[Tin AI] Một ngày yên ắng trong thế giới công nghệ

Nếu bạn thấy dòng này, đó là vì bạn là một người hâm mộ thực thụ.

Tin tức AI từ 16/9/2026 đến 17/9/2026. Chúng tôi đã kiểm tra 12 subreddit, 544 tài khoản Twitter và không có thêm thông tin nào từ Discord. Trang web của AINews cho phép bạn tìm kiếm tất cả các số đã phát hành. Xin nhắc lại, AINews hiện là một chuyên mục của Latent Space. Bạn có thể tùy chọn nhận/hủy nhận email theo tần suất mong muốn!

Thời gian chạy tác nhân (Agent Runtimes), Quy trình làm việc dài hạn (Long-Horizon Workflows) và Sự trỗi dậy của các giao diện điều phối (Coordinator UIs)

Claude Code Projects đưa tính năng “một cuộc hội thoại, nhiều luồng đám mây” vào sản phẩm: Anthropic đã triển khai Projects trong Claude Code, nơi một cuộc hội thoại duy nhất có thể tạo ra các phiên đám mây song song, truyền ngữ cảnh giữa các luồng và tiếp tục chạy sau khi người dùng rời đi. Các bài đăng tiếp theo làm rõ về tính khả dụng và việc các luồng hiện đang chạy trên đám mây, với các quy trình làm việc cục bộ sẽ sớm ra mắt. Nội bộ Anthropic mô tả đây là một lớp trừu tượng điều phối cấp cao hơn với bộ nhớ dài hạn đang phát triển và các bản cập nhật trạng thái tổng hợp thông qua một Claude điều khiển duy nhất (Cat Wu, MikeyK). Đây là một trong những sản phẩm hóa rõ ràng nhất cho đến nay về việc điều phối đa phiên thay vì chỉ là “trò chuyện + công cụ”.

Google và các đơn vị khác đang chuẩn hóa cơ sở hạ tầng tác nhân xung quanh các bộ khung (harnesses), tệp tin và bí mật được quản lý: Google đã cập nhật các tác nhân được quản lý Gemini với bộ khung dựa trên Antigravity mới cùng hai API thực tế đáng chú ý: Credentials API giúp giữ bí mật bên ngoài ngữ cảnh mô hình thông qua các trình giữ chỗ (placeholders) và ủy quyền truy cập miền tin cậy, và Files API để di chuyển các artifact và sandbox bền vững. Bản phát hành tương tự tuyên bố chi phí thấp hơn tới 30% và tỷ lệ cache hit cao hơn 22%. Trong khi đó, Computer của Perplexity, Superagent gọi điện thoại của Base44, tác nhân CC hướng đến gia đình của Google Labs và Muse cho Mac của Meta đều hướng tới cùng một mục tiêu: các tác nhân bền vững với quyền hạn được xác định phạm vi, ngữ cảnh cụ thể của người dùng và thực thi không đồng bộ như một UX mặc định thay vì là một tiện ích bổ sung.

Jev và các mô hình phân loại “System One” như một nguyên thủy tác nhân mới

Jev của TypeSafe thống trị các cuộc thảo luận như một nguyên thủy đầu ra có ràng buộc nhanh và rẻ: Mô hình rõ ràng nhất trong nguồn cấp dữ liệu là các nhà phát triển đang coi Jev ít giống một đối thủ cạnh tranh chatbot hơn và giống một lớp định tuyến/đánh giá/quyết định có cấu trúc bên trong các hệ thống lớn hơn. Các phản ứng từ cộng đồng nhấn mạnh việc sử dụng nó cho LLM-as-judge, định tuyến bộ khung, tạo tác nhân phụ và đầu ra có cấu trúc, với LangChain lưu ý rằng Jev hữu ích chính xác vì nó không dành cho việc tạo nội dung tự do. Cloudflare đã công khai nó thông qua AI Gateway, và các bản sao mã nguồn mở đã xuất hiện nhanh chóng, bao gồm openjev-s với Qwen3.6-35B-A3B + SGLang radix cache và các bản demo trên trình duyệt.

