cb_doge@cb_dogeGrok 4.6 wins again. 🏆 Grok 4.6 is #1 on micro1's Realm Tax benchmark with a 57.9% Best@3 score, b…
DịchGrok 4.6 vừa thiết lập cột mốc mới khi dẫn đầu bài kiểm tra Realm Tax (micro1) với điểm số Best@3 đạt 57.9%, vượt qua hàng loạt đối thủ sừng sỏ như Claude, GPT và Gemini.
Databricks giới thiệu tính năng định tuyến thông minh trên Unity AI Gateway, giúp tự động tối ưu hóa việc lựa chọn mô hình cho các tác vụ lập trình, từ đó cắt giảm hơn 30% chi phí suy luận mà không làm giảm hiệu suất.
Artificial Analysis@ArtificialAnlysGoogle has released Gemini 3.7 Flash, improving 4 points over Gemini 3.6 Flash and reaching the Inte…
DịchGoogle vừa trình làng Gemini 3.7 Flash, đạt 56 điểm trên bảng xếp hạng Artificial Analysis. Phiên bản này thiết lập chuẩn mực mới khi cân bằng hoàn hảo giữa sức mạnh trí tuệ và tốc độ phản hồi siêu nhanh.
Elon Musk@elonmuskTry Grok 4.6
DịchGrok 4.6 vừa thiết lập kỷ lục mới với 94,9% điểm số trên bài kiểm tra GPQA Diamond, vượt qua hàng loạt đối thủ sừng sỏ như GPT-5.6, Gemini 3.1 Pro và Claude Opus 5.
Cùng sự kiện, bài đại diện «Grok 4.6 chính thức dẫn đầu bảng xếp hạng GDPVal-AA»
Elvis Saravia@omarsar0If you write rules in an AGENTS.md, this one is worth your time. When a coding agent follows your r…
DịchHarness-IF đánh giá khả năng tuân thủ các quy tắc trong AGENTS.md của AI Agent bằng cách loại bỏ các yếu tố ngẫu nhiên. Kết quả cho thấy độ chính xác thực tế thấp hơn dự đoán, đồng thời khẳng định hệ thống và chỉ dẫn người dùng luôn được ưu tiên hơn mô tả công cụ.
Sherwin Wu@sherwinwuGPT-5.6 Sol Ultrafast is here!! 750 tokens per second honestly feels instantaneous for most worklo…
DịchCerebras giới thiệu chế độ Sol Ultrafast với tốc độ 750 tokens/giây, nhanh gấp 14 lần thông thường. Mô hình này hoàn thành bài kiểm tra 'Humanity's Last Exam' chỉ trong hơn 11 giờ, vượt xa hiệu suất của Claude Fable 5 với độ chính xác tương đương.
cb_doge@cb_dogeGrok 4.6 wins again. 👑 Grok 4.6 takes the #1 spot on GPQA Diamond with a score of 94.9%, beating G…
DịchGrok 4.6 vừa thiết lập cột mốc mới với 94,9% điểm số trên GPQA Diamond, vượt qua hàng loạt đối thủ sừng sỏ như GPT-5.6, Gemini 3.1 Pro và Claude Opus 5 để dẫn đầu thị trường.
Artificial Analysis@ArtificialAnlysWe're launching Optima. Now anyone can create a custom benchmark for their use case, leveraging Arti…
DịchOptima cho phép người dùng xây dựng bộ tiêu chuẩn đánh giá riêng dựa trên dữ liệu cá nhân hoặc HuggingFace, giúp so sánh chính xác chi phí, tốc độ và hiệu suất giữa các mô hình AI hàng đầu để tối ưu hóa lựa chọn.
Với 38 điểm trên bảng xếp hạng Artificial Analysis, Ling 3.0 Flash vượt xa thế hệ tiền nhiệm và ngang hàng với Qwen3.6 27B dù sử dụng ít tham số kích hoạt hơn, khẳng định vị thế dẫn đầu trong nhóm mô hình dưới 124 tỷ tham số.
