HarnessEval-W giới thiệu quy trình đánh giá mới cho mô hình thế giới bằng cách chia nhỏ vấn đề thành các tác nhân con để suy luận và xác thực. Phương pháp này giúp tạo ra chuỗi suy luận có thể kiểm chứng, đạt độ chính xác cao so với đánh giá của con người trên 18 mô hình tiêu biểu.
Nghiên cứu mới sử dụng AlphaEvolve để tối ưu hóa phương pháp phân tích tổn thất tổ hợp, thành công thiết lập kỷ lục mới cho giới hạn mũ của phép nhân ma trận, vượt qua cột mốc 2.371339 trước đó.
Rohan Paul@rohanpaul_aiAI coding agents can spend hours on a task without a calibrated sense of time passing. Long-horizon…
DịchChuyên gia cảnh báo các AI lập trình thường làm việc liên tục mà không kiểm soát được thời gian. Do đó, các bài kiểm tra cần đo lường trực tiếp khả năng quản lý thời gian thay vì chỉ dựa vào kết quả công việc để đánh giá hiệu quả.
VideoGAIA nâng tầm đánh giá AI từ việc trả lời câu hỏi đơn thuần sang tương tác đa lượt, yêu cầu mô hình phải sử dụng công cụ và tổng hợp thông tin từ video một cách thông minh.
UI-Mate là tác nhân GUI nền tảng giúp tự động hóa các tác vụ kỹ thuật số phức tạp thông qua quy trình huấn luyện khép kín và khả năng học hỏi từ các minh họa thực tế, giúp giải quyết vấn đề thiếu hụt dữ liệu và tính thiếu ổn định trong thực thi.
Thay vì chỉ tập trung vào khả năng tự hành của AI, nghiên cứu này đề xuất xem xét các tác nhân AI như một phần của hệ thống cộng tác người-máy để tối ưu hóa hiệu quả và tránh rủi ro trong khám phá khoa học.
GenRouter là khung làm việc đầu tiên giúp chuẩn hóa các quy trình tạo ảnh phức tạp thành các mẫu thực thi tối ưu, giúp giảm 95% chi phí và 65% độ trễ trong khi vẫn đảm bảo chất lượng hình ảnh.
R^3-Bench là bộ tiêu chuẩn mới đánh giá khả năng suy luận toán học và lập trình của LLM khi phải phân bổ tài nguyên hạn chế. Kết quả cho thấy các mô hình hiện nay vẫn gặp khó khăn trong việc tối ưu hóa chiến lược giải quyết vấn đề dưới áp lực ngân sách tài nguyên.
Ventor-QTest giới thiệu kỹ thuật kiểm định hộp đen mới giúp đánh giá độ tin cậy của các API mô hình lớn mà không cần truy cập xác suất đầu ra, thông qua việc đo lường tổn thất độ trung thực trung bình và cực hạn để phát hiện rủi ro trong các tác vụ thông minh dài hạn.
Nghiên cứu giới thiệu khung học tăng cường hộp đen mới, giúp tối ưu hóa hiệu suất của các tác nhân AI như Qwen3 trên các môi trường phức tạp, cải thiện đáng kể tỷ lệ giải quyết tác vụ thực tế.
MegaParts là khung tạo mô hình 3D tự hồi quy mới, sử dụng bộ mã hóa hình học nén để xử lý các vật thể phức tạp lên tới 300 bộ phận mà vẫn đảm bảo hiệu suất và độ chi tiết cao.
Nghiên cứu đề xuất khung làm việc ACID cho các tác nhân AI, giúp đảm bảo tính nhất quán, độ tin cậy và khả năng phục hồi khi thực hiện các tác vụ phức tạp, dài hạn trong môi trường thực tế.
CUDA Agent là hệ thống học tăng cường giúp LLM tự động viết mã CUDA, đạt tốc độ vượt trội gấp 2.11 lần so với torch.compile và tỷ lệ thành công lên tới 98.8%.
Rohan Paul@rohanpaul_aiTheoretical Physics just crossed the same threshold mathematics did. AI will make a lot of junior-l…
DịchVật lý lý thuyết đang trải qua bước chuyển mình tương tự như toán học trước đây, khi AI giúp cắt giảm đáng kể chi phí và nguồn lực cho các nghiên cứu cơ bản.
Nghiên cứu chỉ ra rằng dù AI dễ dàng phát hiện các trích dẫn giả mạo, chúng lại gặp khó khăn lớn trong việc xác minh liệu nội dung trích dẫn có thực sự hỗ trợ cho lập luận pháp lý hay không, đặc biệt là ở cấp độ chi tiết của văn bản.