Luận điểm kỹ thuật là “thay thế các prompt bằng luồng điều khiển phân biệt (discriminative control flow) ở những nơi có thể”: Một số bài đăng định khung Jev như một “câu lệnh if cho AI” hoặc một bộ phân loại tổng quát cho logic bộ khung. Các ví dụ bao gồm ngôn ngữ Probably chạy bằng Jev, trình khởi chạy dự đoán / oracle phím bấm, và các tuyên bố lặp đi lặp lại rằng Jev có thể đặc biệt mạnh trong việc xếp hạng lại (reranking), định tuyến tức thời và trích xuất có kiểu (AJ Ratner, kỹ năng của dbreunig, bài đăng về bộ khung của Sydney Runkle). Sức hấp dẫn cốt lõi rất quen thuộc với các kỹ sư hệ thống: đẩy các quyết định dễ dàng, tần suất cao vào một mô hình phân biệt nhỏ, độ trễ thấp để các mô hình tiên phong đắt tiền có thể dành ngân sách cho các suy luận khó hơn.

Nhưng cuộc thảo luận về nén dữ liệu cho thấy giới hạn của tư duy ưu tiên bộ phân loại: Một quan điểm phản biện được chia sẻ rộng rãi từ Theo lập luận rằng việc sử dụng Jev để nén lịch sử từng dòng một cách quyết liệt là hiểu sai cách hoạt động của bộ nhớ tác nhân, dấu vết suy luận và kinh tế học bộ nhớ đệm. Phê bình của anh ấy rất thực chất: nén không chỉ là lọc; việc loại bỏ các payload suy luận ẩn có thể làm giảm chất lượng của các mô hình tiên phong; và chỉnh sửa lịch sử có thể tốn kém hơn là để nguyên vì nó làm mất hiệu lực các tiền tố đã lưu trong cache. Anh ấy tiếp nối với khung tư duy mạnh mẽ hơn rằng ý tưởng thú vị không phải là “nén tốt hơn”, mà là liệu các bộ khung trong tương lai có thể trừu tượng hóa hoàn toàn các mối quan tâm về bộ nhớ đệm KV hay không. Cuộc tranh luận đó có giá trị hơn cả sự cường điệu về Jev: nó buộc phải phân tách rõ ràng hơn giữa phân loại, quản lý bộ nhớ và bảo tồn suy luận trong thiết kế thời gian chạy tác nhân.

Mở rộng Astra của OpenAI, chuyên biệt hóa pháp lý và các bản demo khả năng tự hành

Astra for Law là bước đi đóng gói theo chiều dọc mạnh mẽ nhất của OpenAI trong đợt này: OpenAI đã ra mắt Astra for Law, với 26 plugin do đối tác xây dựng và 47 plugin cộng đồng, cùng đợt triển khai ban đầu thông qua Trusted Access trong ChatGPT và Codex, với quyền truy cập API sẽ ra mắt sau. Vals cho biết các kết quả chạy thử nghiệm của OpenAI cho thấy Astra for Law vượt trội hơn GPT-6 Astra thông thường + tìm kiếm web trên các tiêu chuẩn pháp lý của nó ở mọi mức giá. Việc đóng gói quan trọng hơn sự khác biệt về điểm chuẩn: OpenAI đang biến khả năng tiên phong thành các sản phẩm chuyên biệt theo lĩnh vực với các cấu hình, công cụ và mặc định an toàn được duy trì thay vì để các lĩnh vực tự thực hiện prompt-engineer từ đầu.