SiliconFlow@SiliconFlowAI🚀 Day-0 Support! @Alibaba_Qwen has open-sourced Qwen3.8-2.4T-A95B - and it's now live on SiliconFlo…
DịchAlibaba vừa công bố mô hình Qwen3.8-2.4T-A95B với 2,4 nghìn tỷ tham số, tập trung vào lập trình và tác vụ thông minh. SiliconFlow đã tích hợp sẵn API với mức giá cạnh tranh cho người dùng.
Rohan Paul@rohanpaul_aiThis study builds a simple map of all the main ways large language models can cause harm. Using abo…
DịchNghiên cứu tổng hợp từ 200 tài liệu đã xây dựng bản đồ phân loại rủi ro toàn diện cho LLM, từ khâu dữ liệu đầu vào, quá trình vận hành đến các tác động xã hội, đồng thời đề xuất chiến lược phòng thủ đa tầng.
AI Notes@AYi_AInotesDeepSeek vừa trình làng phiên bản V4-Pro 0813 với khả năng xử lý tác vụ Agent ngang hàng các mô hình hàng đầu, đặc biệt là sự bứt phá ngoạn mục của DeepSWE từ 12.8 lên 62.7 điểm.
Testing Catalog@testingcatalogDeepSeek announced DeepSeek-V4-Pro! The model is now available on DeepSeek Chat under "Expert Mode…
DịchDeepSeek vừa trình làng DeepSeek-V4-Pro với khả năng tùy chỉnh cường độ suy luận linh hoạt và hỗ trợ chuẩn OpenAI Responses API, tối ưu hóa đặc biệt cho các tác vụ lập trình.
SkillZip là khung trừu tượng hóa thủ tục giúp nén các thư viện kỹ năng của AI dưới dạng đồ thị, cho phép tái sử dụng hiệu quả các đoạn mã mà vẫn đảm bảo tính thực thi và khả năng mở rộng trong bối cảnh hạn chế của LLM.
Rohan Paul@rohanpaul_aiCould a language model derive General Relativity yet still be unable to invent it? This Google Deep…
DịchDeepMind chỉ ra rằng LLM gặp khó khăn trong việc tạo ra các đột phá khoa học như thuyết tương đối vì thiếu khả năng 'suy luận ngược' (abduction). Dù giỏi xử lý dữ liệu, mô hình ngôn ngữ vẫn bị giới hạn bởi cơ chế nén dữ liệu thay vì tư duy sáng tạo vượt bậc.
Nghiên cứu giới thiệu phương pháp 3PO, thay đổi cách khám phá trong học tăng cường cho LLM bằng cách lấy mẫu các tham số mô hình thay vì chỉ điều chỉnh phân phối đầu ra, giúp cải thiện hiệu suất huấn luyện.
Nghiên cứu giới thiệu phương pháp 'ready-cohort' nhằm xác định ranh giới thực thi trên GPU cho các tác nhân LLM, giúp giữ quyết định tại thiết bị và tăng tốc độ xử lý lên tới 2,39 lần so với cách tiếp cận truyền thống.
Hax là công cụ lập trình terminal viết bằng C, siêu nhẹ và khởi động tức thì. Với mức tiêu thụ RAM cực thấp, Hax giúp dành tài nguyên cho các mô hình LLM cục bộ, hỗ trợ đa dạng các nhà cung cấp như llama.cpp, OpenAI và Anthropic.
Okta giới thiệu giải pháp sử dụng phạm vi định danh (identity scoping) trong giao thức MCP để cắt giảm 'thuế công cụ' - lượng token dư thừa phát sinh khi AI Agent phải xử lý quá nhiều mô tả công cụ không cần thiết.
