Nghiên cứu nâng cấp mô hình Aardvark Weather thành hệ thống xác suất, sử dụng nhiễu đầu vào và Monte Carlo dropout để phân tách và định lượng các nguồn gây sai số trong dự báo thời tiết.
Nghiên cứu giới thiệu chỉ số DIC giúp định lượng tính nhất quán giữa hình ảnh và phản hồi, từ đó tối ưu hóa quy trình chọn lọc dữ liệu cho các mô hình ngôn ngữ thị giác (VLM).
VAT là khung huấn luyện plug-and-play giúp mô hình học cách tối ưu hóa quá trình giải mã suy đoán bằng cách chuyển đổi các mẫu chấp nhận và từ chối thành tín hiệu giám sát trực tiếp.
Nghiên cứu giới thiệu mô hình Image Bundle Composition (IBC), cho phép AI tự động tổng hợp các bộ ảnh có liên kết logic thay vì chỉ tìm kiếm ảnh đơn lẻ, giúp phản ánh đúng ý định tìm kiếm phức tạp của người dùng.
NoRA cải thiện hiệu suất LoRA bằng cách chuẩn hóa ma trận chiếu dưới, giúp tăng tốc hội tụ, ổn định huấn luyện và giảm thiểu quên lãng mà không làm tăng chi phí tính toán.
CogEvol là mô hình mới giúp chuyển đổi giáo trình thành slide JSON hoặc trang web tương tác. Với tốc độ xử lý ấn tượng, đây là giải pháp tối ưu cho việc tự động hóa sản xuất nội dung giáo dục.
CAST chuyển đổi kết quả nhiệm vụ thành sự giám sát ở cấp độ hành động, giúp tối ưu hóa chiến lược thông qua việc phân tích lý do hiệu quả của các bước thực hiện. Phương pháp này giúp mô hình Qwen3 vượt trội hơn GPT-OSS-120B đáng kể trong các tác vụ thực tế và kịch bản mới.
GenFirst giải quyết xung đột giữa tái tạo và tạo sinh bằng cách ưu tiên huấn luyện mô hình tạo sinh trước, giúp ổn định không gian tiềm ẩn và ngăn chặn hiện tượng sụp đổ mô hình.
PaperGym biến các bài báo khoa học thành môi trường huấn luyện, cho phép tạo đề cương nghiên cứu dựa trên mục tiêu và tiêu chuẩn đánh giá thực tế với tỷ lệ rò rỉ dữ liệu cực thấp.
Ma Dongxi NLP@dongxi_nlpTác giả chia sẻ lộ trình học NLP chuyên sâu, bắt đầu từ việc giải thích đơn giản và trực quan về Tokenizer, kèm theo video hướng dẫn giúp người xem dễ dàng nắm bắt các khái niệm kỹ thuật phức tạp.
Elvis Saravia@omarsar0This WikiSkill paper from Google is a must-read. At a high level, it shows the effectiveness of per…
DịchGoogle đề xuất WikiSkill, một khung làm việc cho phép AI tự lưu trữ kinh nghiệm vào cơ sở tri thức để tối ưu hóa và tái sử dụng kỹ năng. Phương pháp này giúp các mô hình nhỏ đạt hiệu suất vượt trội nhờ khả năng kế thừa tri thức từ hệ thống.
Nghiên cứu giới thiệu Intention Distillation (INDI), kỹ thuật giúp mô hình VLA hiểu rõ mục tiêu ngữ nghĩa đằng sau các hành động thay vì chỉ bắt chước chuyển động, giúp robot thực thi nhiệm vụ chính xác hơn.
Sau thời gian dài bị lu mờ bởi các mô hình tự hồi quy, CDLM đang hồi sinh nhờ những đột phá mới trong việc xử lý dữ liệu rời rạc bằng không gian nhúng liên tục, hứa hẹn thay đổi cuộc chơi trong lĩnh vực tạo sinh ngôn ngữ.
DART-SD là khung làm việc mới giúp tác nhân AI học cách gọi công cụ hiệu quả hơn bằng cách thay thế việc bắt chước quỹ đạo tuyến tính bằng phương pháp hiệu chỉnh dựa trên cấu trúc đồ thị, giúp tăng tính linh hoạt và đa dạng trong giải quyết vấn đề.
