SWE-Bench Pro Verified khắc phục các lỗ hổng như gian lận kết quả và lỗi dữ liệu trong bộ chuẩn cũ, giúp đánh giá chính xác hơn năng lực thực tế của các tác nhân AI trong kỹ thuật phần mềm.
Elvis Saravia@omarsar0Nice paper from Salesforce on co-evolving harnesses and models. Harness engineering is a hot topic …
DịchNghiên cứu mới từ Salesforce giải quyết vấn đề mô hình AI bị 'sao chép thất bại' khi cùng tiến hóa với các hệ thống hỗ trợ (harnesses), thông qua kỹ thuật hiệu chỉnh chính sách (on-policy correction).
DF26 là bộ dữ liệu chuẩn mới gồm hơn 2.700 video, cho thấy cả con người lẫn các công cụ phát hiện deepfake hiện đại đều gần như bất lực trước các video do AI tạo ra. Nghiên cứu này gióng lên hồi chuông cảnh báo về sự cần thiết của các tiêu chuẩn kiểm chứng mới trong kỷ nguyên AI tạo sinh.
Nghiên cứu giới thiệu SAEScientist-Bench, bộ tiêu chuẩn đánh giá khả năng của AI trong việc sử dụng Sparse Autoencoders để tự động khám phá và giải mã các đặc trưng bên trong mô hình ngôn ngữ lớn.
Nghiên cứu so sánh hai phương pháp tạo mã: tạo toàn bộ tệp tin và chỉnh sửa từng phần (diff). Kết quả cho thấy tạo mã trực tiếp vượt trội hơn hẳn về độ chính xác và khả năng biên dịch so với phương pháp diff.
Nghiên cứu chỉ ra rằng việc tối ưu hóa hệ thống hỗ trợ (harness) giúp mô hình nhỏ đạt hiệu suất cao, nhưng việc huấn luyện bắt chước từ chuyên gia lại gây phản tác dụng, đòi hỏi phương pháp hiệu chỉnh on-policy thay thế.
DianShi-RxnDB là kho dữ liệu khổng lồ với 14,8 triệu phản ứng hữu cơ được trích xuất tự động từ bằng sáng chế, cung cấp thông tin chi tiết về quy trình thí nghiệm, nhiệt độ và hiệu suất, hỗ trợ đắc lực cho các tác nhân AI trong lĩnh vực hóa học.
Show-Harness cung cấp giao diện hành động ngữ nghĩa rời rạc, giúp các mô hình ngôn ngữ thị giác (VLM) điều khiển robot trực tiếp mà không cần huấn luyện chuyên sâu hay bổ sung mô hình phức tạp.
Puppeteer là mô hình khuếch tán mới giúp tạo cử chỉ cơ thể tự nhiên, đồng bộ với lời nói và có tính đến tư thế cũng như các vật thể xung quanh, giải quyết hạn chế của các mô hình trước đây.
Nghiên cứu giới thiệu DATPO, phương pháp tối ưu hóa cấu trúc suy luận dạng cây giúp tăng cường độ đa dạng ngữ nghĩa và khả năng giải quyết vấn đề của các mô hình AI thông qua học tăng cường có thưởng (RLVR).
Mô hình này cho phép AI chuyển đổi ngôn ngữ tự nhiên thành mã thực thi để kiểm soát trạng thái thế giới, giúp việc tạo video và mô phỏng trở nên chính xác, nhất quán hơn thông qua một engine nhẹ.
Rohan Paul@rohanpaul_aiIf you think vibe coding makes computer science fundamentals irrelevant, this study points the other…
DịchNghiên cứu trên 100 sinh viên cho thấy điểm số môn Khoa học máy tính có khả năng dự đoán hiệu suất 'vibe coding' (lập trình qua AI) cao gấp đôi so với kỹ năng viết, dù cả hai đều đóng vai trò quan trọng trong việc tạo ra các câu lệnh (prompt) hiệu quả.
Nghiên cứu giới thiệu StudyBench, một bộ tiêu chuẩn đánh giá khả năng tự học của AI từ tài liệu thô. Kết quả cho thấy việc học thuộc lòng sách giáo khoa không đảm bảo khả năng giải quyết các bài toán Olympic khó.
Elvis Saravia@omarsar0This is a really neat benchmark. It's super interesting that Astra starts strong and holds the lead …
DịchAutoResearchExam đánh giá khả năng tự nghiên cứu của AI trong 24 giờ qua 7 lĩnh vực chuyên sâu. Kết quả cho thấy Fable 5.1 đang dẫn đầu, trong khi Qwen, Gemini và Grok chiếm ưu thế về hiệu suất chi phí.
