WorldReward là mô hình phần thưởng dựa trên VLM giúp đánh giá đồng bộ tính nhất quán của hành động và chất lượng hình ảnh trong các mô hình thế giới. Phương pháp này vượt trội hơn GPT-4o trong các bài kiểm tra thực tế, hỗ trợ tối ưu hóa hiệu quả cho quá trình huấn luyện RL.
Nghiên cứu khám phá vai trò của dữ liệu trong chưng cất mô hình (OPD), chứng minh rằng chỉ với một truy vấn duy nhất, mô hình có thể cải thiện hiệu suất liên tục qua hàng trăm bước và đạt được phần lớn lợi ích so với việc dùng toàn bộ tập dữ liệu.
Armature phân tích dữ liệu từ hơn 5.000 phiên làm việc thực tế để đánh giá cách các AI coding agent tự động lựa chọn và sử dụng công cụ bên thứ ba trong quá trình phát triển phần mềm.
Terminal-Universe tái tạo không gian làm việc từ lịch sử thao tác của AI, cho phép khôi phục và mở rộng các tác vụ cũ thành môi trường thử nghiệm mới, giúp tối ưu hóa việc huấn luyện và đánh giá khả năng của AI Agent.
Principia là bộ benchmark mới sử dụng 529 tình huống thực tế để kiểm tra tính nhất quán vật lý Newton (trọng lực, ma sát, quán tính...) trong các mô hình video và VLM.
Nghiên cứu đề xuất phương pháp tiến hóa môi trường bằng cách tăng dần độ khó theo thế hệ, tạo tín hiệu học tập bền vững cho quá trình huấn luyện các Agent đầu cuối.
LLaDA-Image là khung làm việc thống nhất kết hợp Diffusion Transformer 6B được huấn luyện từ đầu với mô-đun hiểu ngôn ngữ hình ảnh dựa trên nền tảng LLaDA2.0-Mini.
Nghiên cứu giới thiệu CORE, kỹ thuật sử dụng mô hình đa phương thức làm bộ sắp xếp lại (reranker) để chưng cất khả năng suy luận kết hợp vào các mô hình nhúng thông qua mục tiêu Rank-KL và danh sách ứng viên tổng hợp.
Nghiên cứu giới thiệu mô hình Editable Visual Design, kết hợp VLM làm bộ não sáng tạo và mô hình tạo ảnh làm công cụ thực thi, cho phép chỉnh sửa thiết kế chuyên sâu thông qua Coding Agent.
DAIR.AI@dair_aiGreat tips on working with reasoning models. Normally you would append what the model figured out a…
DịchNghiên cứu mới đề xuất đặt các bước suy luận trước khối ngữ cảnh dài thay vì để ở cuối, giúp mô hình tận dụng thông tin dẫn dắt để xử lý tài liệu hiệu quả hơn, cải thiện đáng kể độ chính xác.
LatentPress giới thiệu phương pháp nén tài liệu và lịch sử hội thoại thành các token bộ nhớ liên tục, cho phép mô hình AI đọc trực tiếp mà không cần giải mã văn bản, giúp tăng hiệu suất xử lý dữ liệu dài gấp 4-16 lần.
Rohan Paul@rohanpaul_aiNew Stanford paper Prefix Sliding shows that long reasoning does not need the full chain of thought …
DịchPhương pháp Prefix Sliding cho phép mô hình AI lược bỏ các token suy luận trung gian, chỉ giữ lại tiền tố nhiệm vụ và cửa sổ trượt gần nhất, giúp tối ưu hóa tốc độ suy luận gấp 3 lần mà không làm giảm hiệu suất.
Nghiên cứu giới thiệu MaP-SQL, một hệ thống chọn lọc Text-to-SQL không cần tinh chỉnh, sử dụng bộ nhớ cấu trúc để đánh giá các truy vấn thay vì huấn luyện mô hình, giúp tối ưu hiệu suất và giảm chi phí.
AK@_akhaliqIt Takes Two to Match Co-Evolving Generative Retriever with Reinforcement Learning paper: https://...
DịchNghiên cứu giới thiệu CoGR, phương pháp huấn luyện LLM đồng bộ hóa từ khóa giữa truy vấn và sản phẩm thông qua học tăng cường (GRPO), giúp cải thiện đáng kể hiệu suất tìm kiếm so với các phương pháp truyền thống.
AK@_akhaliqHarnessDev Can LLMs Create and Evolve Their Own Agent Harness? paper: https://huggingface.co/paper...
DịchHarnessDev là bộ tiêu chuẩn mới đánh giá khả năng tự tạo và tối ưu hóa hạ tầng thực thi của LLM. Kết quả cho thấy các Agent tự xây dựng vẫn thua kém giải pháp thủ công, đồng thời khả năng tự tiến hóa còn thiếu ổn định và khó chuyển đổi giữa các mô hình khác nhau.