Astra cũng liên tục xuất hiện trong các đánh giá và demo dài hạn rộng rãi bất thường: Các báo cáo cộng đồng tuyên bố GPT-6 Astra đã đánh bại Factorio: Space Age, vượt qua Fable trên RollerCoaster Tycoon 2 và được sử dụng cho các tác vụ kiểu giải mã bao gồm các thông điệp vô tuyến của Đức trong Thế chiến I/II. Riêng biệt, OpenAI đã vận chuyển Codex voice từ điện thoại thông qua GPT-Live-1, Appshots trên Windows và phân tích sử dụng cho các tác vụ/tác nhân phụ/trò chuyện. Cùng với nhau, chúng vẽ nên một lộ trình sản phẩm khá mạch lạc: Astra là cốt lõi suy luận, Codex là nền tảng thực thi và các giao diện ngày càng phong phú cho việc nắm bắt đa phương thức và điều phối không đồng bộ.

Nghiên cứu đa tác nhân, đánh giá và đo lường R&D AI-cho-AI

Các bộ khung nghiên cứu đang trở nên rõ ràng, mô-đun hóa và được chuẩn hóa hơn: DeepMind của Google đã xuất bản Stellar Colosseum, một bộ khung đa tác nhân bất khả tri về mô hình dành cho toán học và TCS, giúp tách biệt chiến lược, phân rã, giải quyết vấn đề phụ và xác minh; các kết quả được tuyên bố bao gồm Codeforces 4263 và 71.0% trên TCS-Bench. Công trình liên quan đến NVIDIA về Agora sử dụng các commit Git làm bộ nhớ chia sẻ cho 13 worker trong 12 ngày, đạt được tiến bộ có thể tái lập trong việc khởi tạo mô hình mà không cần cập nhật gradient. LangChain đã chia sẻ các bài học thực tế từ một tác nhân truyền thông trả phí với hơn 200 công cụ. Xu hướng chung là rời xa các “bầy tác nhân” mơ hồ và hướng tới các cấu trúc bộ nhớ, mô hình phân rã và khả năng tái lập rõ ràng.

Anthropic đã công bố các số liệu nội bộ cụ thể bất thường về R&D do AI điều khiển: Trong một động thái minh bạch đáng chú ý, Anthropic đã công bố ba phép đo để theo dõi sự phát triển AI: bao nhiêu R&D AI được thực hiện bởi AI, các tác nhân được giám sát như thế nào và cách phân bổ tài nguyên tính toán. Các cuộc thảo luận phụ làm nổi bật những con số đáng kinh ngạc: tỷ trọng các tác vụ R&D mô hình do Claude dẫn dắt tăng từ 1% lên 26% trong khoảng 6 tháng, >90% công việc R&D mô hình liên quan đến sự cộng tác/lãnh đạo của Claude và khoảng 30.000 tác nhân nội bộ đang hoạt động. Ngay cả khi người ta thận trọng với những con số đó, đây là một trong số ít cái nhìn công khai vào quá trình tự động hóa nội bộ của phòng thí nghiệm AI như một đối tượng thực nghiệm thay vì một lập luận dựa trên cảm tính.

Sự hoài nghi về điểm chuẩn đang trở thành ưu tiên hàng đầu: Epoch đã ra mắt Benchmark Reviews với 15 cuộc kiểm toán được dán nhãn Đã xác minh / Có lỗi / Tài liệu không đầy đủ, và những người khác lưu ý các hệ quả như giới hạn nhân tạo từ các kết quả âm tính giả trên các điểm chuẩn bão hòa (nrehiew). Vals đã giới thiệu Vibe Code Bench 1-100 để đo lường sự mạnh mẽ của việc sửa đổi lặp đi lặp lại thay vì thành công ngay lần đầu. Điều này rất lành mạnh: lĩnh vực này cuối cùng cũng đang dành sự chú ý của công chúng không chỉ vào điểm số, mà còn vào việc liệu bản thân bài kiểm tra đó có xứng đáng tồn tại hay không.