Graph Machine (GM) là kiến trúc mới sử dụng các 'cạnh' (edges) linh hoạt để truy xuất dữ liệu, giúp duy trì độ phức tạp O(n) mà vẫn đảm bảo tính thưa thớt hiệu quả. Phương pháp này cho phép thay thế phần lớn các lớp Transformer truyền thống với hiệu suất vượt trội và chi phí tính toán thấp.
Rohan Paul@rohanpaul_aiNew Tsinghua + Qwen Team's paper flips the usual agent-data recipe: Reconstructing and re-solving o…
DịchNhóm nghiên cứu từ Thanh Hoa và Qwen giới thiệu Terminal-Universe, phương pháp khôi phục không gian làm việc từ quỹ đạo AI để tạo dữ liệu huấn luyện chất lượng cao, giúp cải thiện đáng kể hiệu suất của mô hình Qwen3.5-27B trong các tác vụ lập trình thực tế.
EVOHARNESSBENCH là bộ tiêu chuẩn mới đánh giá khả năng thích nghi của AI Agent khi các công cụ, kỹ năng và hệ thống hỗ trợ liên tục thay đổi theo thời gian, thay vì chỉ tập trung vào các tác vụ cố định.
Tác giả sử dụng GPT-5.5 Pro làm mô hình giáo viên để thực hiện kỹ thuật tiền nạp (pre-filling) 1% dữ liệu suy luận vào Qwen3.8, kết quả cho thấy độ tương đồng câu trả lời tăng đáng kể trên 45 bài kiểm tra.
Elvis Saravia@omarsar0Another banger paper from Google. If you build memory for long-horizon agents, this one is worth yo…
DịchGoogle đề xuất khung Procedural Graph giúp AI lưu trữ kiến thức dưới dạng sơ đồ quy trình, cho phép tự động tinh chỉnh và tối ưu hóa hành động dựa trên kinh nghiệm thực tế, từ đó vượt qua các giới hạn của thiết kế thủ công.
VDiff-Bench là bộ tiêu chuẩn mới gồm 1.756 câu hỏi trắc nghiệm, giúp kiểm tra khả năng phát hiện các thay đổi tinh vi giữa hai hình ảnh của các mô hình ngôn ngữ đa phương thức (MLLM) vốn thường gặp khó khăn trong tác vụ này.
DAIR.AI@dair_aiWild paper from Microsoft and colleagues. They show a new attack that reconstructs the text a local…
DịchCác nhà nghiên cứu từ Microsoft và ĐH Ben Gurion đã phát triển kỹ thuật tấn công mới, cho phép khôi phục văn bản từ các mô hình LLM chạy cục bộ bằng cách theo dõi hoạt động bộ nhớ đệm CPU trong quá trình giải mã token.
AK@_akhaliqNeoHorse-1 Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness paper…
DịchNeoHorse-1 giới thiệu khung làm việc dựa trên định tuyến (routing framework), cho phép các tác nhân AI thực hiện quá trình tự cải tiến đệ quy sau huấn luyện, giúp tối ưu hóa hiệu suất một cách tự động.
Ma Dongxi NLP@dongxi_nlpBài viết chuyên sâu phân tích cơ chế hoạt động, bài toán chi phí và khả năng suy luận của Recurrent Transformer trong bối cảnh phát triển GPT-6 Astra, kèm theo các biểu đồ minh họa trực quan.
Nghiên cứu giới thiệu phương pháp Self-Listening, cho phép mô hình AI phản hồi chính xác hơn khi bị ngắt lời bằng cách tự lắng nghe lại những gì mình đã phát ra, thay vì chỉ dựa trên dữ liệu văn bản thuần túy.
SynthGait-19K là bộ dữ liệu gồm hơn 19.000 video mô phỏng dáng đi từ 437 đối tượng, đi kèm chú thích chuyển động SMPL và 6 thông số dáng đi quan trọng, hỗ trợ đắc lực cho nghiên cứu thị giác máy tính.
Fei-Fei Li@drfeifeiThe world of R&D is forking into two paths: the token-abundant research, and the token-starved resea…
DịchFei-Fei Li nhận định tương lai AI thuộc về các đơn vị sở hữu nguồn lực token dồi dào. Bà kêu gọi các trường đại học tái định hình chiến lược nghiên cứu trước sự bùng nổ của các phòng thí nghiệm AI tiên tiến.