AK@_akhaliqRepo-To-Skill Distilling GitHub Repositories Into AI4AI Skills paper: https://huggingface.co/paper...
DịchNghiên cứu Repo-To-Skill giới thiệu phương pháp chắt lọc dữ liệu từ các kho lưu trữ GitHub để huấn luyện và nâng cao kỹ năng chuyên biệt cho các mô hình AI (AI4AI).
Rohan Paul@rohanpaul_aiNew Microsoft plus Univ of San Diego paper shows a model can look better after SFT but actually be a…
DịchNghiên cứu chỉ ra rằng việc tinh chỉnh (SFT) quá mức có thể xóa bỏ các hành vi hiếm gặp nhưng quan trọng, khiến mô hình trở thành điểm khởi đầu kém hiệu quả cho quá trình học tăng cường (RL).
Kim@kimmonismusThe lesson from today: we need new benchmarks asap.
DịchTác giả của ARC-AGI 3 xác nhận bộ tiêu chuẩn này đã không còn đủ thách thức cho các mô hình AI hiện nay, đồng thời kêu gọi cộng đồng sớm xây dựng các bài kiểm tra năng lực mới.
Cùng sự kiện, tinh chọn hiển thị «ARC-AGI-3 bị chinh phục chỉ sau 6 tháng, tốc độ phát triển AI vượt xa dự đoán»
Emad Mostaque@EMostaqueIf you are sitting 🪑 on a human led result in mathematics how can you not release it asap It's cle…
DịchCựu CEO Stability AI cho rằng các nghiên cứu toán học nên được công bố nhanh chóng, đồng thời tin tưởng AI thế hệ mới sẽ sớm giải quyết mọi bài toán lý thuyết có thể kiểm chứng.
DAIR.AI@dair_aiBrilliant paper on long-horizon agents. They cut 78.9% of an agent's LLM calls while raising its su…
DịchNghiên cứu SPACE giới thiệu cách tối ưu hóa hành động cho AI Agent thông qua việc học các kỹ năng phân cấp, giúp giảm đáng kể tần suất gọi LLM trong các tác vụ dài hạn mà vẫn duy trì hiệu suất cao.
Nghiên cứu giới thiệu Sparse Readout Prism (SRP), một phương pháp phân tích mới giúp tách biệt cấu trúc giải mã của mô hình ngôn ngữ khỏi dữ liệu huấn luyện, cho phép hiểu rõ cách các đặc trưng ẩn tạo nên dự đoán thay vì chỉ nhìn vào các token đơn thuần.
DAIR.AI@dair_aiGreat weekend read. https://x.com/omarsar0/status/2095612805496164801?s=20
DịchCác nhà nghiên cứu từ KAIST và Google DeepMind đề xuất phương pháp Declarative Attention, cho phép mô hình tự kiểm soát cơ chế chú ý để giảm tải việc đọc KV cache, giúp tăng hiệu suất xử lý.
WHALE là kỹ thuật mới giúp tối ưu hóa song song trọng số mô hình và mã điều khiển (harness) thông qua quy trình luân phiên, giúp khai thác tối đa năng lực của AI thay vì chỉ tinh chỉnh từng phần riêng lẻ.
Elvis Saravia@omarsar0Banger paper from Google DeepMind and colleagues. (bookmark it) A model reads its entire KV cache …
DịchNghiên cứu mới từ Google DeepMind và KAIST đề xuất phương pháp Declarative Attention, giúp các mô hình ngôn ngữ tự điều chỉnh cơ chế chú ý trong quá trình suy luận chuỗi, từ đó cải thiện độ chính xác.
Nghiên cứu đánh giá khả năng thay thế các mô hình lớn bằng các mô hình ngôn ngữ nhỏ (như Qwen3-1.7B) để làm giám khảo chấm điểm trong học tăng cường, giúp giảm chi phí tính toán mà vẫn đảm bảo độ chính xác.
Microsoft Research@MSFTResearchWhere can curiosity take a research career? Undergraduate research intern Matheus Kunzler Maldaner…
DịchTập đầu tiên của series 'Research | Start Here' giới thiệu hành trình nghiên cứu về hệ thống AI tự hành (agentic systems) của thực tập sinh Matheus Kunzler Maldaner tại Microsoft Research.
DAIR.AI@dair_aiBanger paper from BAAI. If you are building research agents, this one is worth your time. (bookmar…
DịchBAAI giới thiệu DisCo, phương pháp chưng cất 1.000 kho mã nguồn ML thành thư viện kỹ năng AREX, giúp các tác nhân AI (AI Agents) nâng cao đáng kể hiệu suất giải quyết các nhiệm vụ nghiên cứu phức tạp.