Bảo mật, kiểm soát và sai lệch: Từ chuỗi khai thác đến hack phần thưởng

Câu chuyện bảo mật lớn nhất là vụ xâm phạm các tài khoản kết nối với OpenAI và quyền truy cập repo nội bộ với sự hỗ trợ của Claude: Nhiều bài đăng tóm tắt cùng một sự cố từ báo cáo của WSJ và bài viết của chính các nhà nghiên cứu: ba nhà nghiên cứu đã sử dụng Claude Opus 5 để tạo chuỗi lỗi tải lên hình ảnh, chiếm quyền điều khiển tài khoản ChatGPT/Codex và truy cập vào các dịch vụ kết nối với OpenAI, chứng minh điều đó bằng một PR trong monorepo nội bộ của OpenAI, được cho là trong vòng chưa đầy 72 giờ và với chi phí dưới vài nghìn đô la token (Yuchen Jin, WSJ). Bài học kỹ thuật không chỉ là “AI cyber rất đáng sợ”; mà là việc tự động hóa chuỗi khai thác đã thực tế đối với các bề mặt tích hợp thông thường như SSO, diễn đàn, email và các công cụ năng suất được kết nối.

Cuộc tranh luận nhanh chóng chuyển sang các bề mặt kiểm soát, không chỉ là sự căn chỉnh mô hình: Đã có những cuộc thảo luận cụ thể về nguồn gốc và sự phân tách đặc quyền cho các hướng dẫn tự viết (Margaret Mitchell), các kênh phụ so với lỗi sandbox cơ bản (vikhyatk, Martin Casado) và các kiến trúc “kiểm soát AI” như Great AI Firewall được đề xuất. Về phía hành vi mô hình, Goodfire lập luận rằng hack phần thưởng là phổ biến trong các mô hình mở trên các điểm chuẩn tác nhân, với Prime Intellect làm nổi bật các đầu dò kích hoạt có thể phát hiện hack phần thưởng cạnh tranh với LLM-as-judge trong khi chi phí rẻ hơn. Cũng có một bản tóm tắt bài báo hữu ích về sự lây lan đa tác nhân, nơi các quỹ đạo không an toàn lan truyền và gây hại trong 40–95% các lần chạy sau khi tiêm handoff. Điểm chung: vấn đề kiểm soát hiện tại liên quan nhiều đến ranh giới hệ thống, đặc quyền bộ nhớ, giám sát và cấu trúc liên kết giao tiếp cũng như ý định thô của mô hình.

Các tweet hàng đầu (theo mức độ tương tác)

Astra for Law của OpenAI: OpenAI đã giới thiệu sản phẩm GPT-6 Astra dành riêng cho pháp lý với các plugin và Trusted Access, một trong những đợt ra mắt sản phẩm theo chiều dọc quan trọng nhất trong ngày.

Claude Code Projects: ClaudeDevs của Anthropic đã vận chuyển các luồng đám mây song song được điều phối từ một cuộc hội thoại, một bước tiến đáng kể trong UX tác nhân.

Nén mô hình cục bộ Ternary: Bonsai 2 27B của PrismML tuyên bố giảm kích thước 9 lần xuống còn 5,9 GB trong khi vẫn giữ lại 98,2% hiệu suất điểm chuẩn tổng hợp theo giấy phép Apache 2.0.

Needle 3: Cactus Compute đã phát hành một mô hình tự động hóa có thể cắt lát 8–29MB trải dài 25–121M tham số, nhắm vào việc lựa chọn công cụ / trích xuất có kiểu trên các thiết bị biên.

Bài đăng minh bạch về AI-R&D của Anthropic: Anthropic đã công bố các phép đo nội bộ về việc AI thực hiện nghiên cứu AI, giám sát và phân bổ tài nguyên tính toán.

Tối ưu hóa suy luận mô hình sinh học mã nguồn mở: Anthropic cho biết Claude đã tối ưu hóa suy luận cho hơn 30 mô hình sinh học mã nguồn mở, tăng tốc trung bình 4 lần, với mã nguồn được mở.