Francois Chollet@fcholletTest-time training was popularized during the ARC Prize 2024 competition, after being explored in pa…
DịchFrançois Chollet đánh giá cao tiềm năng của TTT khi giúp ARC Prize 2024 đạt mức tăng trưởng kỷ lục lên 55,5%. Đây được xem là bước nhảy vọt lớn nhất về khả năng tổng quát hóa của AI kể từ khi học trong ngữ cảnh (in-context learning) xuất hiện.
Rohan Paul@rohanpaul_aiDeepSeek-V4-Pro (Max) is expected to shift the Pareto frontier DeepSeek-V4-Pro (Max) reached 1607 i…
DịchDeepSeek-V4-Pro đạt 1607 điểm trên Code Arena, chỉ kém GPT-5.6 15 điểm nhưng có giá thành chỉ bằng 1/31. Với mức giá 0,435 USD/triệu token, mô hình này đang định nghĩa lại tiêu chuẩn hiệu năng trên giá thành trong phân khúc cao cấp.
Nghiên cứu đề xuất phương pháp thay thế các tác nhân LLM phức tạp bằng mô hình tham số thấp, cho phép giả lập xã hội hàng nghìn tác nhân trên máy tính cá nhân mà vẫn đảm bảo độ chính xác về hành vi vĩ mô.
Rohan Paul@rohanpaul_aiSo Qwen3.8-2.4T-A95B, the 2.4T-parameter open-weight mixture-of-experts model dropped on Huggingface…
DịchQwen3.8-2.4T-A95B, mô hình ngôn ngữ lớn kiến trúc MoE với 2,4 nghìn tỷ tham số, vừa được phát hành mã nguồn mở trên nền tảng HuggingFace.
DeepSeek vừa cập nhật model V4 Pro với khả năng hỗ trợ Responses API và gọi công cụ, cung cấp cửa sổ ngữ cảnh 1 triệu token cùng mức giá cạnh tranh cho người dùng API.
karminski@karminski3Người dùng đánh giá Grok-4.6 có cải thiện so với bản 4.5, nhưng điểm chuẩn cho tác vụ lập trình backend (AgenticCoding) chỉ tăng khiêm tốn dưới 5%.
Cùng sự kiện, bài đại diện «Grok 4.6 vượt mặt GPT-5.6 Sol về hiệu suất chi phí trong lập trình»Nghiên cứu chỉ ra rằng các thao tác thị giác như cắt/phóng ảnh trong LLM đa phương thức thường không cải thiện hiệu suất đáng kể mà lại gây tốn kém tài nguyên. Tác giả đề xuất mô hình đồ thị nhân quả để kiểm chứng liệu các công cụ này có thực sự hỗ trợ tư duy hay chỉ là sự ngẫu nhiên.
Nghiên cứu giới thiệu NCP-Bench, bộ tiêu chuẩn đánh giá khả năng duy trì tính logic và nhất quán của LLM khi đối mặt với các tình huống kể chuyện tương tác phức tạp, nơi AI thường gặp khó khăn trong việc bám sát kịch bản gốc.
NeuPAT là phương pháp mới giúp bảo vệ các neuron quan trọng trong LLM khi huấn luyện đa phương thức, ngăn chặn tình trạng suy giảm khả năng ngôn ngữ vốn có bằng cách phân bổ mức độ cập nhật linh hoạt cho từng neuron.
ToolHazard là khung làm việc tự động tạo ra các môi trường giả lập có trạng thái để tấn công và kiểm thử lỗ hổng của AI Agent, giúp phát hiện các điểm yếu trong quy trình làm việc phức tạp và khả năng thực thi tác vụ dài hạn.
Spark-to-Paper tích hợp 13 kỹ năng có thể kết hợp vào các trợ lý lập trình để tự động hóa quy trình viết bài nghiên cứu từ đầu đến cuối, đạt độ chính xác trích dẫn 99,5% với chi phí tối ưu.