Ma Dongxi NLP@dongxi_nlpNghiên cứu đề xuất mô hình nhận thức System 0-3, mở rộng lý thuyết song hành truyền thống bằng cách tích hợp yếu tố cơ thể học (System 0) và trí tuệ tập thể từ tương tác xã hội (System 3), tạo ra khung lý thuyết đa quy mô từ cá nhân đến cộng đồng.
Rohan Paul@rohanpaul_aiA scary finding from new Pennsylvania Uni paper. AI agents can go off-script in a simple way: they …
DịchNghiên cứu mới chỉ ra rằng các mô hình AI thường quên đi các quy tắc thiết lập khi nén hội thoại dài, dù vẫn nhớ nhiệm vụ chính. Giải pháp đơn giản là sử dụng bộ trích xuất 9B để khôi phục quy tắc, giúp tỷ lệ lưu giữ tăng từ 17% lên hơn 90%.
Rohan Paul@rohanpaul_aiSome newer efficient LLMs (using "hybrid Transformer") are cutting back on expensive attention layer…
DịchCác mô hình LLM kiến trúc lai sử dụng lớp tuần hoàn giá rẻ thay thế phần lớn lớp Attention, nhưng các lớp Attention còn lại đóng vai trò quyết định. Nghiên cứu chỉ ra sự xuất hiện của các giá trị nội tại cực đại trước các lớp này, ảnh hưởng trực tiếp đến hiệu suất và cấu trúc mô hình.
Elvis Saravia@omarsar0Interesting paper demystifying agent skills. If you maintain skills for your agent, this one is wor…
DịchNghiên cứu chỉ ra rằng kỹ năng của AI Agent chủ yếu dựa vào việc thực thi quy trình (65,7%) thay vì bổ sung kiến thức (4,5%). Khi số lượng kỹ năng tăng lên, độ chính xác giảm mạnh, cho thấy giới hạn của việc mở rộng kho kỹ năng trong các tác vụ phức tạp.
Nghiên cứu chỉ ra rằng các mô hình tư duy hiện nay thường khuếch đại các hành vi như tự sửa lỗi nhưng lại bỏ qua những yếu tố thực sự quyết định độ chính xác. Việc hiểu rõ khoảng cách giữa 'biểu hiện suy luận' và 'hiệu quả thực tế' là chìa khóa để tối ưu hóa các mô hình AI thế hệ mới.
Bản tin Import AI tuần này khám phá khả năng suy luận sáng tạo của mô hình Fable thông qua DiG-bench, đồng thời phân tích các xu hướng mới trong việc đánh giá hệ thống AI và quan điểm công nghệ từ Mark Zuckerberg.
Nghiên cứu chỉ ra rằng các mô hình ngôn ngữ lớn (LLM) tự phát triển cấu trúc mô-đun tương tự não người, nơi các tác vụ khác nhau kích hoạt các nhóm neuron chuyên biệt riêng biệt.
Apodex Discovery giới thiệu phương pháp tiếp cận mới giúp AI giải quyết các vấn đề thực tế phức tạp thông qua quy trình mô phỏng, kiểm chứng và điều chỉnh liên tục, thay vì chỉ giải các bài toán lý thuyết.
Ethan Mollick@emollickThis is smart for both reproducibility and as a way of using AI for science: "AI-generated analyses …
DịchĐể đảm bảo tính minh bạch và khả năng tái lập, các phân tích từ AI cần đi kèm với báo cáo đa vũ trụ và công khai toàn bộ prompt, tương tự như cách xử lý mã nguồn và dữ liệu trong nghiên cứu khoa học.
Nghiên cứu chỉ ra rằng các hệ thống AI y tế đa tác nhân dễ bị thao túng bởi các 'lối tắt' sai lệch. Khi các tác nhân AI cùng đưa ra một đáp án sai, các tác nhân khác có xu hướng hùa theo thay vì kiểm chứng, gây rủi ro lớn cho việc ra quyết định lâm sàng.
OpenAI cấp 1 triệu USD tiền mặt và 1 triệu USD tín dụng API cho 14 dự án độc lập nhằm nghiên cứu các cơ hội kinh tế và giải pháp xã hội trước sự phát triển của trí tuệ nhân tạo.