StarHarness là khung làm việc giúp cải thiện hiệu suất tác nhân AI bằng cách tinh chỉnh cấu trúc điều khiển mà không cần thay đổi trọng số mô hình. Phương pháp này giúp tăng hiệu quả xử lý tác vụ doanh nghiệp từ 20-35% trên nhiều nền tảng khác nhau.
J-Zero là khung làm việc mới cho phép mô hình ngôn ngữ tự cải thiện thông qua cơ chế đối kháng giữa ba vai trò: Người thách thức, Người giải quyết và Người đánh giá, giúp tối ưu hóa hiệu suất mà không cần dữ liệu con người.
VLAct tối ưu hóa việc huấn luyện mô hình robot bằng cách tập trung vào chất lượng biểu diễn thay vì chỉ tăng quy mô dữ liệu, giúp chuyển đổi các quỹ đạo robot hạn chế thành kiến thức hành động có khả năng ứng dụng linh hoạt trên nhiều nền tảng khác nhau.
EnvHarness là lớp lập trình mới từ Google Cloud AI giúp tùy biến các môi trường huấn luyện tác nhân AI thông qua giao diện chuẩn, cho phép thay đổi nhiệm vụ mà không cần can thiệp vào trình mô phỏng gốc.
Rohan Paul@rohanpaul_aiMost self-improving agents still refine answers inside a shallow loop; New research from Univ of M…
DịchMetan cho phép các tác nhân AI tự tối ưu hóa bằng cách xếp chồng các chiến lược mã nguồn theo từng lớp. Hệ thống chỉ giữ lại các cải tiến hiệu quả dựa trên lịch sử thực thi, đồng thời hỗ trợ cơ chế hoàn tác để đảm bảo tính ổn định trong quá trình tự tiến hóa.
Rohan Paul@rohanpaul_aiBeautiful paper from Google. Skill-evolving agents rewrite a skill file each round, but the reason…
DịchGoogle giới thiệu WikiSkill, phương pháp giúp AI ghi lại lịch sử thất bại và tinh chỉnh kỹ năng thông qua cấu trúc Wiki ba tầng. Kết quả trên Gemini-3.5-Flash cho thấy hiệu suất vượt trội, đạt 68,1% trong các bài kiểm tra so với 56,1% của các phương pháp truyền thống.
Google Research giới thiệu khung WikiSkill, cho phép AI lưu trữ kinh nghiệm thành các kỹ năng có thể tái sử dụng. Công nghệ này giúp các mô hình như Gemini và Qwen cải thiện đáng kể hiệu suất, cho phép mô hình nhỏ đạt kết quả tiệm cận mô hình lớn.
Thêm 1 nguồn khác đưa tinX: Rohan Paul (@rohanpaul_ai)
Epoch AI@EpochAIResearchHumans improve with experience. AI? Less so. We ran a human baseline on Earthborne Rangers, the comp…
DịchNghiên cứu từ Epoch AI cho thấy trong khi con người nhanh chóng làm chủ trò chơi phức tạp Earthborne Rangers sau vài lần thử, các mô hình AI hiện nay vẫn chưa thể đạt được khả năng học hỏi và tiến bộ tương tự.
TacForcing là khung tạo hành động mới giúp robot thích nghi với các thao tác phức tạp bằng cách tích hợp phản hồi xúc giác trực tiếp trong quá trình thực thi, thay vì dựa vào các bộ điều khiển tách biệt.
DAIR.AI@dair_aiBanger paper from Google. If you maintain a skill library for your agents, you might want to check …
DịchGoogle ra mắt WikiSkill, hệ thống giúp AI chuyển hóa kinh nghiệm thực thi thành kho tri thức wiki để tái sử dụng và nâng cấp kỹ năng. Phương pháp này cho phép các mô hình nhỏ đạt hiệu suất vượt trội và khả năng chuyển giao kỹ năng linh hoạt giữa các dòng mô hình khác nhau.
Elvis Saravia@omarsar0A great paper from Google on maintaining agent skills through persistent knowledge.
DịchNghiên cứu mới từ Google giới thiệu phương pháp tách biệt quy trình thực thi, wiki tri thức và kỹ năng, giúp AI tích lũy kinh nghiệm hiệu quả. Kết quả cho thấy mô hình nhỏ có trang bị kỹ năng tiến hóa có thể vượt trội hơn các mô hình lớn mà không cần đào tạo lại.