Rohan Paul@rohanpaul_aiThe paper shows that refreshing an agent's memory does not refresh its plan, so the plan should be c…
DịchNghiên cứu chỉ ra rằng AI Agent thường thực hiện các thao tác lỗi thời dù trí nhớ đã được cập nhật. PLANFENCE giải quyết vấn đề này bằng cách liên kết kế hoạch với dữ liệu đầu vào, tự động lập kế hoạch lại khi dữ liệu thay đổi để đảm bảo tính chính xác.
A*-Thought-V2 cải thiện hiệu suất suy luận bằng cách mô hình hóa chuỗi tư duy dưới dạng quỹ đạo trạng thái ẩn, giúp tăng độ chính xác lên 2,6% và giảm đáng kể thời gian tính toán cũng như tài nguyên huấn luyện.
OpenWAM giới thiệu một nền tảng nghiên cứu mở giúp tách biệt các thành phần trong mô hình Thế giới - Hành động (WAM), cho phép thử nghiệm có kiểm soát để hiểu rõ cách thức tri thức từ video chuyển hóa thành tín hiệu điều khiển cho robot.
Marigold V2 ứng dụng kiến trúc Diffusion Transformer để tối ưu hóa việc ước tính độ sâu, cho phép suy luận một bước với độ chính xác vượt trội trên các chi tiết phức tạp như lông thú hay tán lá, đồng thời giảm đáng kể chi phí vận hành.
Cadence kết hợp mô hình TimesFM-3 với bộ mã hóa số học thích ứng để nén chuỗi thời gian, đảm bảo sai số nằm trong ngưỡng cho phép. Phương pháp này vượt trội hơn các thuật toán truyền thống như xz hay zstd nhờ khả năng tận dụng dự báo chính xác để tối ưu hóa dung lượng lưu trữ.
Nghiên cứu khám phá khoảng cách giữa việc mô hình nhận diện thông tin và thời điểm sử dụng chúng. Kết quả cho thấy dù mô hình sớm nhận diện được trình độ chuyên môn của đối tác, nhưng phải đến các lớp sâu hơn thông tin này mới thực sự tác động đến phản hồi.
Nghiên cứu chỉ ra rằng các mô hình ngôn ngữ lớn có khả năng nhận diện câu hỏi vô lý trước khi tạo văn bản, nhưng lại thất bại trong việc từ chối do sự lệch lạc giữa cơ chế nhận thức và cơ chế an toàn.
MetaRSI-v1 là kiến trúc đầu tiên cho phép AI không chỉ tự cải thiện mô hình mà còn tự tiến hóa cả quy trình cải thiện đó. Công nghệ này giúp các mô hình nhỏ đạt hiệu suất vượt trội mà không cần giáo viên hướng dẫn, mở ra kỷ nguyên 'tự cải thiện bình phương'.
Các nhà nghiên cứu đã phát triển robot cá đuối sử dụng cơ xương ếch làm bộ truyền động, đạt tốc độ bơi ấn tượng nhờ điều khiển bằng tia hồng ngoại gần. Công trình này thiết lập kỷ lục mới về tốc độ cho robot sinh học sử dụng mô cơ.
Procedural Graphs tổ chức kiến thức dưới dạng các bộ ba (quy trình, quan hệ, quy trình), giúp mô hình LLM đưa ra quyết định thông minh bằng cách chuyển đổi đồ thị con thành hướng dẫn ngữ cảnh, thay vì ép buộc các bước thực thi cứng nhắc.
Phương pháp On-Policy Reverse Distillation (OPRD) cho phép mô hình AI học từ giáo viên yếu nhưng vẫn đạt hiệu suất vượt trội, nhờ cơ chế lọc và khuếch đại các cập nhật tối ưu từ trình xác thực.
Phương pháp Mask Forcing giúp khắc phục tình trạng video bị bão hòa hoặc mờ nhòe trong các mô hình khuếch tán tự hồi quy bằng cách chèn các lớp mặt nạ ngẫu nhiên. Kỹ thuật này cải thiện đáng kể chất lượng hình ảnh mà không cần dữ liệu thực tế hay bước hậu huấn luyện phức tạp.
GE-Act 2.0 là mô hình hành động thế giới (WAM) được huấn luyện từ đầu với kiến trúc tối ưu, giúp robot thao tác chính xác hơn thông qua việc kết hợp lập kế hoạch hình ảnh và động lực học nghịch đảo.
Cùng sự kiện, bài đại diện «OpenWAM: Bước tiến mở và mô-đun hóa trong huấn luyện trước mô hình Thế giới - Hành động»Nghiên cứu đánh giá liệu các vector điều hướng trong LLM có thực sự phản ánh các giá trị đạo đức con người hay chỉ là các lối tắt hành vi, thông qua bộ dữ liệu chuẩn 26.000 mẫu dựa trên lý thuyết giá trị của Schwartz.