Nghiên cứu giới thiệu LLAMIA-Bench với 6 nhiệm vụ cờ vua, đồng thời đề xuất kỹ thuật nội tại hóa trạng thái tiềm ẩn, cho phép LLM tích hợp trực tiếp biểu diễn của các tác nhân chuyên biệt vào luồng token.
Nghiên cứu giới thiệu EASE, phương pháp giúp mô hình đa phương thức không chỉ trả lời đúng mà còn phải 'nhìn' đúng vào vùng dữ liệu bằng chứng trên ảnh, giúp cải thiện đáng kể độ tin cậy của các mô hình VLM.
Thomas Wolf (Hugging Face đồng sáng lập/CSO)@Thom_Wolfgreat mathematicians still lead on taste
DịchNhà toán học Youness Lamzouri đã đơn giản hóa chứng minh của Claude về các điểm không của hàm Zeta, chứng minh hơn 67,25% điểm không nằm trên đường tới hạn bằng các bất đẳng thức không gian Hilbert thay vì ma trận. Thomas Wolf nhận định đây là minh chứng cho thấy con người vẫn dẫn đầu về tư duy.
Nghiên cứu đề xuất giao thức kiểm tra mới giúp phân biệt liệu AI Agent thực sự hiểu quy trình chuyên biệt hay chỉ đang đoán mò, thông qua việc tách biệt hướng dẫn nhiệm vụ khỏi các dữ liệu nội bộ.
Nghiên cứu giới thiệu AM-Bench để đánh giá liệu LLM hiểu bố cục không gian hay chỉ đơn thuần là chuyển đổi mô tả thành mã nguồn. Kết quả cho thấy khả năng tư duy không gian thực sự khác biệt đáng kể giữa các mô hình, vượt xa khả năng viết code đơn thuần.
Rohan Paul@rohanpaul_aiLong-running agents do not just need a bigger context window. They need to learn what deserves to st…
DịchContextPilot là phương pháp mới giúp AI chủ động quản lý bộ nhớ thông qua việc tự quyết định lưu trữ, nén hoặc xóa dữ liệu cũ, sử dụng học tăng cường để tối ưu hóa hiệu quả xử lý.
Rohan Paul@rohanpaul_aiA strong coding model is not enough if the model managing its work does not know when to redirect, v…
DịchLoopArena là bộ tiêu chuẩn mới giúp đánh giá hiệu quả của các mô hình AI khi đóng vai trò 'Controller' điều phối các tác vụ lập trình phức tạp, thay vì chỉ tập trung vào khả năng viết code đơn lẻ.
Ma Dongxi NLP@dongxi_nlpNghiên cứu mới đề xuất mô hình Software World, nơi các AI Agent tự quản lý và tối ưu hóa các gói phần mềm Python, thay thế con người trong việc duy trì chuỗi phụ thuộc.
SnapBench là bộ tiêu chuẩn đầu tiên đánh giá độ bền của các mô hình AI khi người dùng chụp ảnh và đặt câu hỏi trên thiết bị di động, giải quyết các vấn đề về ảnh mờ hoặc lỗi nhập liệu văn bản thông qua 1.145 truy vấn thực tế.
Cùng sự kiện, bài đại diện «MULTI3IR: Bộ tiêu chuẩn mới đánh giá khả năng truy xuất thông tin đa chiều và đa phương thức»Rohan Paul@rohanpaul_aiClaude Code plugins have a maintenance problem that normal code tooling barely sees: the Markdown fi…
DịchNghiên cứu trên 8.500 plugin cho thấy 74% các thay đổi được gắn nhãn 'tài liệu' thực chất là mã lệnh điều khiển runtime của Claude. Điều này gây ra sự thiếu đồng bộ nghiêm trọng giữa tài liệu hướng dẫn và logic thực thi của AI.
Rohan Paul@rohanpaul_aiNew Stanford and other top research lab paper shows that the framework around an LLM can change agen…
DịchDuMateBench giới thiệu bộ tiêu chuẩn đánh giá AI Agent qua 200 tác vụ thực tế phức tạp, từ lập trình đến sáng tạo nội dung, giúp đo lường khả năng xử lý lỗi và môi trường thực tế của các mô hình.
Hệ thống mô-đun mới giúp chuyển đổi các bản quét báo cũ thành dữ liệu có cấu trúc, cho phép trích xuất văn bản, phân loại nội dung và nhận diện thực thể ngay trên phần cứng máy trạm thông thường.
S3Gym là bộ tiêu chuẩn đánh giá mới giúp đo lường khả năng tự cải thiện của các tác nhân AI thông qua quy trình tự kiểm thử, tự đánh giá và tự tối ưu hóa trong môi trường trò chơi văn bản.