Những bước tiến toán học ấn tượng nhất của AI gần đây đều đến từ khả năng tìm kiếm các phản ví dụ để bác bỏ giả thuyết.
TensorCast là lớp quản lý tensor lập trình được giúp tối ưu hóa hạ tầng mô hình lớn, giảm đáng kể thời gian phản hồi token đầu tiên và tăng tốc khởi tạo mô hình trong các tác vụ AI đa nhiệm.
Nghiên cứu giới thiệu bộ dữ liệu ALD/E-ImageMiner giúp AI hiểu và trích xuất thông tin từ biểu đồ, bảng biểu khoa học, đặt nền móng cho khả năng suy luận hình ảnh chuyên sâu trong nghiên cứu.
TensorCast là lớp trừu tượng mới giúp quản lý vòng đời tensor (trọng số, KV Cache) một cách thống nhất, giải quyết tình trạng phân mảnh trong hạ tầng LLM hiện nay. Công nghệ này cho phép tối ưu hóa hiệu suất vượt trội, đặc biệt giảm tới 93.2% độ trễ phản hồi đầu tiên (TTFT) cho các tác nhân AI.
UNMASK là quy trình tự động giúp phát hiện và loại bỏ các mối tương quan giả tạo mà mô hình ngôn ngữ thường lợi dụng để gian lận điểm số, giúp tăng cường độ tin cậy của mô hình trên dữ liệu thực tế mà không cần con người can thiệp.
Nghiên cứu giới thiệu S^2VOPD, phương pháp tạo tín hiệu học tập bằng cách lược bỏ thông tin từ mô hình học sinh thay vì bổ sung dữ liệu cho giáo viên, giúp huấn luyện mô hình thị giác hiệu quả mà không cần nhãn hay mô hình giáo viên mạnh.
Các nhà nghiên cứu giới thiệu LittleCurriculum, bộ dữ liệu 88 tỷ token giới hạn kiến thức ở trình độ tiểu học, nhằm tạo ra LittleLearner - mô hình AI có khả năng kiểm soát và giải mã quá trình tiếp thu kiến thức một cách minh bạch.
UniProbe là giải pháp nhẹ giúp phát hiện các thông tin sai lệch (ảo tưởng) trong mô hình thị giác - ngôn ngữ bằng cách phân tích cấu trúc dữ liệu nội bộ mà không cần tinh chỉnh toàn bộ mô hình.
Second Thought là khung suy luận mới giúp các tác nhân AI tận dụng thời gian chờ phản hồi từ môi trường để thực hiện các suy luận phụ song song, giúp giảm đáng kể số bước cần thiết để hoàn thành tác vụ mà không cần huấn luyện lại.
Rohan Paul@rohanpaul_aiSome architecture choices that make transformers cheaper or more stable also make them harder to ext…
DịchNghiên cứu trên 26 mô hình 7B cho thấy các lựa chọn kiến trúc như QK-norm hay Sliding Window khi kết hợp có thể làm suy giảm nghiêm trọng khả năng xử lý ngữ cảnh dài, dù các bài kiểm tra ngắn hạn không thể hiện rõ điều này.
MMDiff là khung làm việc mới giúp giải mã và kiểm soát các đặc trưng bên trong của mô hình ngôn ngữ đa phương thức (MLLM) thông qua kỹ thuật so sánh mô hình, hỗ trợ cô lập tính năng và điều chỉnh hành vi mô hình hiệu quả hơn.
MobileMem là bộ tiêu chuẩn và khung làm việc mới giúp AI ghi nhớ và học hỏi từ dữ liệu trải nghiệm người dùng trên điện thoại suốt một năm, mở đường cho các trợ lý cá nhân thông minh và thấu hiểu hơn.
CPI-Bench giải quyết hạn chế của các bộ tiêu chuẩn cũ bằng cách đánh giá khả năng chỉnh sửa đa ảnh, yêu cầu suy luận phức tạp và tính ứng dụng thực tế cao của các mô hình AI.
Rohan Paul@rohanpaul_aiVery timely paper. An agent skill can be completely relevant to the task and still make the agent wo…
DịchNghiên cứu thực nghiệm chỉ ra rằng ngay cả khi kỹ năng bổ sung hoàn toàn phù hợp với nhiệm vụ, chúng vẫn có thể khiến AI Agent hoạt động kém hiệu quả do lỗi thực thi hoặc quy trình xác thực dư thừa. Các nhà phát triển cần kiểm tra kỹ lưỡng và so sánh hiệu suất trước khi tích hợp kỹ năng mới.
