hồi linh hoạt và phù hợp với ngữ cảnh thay vì chỉ chạy theo tối ưu hóa phần thưởng đơn thuần.
Qwen@Alibaba_QwenOpen models, open science. Qwen keeps growing steadily, and we'll always be right here with the rese…
DịchPhân tích từ 500.000 bài báo trên arXiv cho thấy các mô hình mã nguồn mở Trung Quốc đang chiếm ưu thế, với Qwen xuất hiện trong 1/3 số bài nghiên cứu có nhắc đến LLM, vượt xa sự sụt giảm của Llama.
Rohan Paul@rohanpaul_aiCoding agents fix the symptom you show them far more often than the defect underneath. Agents are g…
DịchSWE-bench Science cho thấy các AI lập trình hiện nay dù giỏi sửa lỗi kỹ thuật nhưng vẫn yếu trong việc khôi phục logic khoa học cốt lõi. Điểm nghẽn nằm ở khả năng kiểm chứng thực tế thay vì chỉ dựa vào kiến thức lý thuyết.
Nghiên cứu chỉ ra rằng việc cập nhật kho dữ liệu có thể khiến hệ thống RAG thay đổi câu trả lời dù các thiết lập khác không đổi. Tác giả đề xuất phương pháp 'kiểm toán tương thích snapshot' để đo lường mức độ biến động này, giúp tăng độ tin cậy cho các hệ thống AI truy xuất thông tin.
Apodex 1.1 tối ưu hóa khả năng xử lý tài liệu, lập trình và nghiên cứu thông qua cơ chế phối hợp tác tử thông minh. Với phiên bản 35B có thể chạy cục bộ, mô hình đạt hiệu suất vượt trội so với các hệ thống lớn hơn trong nhiều lĩnh vực chuyên môn.
Thêm 1 nguồn khác đưa tinX: Ma Dongxi NLP (@dongxi_nlp)WorldMind là khung mô hình đầu tiên tách biệt việc hiểu trạng thái và ra quyết định cho NPC trong game, giúp nhân vật phản ứng linh hoạt và logic hơn thay vì chỉ tạo video đơn thuần.
Rohan Paul@rohanpaul_aiNo amount of post-training cleanly fixes weak long-horizon foundations: noisy trajectories compound …
DịchNghiên cứu chỉ ra rằng hậu huấn luyện không thể khắc phục lỗi tích lũy trong lập kế hoạch dài hạn. Thay vào đó, việc sử dụng mô hình thế giới rõ ràng và kỹ thuật chưng cất chính sách (OPD) giúp tối ưu hóa phản hồi xuyên suốt quỹ đạo thay vì chỉ dựa vào kết quả cuối cùng.
DAIR.AI@dair_aiInteresting new approach to enable memory in long-running agents. Weighted Memory Tree organizes ex…
DịchDAIR.AI giới thiệu Weighted Memory Tree, phương pháp tổ chức bộ nhớ theo cấu trúc cây với điểm số động giúp AI Agent duy trì thông tin quan trọng hiệu quả hơn. Công nghệ này giúp tăng hiệu suất trên GAIA-Text lên 9,97 điểm và giảm 32,8% lượng token tiêu thụ so với bộ nhớ tuyến tính truyền thống.
Elvis Saravia@omarsar0Nice little survey on Terminal Agents. It provides good information on what exactly is a terminal a…
DịchBài viết phân tích sâu sắc về bản chất của các tác nhân AI trên thiết bị (on-device agents) và lý giải nguyên nhân khiến các bộ công cụ đánh giá thường cho ra kết quả trái ngược nhau.
Rohan Paul@rohanpaul_aiTelling a research AI agent which method to use is close to telling it nothing at all. What actual…
DịchNghiên cứu ASI-Bench chỉ ra rằng việc cung cấp chi tiết các bước thực hiện giúp AI Agent đạt hiệu suất cao hơn đáng kể so với việc chỉ nêu tên phương pháp, đồng thời giúp tiết kiệm tới 59% token.
AK@_akhaliqLearning How the World Evolves Extrapolative Video World Models via Latent Dynamics Reasoning pape…
DịchNghiên cứu giới thiệu mô hình thế giới video dựa trên suy luận động lực học tiềm ẩn, cho phép dự đoán và ngoại suy sự thay đổi của thế giới thực một cách chính xác.
Ma Dongxi NLP@dongxi_nlpI ran a similar analysis on 221 MATS alignment and safety projects. In 2026, 72% of projects using…
DịchPhân tích từ 221 dự án cho thấy 72% sử dụng mô hình nguồn mở từ Trung Quốc làm nền tảng nghiên cứu, vượt xa các mô hình Mỹ. Trong đó, Qwen dẫn đầu với 66%, trong khi các mô hình đóng từ Mỹ chủ yếu đóng vai trò giám sát và đánh giá.
AK@_akhaliqInfinityEdit Infinite Video Editing with a Lightweight Edit-Ignition Adapter paper: https://huggin...
DịchInfinityEdit giới thiệu phương pháp sử dụng bộ điều hợp (adapter) tinh gọn để thực hiện chỉnh sửa video không giới hạn, giúp tối ưu hóa quy trình xử lý hình ảnh chuyển động.
Aravind Srinivas (Perplexity CEO)@AravSrinivasExcited to welcome Andrew Gordon Wilson to our research team. He will be reporting to Denis and lead…
DịchCEO Aravind Srinivas thông báo Andrew Gordon Wilson gia nhập Perplexity để dẫn dắt các mảng nghiên cứu trọng điểm như học liên tục, dữ liệu tổng hợp và kiến trúc RL, đồng thời bắt đầu tuyển dụng nhân sự mới.
Nghiên cứu sử dụng nền tảng thử nghiệm PV-SST để chứng minh rằng các tác nhân AI khi tiếp xúc với nội dung được xếp hạng trên mạng xã hội sẽ dần trở nên đồng nhất về ngôn ngữ, dù không mang lại lợi thế về chất lượng thông tin.
Nathan Lambert@natolambertOver the weekend I had Codex parse 500K arXiv AI/ML papers since ChatGPT to understand which open mo…
DịchPhân tích từ 500.000 bài báo trên arXiv cho thấy tỷ lệ trích dẫn mô hình AI nguồn mở Trung Quốc đã tăng vọt lên 40%, vượt qua các mô hình từ Mỹ. Đặc biệt, Qwen và DeepSeek đang trở thành những cái tên được giới nghiên cứu ưu tiên sử dụng thay thế cho Llama.
Rohan Paul@rohanpaul_aiNew Meta paper says giving an agent more memory and tools is not enough if the agent never learns wh…
DịchNghiên cứu mới từ Meta giới thiệu EvoHarness-RL, phương pháp huấn luyện RL giúp AI tự quyết định thời điểm dùng công cụ thay vì truy cập liên tục, giúp Qwen3-8B tăng vọt hiệu suất giải quyết tác vụ phức tạp.
ModelBest OpenBMB@OpenBMBLLMs are increasingly used as synthetic respondents in cross-country surveys. But do they simulate e…
DịchCác nhà nghiên cứu từ Đại học Thanh Hoa đã phát triển khung 'Bình đẳng biểu đạt' để kiểm tra độ chính xác của AI khi đóng vai người trả lời khảo sát toàn cầu. Kết quả cho thấy AI hiện vẫn thiên vị các quốc gia phát triển, với độ chính xác tỉ lệ thuận với GDP và mức độ phổ cập Internet.