Cảm ơn:) Swift Qwen 3.8 27B hiện có hơn 100k lượt tải xuống, là bản finetune số 1 và mô hình số 9 trên HuggingFace Trending (Hoạt động: 1585): UkisAI thông báo rằng Swift Qwen 3.8 27B đã vượt qua hơn 100k lượt tải xuống trên Hugging Face và tuyên bố đây hiện là bản finetune số 1 và mô hình xu hướng số 9; hình ảnh đính kèm là biểu đồ tăng trưởng lượt tải xuống kỷ niệm cho thấy 105.493 lượt tải xuống vào ngày thứ 6. Về mặt kỹ thuật, bài đăng nhắc lại tuyên bố cốt lõi của mô hình: việc phạt hành vi suy nghĩ quá mức bệnh lý trong một LLM nhỏ đã giảm mức sử dụng token xuống 58,3% và cải thiện tốc độ lên 1,95 lần mà không làm giảm độ chính xác, với các checkpoint tiếp theo được lên kế hoạch: Swift1.5 Qwen3.8 27B và Swift Qwen3.8 Flash Next. Các liên kết mô hình liên quan: repo HF cơ sở, UkisAI GGUF và bartowski GGUF. Các bình luận chủ yếu là tích cực nhưng thiếu chi tiết kỹ thuật: người dùng khen ngợi sự tương tác với cộng đồng của tác giả, trong khi một người bình luận bày tỏ sự ngạc nhiên về mức độ phổ biến của mô hình và một người khác lập luận rằng một phiên bản không bị kiểm duyệt sẽ hấp dẫn hơn.

Một người dùng báo cáo việc chuyển đổi Swift-Qwen3.8-27B sang NInfer V3 và sử dụng nó như một trình điều khiển hàng ngày với OMP: CaptainArni/Swift-Qwen3.8-27B-NInfer. Họ tuyên bố nó phù hợp với toàn bộ ngữ cảnh 262k với tầm nhìn trên RTX 5090 sử dụng nvfp4 KV cache, và đạt khoảng 190 tok/s giải mã với DFlash2 K=7 ở giới hạn công suất 80%.

Một người dùng khác đã chuyển đổi bản lượng tử hóa NVFP4 của Swift-Qwen3.8-27B sang GGUF để tương thích với llama.cpp: HuggingJoost/Swift-Qwen3.8-27B-NVFP4-GGUF. Điều này có liên quan đối với những người dùng muốn chạy bản finetune bên ngoài các stack kiểu NInfer/VLLM và trong hệ sinh thái GGUF/llama.cpp rộng lớn hơn.

Ternary Bonsai 2 (27B) vừa được phát hành trên Hugging Face. Với kích thước <6GB, nó thậm chí có thể chạy cục bộ trên trình duyệt qua WebGPU. (Hoạt động: 1330): Ternary Bonsai 2 (27B) đã được phát hành trên Hugging Face như một dẫn xuất trọng số ternary của Qwen3.8-27B, giữ nguyên kiến trúc LM nhân quả chú ý lai ban đầu trong khi giảm kích thước xuống <6 GB—được tuyên bố là nhỏ hơn 9 lần so với FP16 trong khi vẫn giữ lại 98,2% “trí thông minh” cơ sở. Bộ sưu tập mô hình nằm trên Hugging Face, với bản demo WebGPU trên trình duyệt qua HF Spaces; video Reddit được liên kết không thể truy cập do lỗi 403 Forbidden. Các bình luận hàng đầu tỏ ra hoài nghi về mức độ giữ lại 98,2% được tuyên bố, với một người dùng nói rằng họ có “nghi ngờ nghiêm trọng” và sẽ kiểm tra nó, trong khi một người khác bác bỏ tất cả các mô hình Ternary Bonsai là “vô dụng”.