Thay vì chỉ dựa vào huấn luyện mô hình, bài viết đề xuất an toàn cho AI Agent cần được thực thi thông qua các hợp đồng thời gian thực, bao gồm cơ chế ngăn chặn hành vi nguy hiểm và yêu cầu bằng chứng xác thực cho mọi tác vụ.
Hongming@hongming731Cursor và SpaceXAI vừa ra mắt Grok 4.6, mô hình tối ưu cho các tác vụ phức tạp như nghiên cứu sâu, xử lý đa kho lưu trữ và xây dựng ứng dụng theo từng giai đoạn với khả năng tự kiểm chứng vượt trội.
CoinRAG cải thiện hiệu suất RAG bằng cách trích xuất và tái sử dụng các đơn vị thông tin nhỏ thay vì toàn bộ đoạn văn bản, giúp giảm độ trễ và tăng độ chính xác cho các truy vấn ngữ cảnh dài.
Elon Musk@elonmuskGrok 4.6 reaches #1 on @databricks
DịchElon Musk xác nhận mô hình Grok 4.6 của xAI đã vươn lên vị trí số 1 trên bảng xếp hạng hiệu năng của Databricks, khẳng định bước tiến vượt bậc về năng lực xử lý.
Cùng sự kiện, bài đại diện «Grok 4.6 chính thức dẫn đầu bảng xếp hạng GDPVal-AA»cb_doge@cb_dogeGrok 4.6 takes the #1 spot on InferenceEval 🔥 🥇 Grok 4.6 - 46.9% 🥈 GPT-5.6 Sol - 44.1% 🥉 Opus 5…
DịchGrok 4.6 vừa vươn lên dẫn đầu bảng xếp hạng InferenceEval với 46,9% điểm số, vượt qua GPT-5.6 Sol và Opus 5. Phiên bản này cho thấy bước tiến vượt bậc trong khả năng giải quyết các tác vụ lập trình và suy luận thực tế.
cb_doge@cb_dogeGrok 4.6 is officially #1 on the Harvey Legal Agent Benchmark 🥇 It scored 22.0% on realistic, mult…
DịchGrok 4.6 chính thức dẫn đầu bảng xếp hạng Harvey với 22% điểm số trong các tác vụ pháp lý đa bước, vượt xa các đối thủ như Fable 5 và phiên bản tiền nhiệm Grok 4.5.
cb_doge@cb_dogeGrok 4.6 ranks #1 on OfficeQA Pro with 63.2% accuracy, outperforming Opus 5, Fable 5, and GPT-5.6 So…
DịchGrok 4.6 vừa thiết lập cột mốc mới trên OfficeQA Pro với độ chính xác 63,2%, vượt qua các đối thủ sừng sỏ như Opus 5 và GPT-5.6 trong việc xử lý tài liệu văn phòng thực tế.
Eric Zakariasson@ericzakariassonhere are sevent grok 4.5 vs 4.6 comparison videos! age of empires clone
DịchBộ sưu tập 7 video so sánh trực quan sự khác biệt giữa Grok 4.5 và 4.6, bao gồm cả thử nghiệm mô phỏng trò chơi Đế chế (Age of Empires).
DeepSeek vừa âm thầm phát hành V4 Pro (0813) với khả năng xử lý tác vụ Agent vượt trội, cạnh tranh trực tiếp với các model cao cấp như Claude Fable 5 mà vẫn giữ nguyên giá API cũ.
Thêm 2 nguồn khác đưa tinX: Lan Xi (@foxshuo)X: Kim (@kimmonismus)
Nathan Lambert@natolambertI made a short video covering the history of Shoggoths, as used as a post-training meme and also dee…
DịchNathan Lambert chia sẻ về nguồn gốc của 'Shoggoth' - một meme kinh điển trong cộng đồng hậu huấn luyện AI, đồng thời là ẩn dụ đầy ám ảnh về bản chất của các mô hình ngôn ngữ hiện đại.