PILOT giới thiệu cơ chế giám sát-thực thi cho phép các tác nhân AI dài hạn tự tối ưu hóa quy trình và cập nhật công cụ ngay trong quá trình vận hành thông qua khả năng tự tiến hóa trực tiếp.
GameWAM là mô hình đầu tiên kết hợp dự đoán hình ảnh tương lai và điều khiển bàn phím-chuột trong thời gian thực, giúp AI chơi game hiệu quả hơn bằng cách hiểu sâu sắc động lực học của thế giới trò chơi.
TaoLive giới thiệu phương pháp Harness-Aware Training (HAT) giúp các mô hình AI nhỏ gọn thích nghi nhanh chóng với các thay đổi về kịch bản, công cụ và chiến lược marketing mà không cần huấn luyện lại, đảm bảo độ trễ thấp cho livestream.
Self-OPD là khung chưng cất đồng chiến lược (OPD) loại bỏ nhu cầu về mô hình giáo viên, bằng cách tận dụng chính khả năng khám phá ngẫu nhiên của mô hình học sinh để tạo tín hiệu giám sát, từ đó giảm chi phí tính toán và sai số phân phối.
WikiSkill là khung làm việc đột phá giúp AI Agent chuyển hóa kinh nghiệm thực thi thành tri thức bền vững, cho phép các kỹ năng tự cập nhật và tối ưu hóa liên tục. Phương pháp này không chỉ vượt trội so với các kỹ thuật hiện có mà còn hỗ trợ khả năng chuyển đổi kỹ năng linh hoạt giữa các dòng mô hình.
StreamPI là khung mô hình hóa thời gian đa phương thức giúp các mô hình VLA đơn khung như pi0.5 có khả năng suy luận trình tự mà không cần thêm tham số, giúp robot vận hành ổn định và chính xác hơn.
D^3-MOPD là phương pháp lập lịch động giúp tối ưu hóa quá trình chưng cất kiến thức từ nhiều giáo viên bằng cách tự động điều chỉnh tỷ lệ dữ liệu theo tốc độ hội tụ của từng miền, giúp tiết kiệm tài nguyên và nâng cao hiệu quả huấn luyện.
Agent-G^2 cải thiện hiệu suất học tăng cường trong các tác vụ dài hạn bằng cách sử dụng phân phối Gaussian để xác định độ sâu gợi ý tối ưu thay vì các giá trị cố định, giúp tác nhân khám phá môi trường hiệu quả hơn.
Rohan Paul@rohanpaul_aiA context window is a terrible place to store the state of an 80-minute agent run. One of the bette…
DịchApodex 1.1 thay đổi cách huấn luyện AI bằng cách tích hợp môi trường thực thi trực tiếp vào quy trình thay vì chỉ cung cấp công cụ. Phương pháp này giúp mô hình đạt hiệu suất vượt trội trên các bài kiểm tra khoa học và tài chính nhờ học từ toàn bộ quy trình làm việc thực tế.
LAION ra mắt LAION-BVD, bộ dữ liệu mở gồm 80 triệu video với tổng thời lượng 10 triệu giờ, hỗ trợ huấn luyện các mô hình đa phương thức video-âm thanh-hình ảnh hiệu suất cao.
Recuris giới thiệu kiến trúc bộ nhớ đệ quy cho phép AI Agent theo dõi tiến trình và tự cập nhật kỹ năng thông qua các vòng lặp tiến hóa có cấu trúc, giúp nâng cao hiệu suất trong các tác vụ kéo dài.
DiffusionOPSD tối ưu hóa mô hình khuếch tán bằng cách chuyển đổi phần thưởng hình ảnh thành mục tiêu dự đoán trực tiếp, giúp cải thiện đáng kể hiệu suất và giảm tới 63% thời gian huấn luyện so với các phương pháp hiện có.
Bài viết đi sâu vào quy trình huấn luyện, kiến trúc kỹ thuật và các cải tiến quan trọng giúp dòng mô hình Granite 4.2 của IBM đạt hiệu suất vượt trội trong các tác vụ ngôn ngữ.
Phương pháp mới giúp tối ưu hóa mô hình AI bằng cách nén xuống 4-bit mà vẫn giữ nguyên hoặc cải thiện hiệu suất so với mô hình gốc, giải quyết bài toán đánh đổi giữa tốc độ và độ chính xác.
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.