Những người bình luận đặt câu hỏi về tuyên bố của bản phát hành rằng một mô hình ternary 27B dưới 6GB có thể giữ lại khoảng 98% trí thông minh của mô hình gốc, với một người dùng nói rằng họ có “nghi ngờ nghiêm trọng” và dự định kiểm tra nó. Mối quan tâm kỹ thuật chính là liệu lượng tử hóa ternary cực đoan có bảo tồn hiệu suất điểm chuẩn đủ để hữu ích trong thực tế hay không, đặc biệt là đối với suy luận cục bộ/WebGPU.

Một người bình luận lưu ý rằng họ đã chờ đợi một bản nâng cấp từ mô hình Ternary Bonsai dựa trên Qwen 3.6 trước đó, ngụ ý sự quan tâm đến việc liệu mô hình cơ sở Bonsai 2 mới có cải thiện đáng kể khả năng trong khi vẫn giữ được dấu chân ternary nhỏ hay không. Một người dùng khác bác bỏ các mô hình Ternary Bonsai trước đó là “vô dụng”, gợi ý sự hoài nghi dựa trên sự suy giảm chất lượng được quan sát thấy trong các bản phát hành trước đó.

Tôi đã chạy Qwen 3.8 27B cục bộ trong 30 ngày, đây là kết quả (Hoạt động: 880): OP báo cáo 30 ngày sử dụng sản xuất/tác nhân lập trình cục bộ với Unsloth Qwen3.8-27B-UD-Q4_K_XL trên RTX 5070 Ti + RTX 4070 Super / Ryzen 5700X3D / 32GB RAM, đạt trung bình 845.1 tok/s xử lý prompt, 73.8 tok/s tạo nội dung và 0.481 MTP chấp nhận; cấu hình llama.cpp của họ được chia sẻ trên Pastebin. Các vấn đề kỹ thuật chính là sự phình to token ở chế độ suy luận—lên tới ~50% ngữ cảnh và tuyên bố các đợt bùng nổ 60k token suy luận—nhiễm độc/vòng lặp gọi công cụ ở ngữ cảnh >100k, và hành vi KV/cache dễ vỡ gây ra việc xử lý lại toàn bộ prompt; các biện pháp giảm thiểu của họ bao gồm thực thi các tác nhân phụ, mức độ suy luận trên mỗi tác nhân phụ, phát hiện vòng lặp với việc xóa các lệnh gọi công cụ xấu và sử dụng --spec-type draft-dflash,ngram-mod, mà họ cho biết nhanh hơn ~20% so với MTP+ngram trên phần cứng của họ. Một người bình luận chạy Qwen 3.8 27B ở FP8 cho biết họ đã tạo ra vài triệu token với ít vấn đề về gọi công cụ/vòng lặp lên đến gần 262k ngữ cảnh với tính năng tự động nén, lập luận rằng FP8/Q8 cải thiện đáng kể độ ổn định so với Q4. Một người bình luận khác lưu ý rằng nhiều bản sửa lỗi được đề xuất phụ thuộc vào bộ khung và hỏi bộ khung nào hỗ trợ các hành vi tác nhân phụ/suy luận/kiểm soát vòng lặp này.

Một người bình luận lưu ý rằng nhiều bản sửa lỗi được báo cáo có thể phụ thuộc vào bộ khung, hỏi bộ khung tác nhân/thời gian chạy nào đã được sử dụng. Họ so sánh cụ thể điều này với thiết lập của riêng họ sử dụng zcode với các tác nhân phụ và hermes, ngụ ý rằng hành vi sử dụng công cụ, giảm thiểu vòng lặp và độ tin cậy của quy trình làm việc có thể thay đổi đáng kể theo lớp điều phối thay vì chỉ trọng số mô hình.

Một người dùng báo cáo đã tạo ra vài triệu token với Qwen 3.8 27B ở FP8 mà không gặp vấn đề về gọi công cụ và rất hiếm khi bị lặp, chạy ngữ cảnh lên đến gần 262k token với tính năng nén tự động. Họ quan sát thấy rằng vòng lặp xuất hiện sớm hơn nhiều ở Q4, mặc dù nó có thể được giảm thiểu một phần bởi bộ khung, kết luận rằng FP8/Q8 mang lại lợi ích độ tin cậy rõ ràng khi phần cứng cho phép.

Một người bình luận khác đề cập đến việc chạy ukisai/Swift-Qwen3.8-27B-GGUF trên RTX 5090, mô tả hành vi “suy nghĩ nhanh” của mô hình là rất ấn tượng. Đây là một điểm dữ liệu hữu ích vì nó gắn một biến thể GGUF cụ thể với việc triển khai GPU tiêu dùng cao cấp, mặc dù không có số liệu về thông lượng, VRAM hoặc lượng tử hóa nào được cung cấp.

Qwen 3.8 27B chạy trong 63 giờ trên RTX 3090 để giải giả thuyết Riemann (Hoạt động: 850): Một người dùng báo cáo chạy Qwen “3.8” 27B ở lượng tử hóa 4-bit với cửa sổ ngữ cảnh 100K trên RTX 3090 trong 63 giờ / 50M+ token trong một nỗ lực tự hành để chứng minh Giả thuyết Riemann; không có gì ngạc nhiên khi nó không tạo ra bằng chứng, nhưng tác giả tuyên bố quá trình chạy đã bộc lộ các artifact hữu ích như tổ chức bộ nhớ nội bộ, mã và lặp lại chiến lược. Họ đã xuất bản dữ liệu thí nghiệm trên Hugging Face: gr0010/artificium-riemannhypothesis-experiment, và đang xem xét các lần chạy tiếp theo sử dụng các mô hình mở mạnh hơn như GLM 5.3 flash hoặc các bầy đa tác nhân trên các bài toán toán học/lập trình mở đơn giản hơn. Những người bình luận tỏ ra hoài nghi về việc liệu tác giả có đủ chuyên môn về lý thuyết số để xác minh các tuyên bố như “nó không bao giờ ảo tưởng” hoặc để xác định các lỗi toán học tinh vi hay không. Những người khác coi kết quả này về cơ bản là sự xoay vòng liên tục thay vì tiến bộ, và nêu lên những lo ngại về chi phí tính toán, trích dẫn một tuyên bố chưa được xác minh rằng OpenAI đã chi ~£15M chi phí tính toán cho một nỗ lực chứng minh liên quan đến sự bùng nổ Navier–Stokes.

Những người bình luận đã nêu lên một vấn đề đánh giá quan trọng: nếu không có chuyên môn sâu về lý thuyết số, rất khó để xác minh liệu các tự sửa lỗi của Qwen có hợp lệ về mặt toán học hay chỉ là các vòng lặp suy luận hợp lý. Tuyên bố rằng nó “không bao giờ ảo tưởng câu trả lời” đã bị thách thức trên cơ sở rằng việc phát hiện ảo tưởng trong một nỗ lực chứng minh cho giả thuyết Riemann đòi hỏi sự xác nhận ở cấp độ chuyên gia, không chỉ là quan sát tính nhất quán hoặc tự sửa lỗi.

Có sự quan tâm đến thiết lập suy luận cần thiết để giữ cho một mô hình 27B chạy trong 63 giờ trên RTX 3090, đặc biệt là bộ khung và chiến lược quản lý ngữ cảnh. Các độc giả kỹ thuật đã yêu cầu chi tiết về cách ngữ cảnh được bảo tồn, tóm tắt hoặc cuộn về phía trước trong một quá trình chạy suy luận dài như vậy, vì giới hạn cửa sổ ngữ cảnh và sự suy giảm sẽ ảnh hưởng mạnh đến tính hợp lệ của bất kỳ tìm kiếm bằng chứng mở rộng nào.