Nghiên cứu đề xuất khung làm việc ACE (Accuracy-Complexity-divErsity) để chuẩn hóa dữ liệu cho AI Agent, giúp tối ưu hóa quá trình tạo dữ liệu thông qua việc phân tách các yếu tố môi trường, nhiệm vụ và tương tác.
Nghiên cứu chỉ ra rằng chiến lược tiến hóa (ES) giúp tối ưu hóa suy luận LLM hiệu quả hơn GRPO, tránh được hiện tượng suy giảm entropy và cải thiện đáng kể tỷ lệ thành công (Pass@K) nhờ các cập nhật trọng số chọn lọc.
Magpie tách biệt logic game và tạo hình ảnh, cho phép engine xử lý trạng thái thế giới trong khi server AI render khung hình. Giải pháp này giúp giảm phụ thuộc vào tài sản đồ họa truyền thống mà vẫn giữ được tính tương tác và khả năng thiết kế gameplay.
AK@_akhaliqVGI-Bench Probing Visual Intelligence in Video Generation Models paper: https://huggingface.co/pap...
DịchVGI-Bench là bộ tiêu chuẩn mới giúp đo lường khả năng hiểu và xử lý hình ảnh của các mô hình tạo video hiện nay, cung cấp cái nhìn sâu sắc về trí tuệ thị giác trong AI.
Thinking Machines@thinkymachinesCleaning data and aligning the reward function for RLVR takes expertise and effort upfront, but the …
DịchThinking Machines cùng các nhà nghiên cứu đã tích hợp đánh giá chuyên gia vào quy trình RLVR, tạo ra mô hình Text-to-SQL đầu tiên đạt hiệu suất vượt trội so với con người trong các tác vụ phức tạp.
Nhóm nghiên cứu Apple giới thiệu phương pháp căn chỉnh dựa trên thang điểm (rubric) giúp mô hình hỏi đáp đưa ra câu trả lời chính xác và có căn cứ hơn, thay thế tín hiệu ưu tiên đơn lẻ bằng các tiêu chí đánh giá đa chiều rõ ràng.
Rohan Paul@rohanpaul_aiShould your agent's training environment look like your eval set? AgentMercury says no, and shows …
DịchNghiên cứu AgentMercury chỉ ra rằng việc huấn luyện AI trong các môi trường giả lập kinh doanh độc lập giúp cải thiện đáng kể khả năng tổng quát hóa. Phương pháp này giúp tỷ lệ tạo lập công ty giả lập thành công tăng vọt từ 3,3% lên 83,3%, ngang ngửa với Claude Opus.
Rohan Paul@rohanpaul_aiNetflix has explained the system behind those short "because you watched" lines: an AI writes them, …
DịchNetflix công bố nghiên cứu về hệ thống AI tự động tạo và kiểm duyệt lý do gợi ý phim, giúp tăng tỷ lệ người dùng xem hết nội dung thay vì chỉ lướt qua.
Nghiên cứu giới thiệu bộ dữ liệu GUI-Primitives nhằm kiểm tra khả năng hiểu các mối quan hệ không gian trong giao diện người dùng của các mô hình thị giác-ngôn ngữ, vốn đang gặp khó khăn lớn với độ chính xác dưới 32%.
Elvis Saravia@omarsar0If you maintain a hand-built agent harness, this one is worth your time. (bookmark it) I feel like…
DịchJIT-Agent là mô hình giúp tổng hợp nhanh các khung làm việc cho AI Agent dựa trên 4 thành phần cốt lõi: bộ nhớ, lập kế hoạch, hành động và công cụ. Hệ thống có khả năng tự sửa lỗi trong quá trình vận hành và tối ưu hóa hiệu suất thông qua việc học hỏi từ lịch sử cấu hình.
Rohan Paul@rohanpaul_aiHuman-centric AI is getting better at isolated tasks, but this survey argues the next leap is connec…
DịchNghiên cứu đề xuất khung 6 tầng kết nối các tác vụ rời rạc thành mô hình thống nhất, nhấn mạnh việc tích hợp dữ liệu con người và khả năng tương tác vật lý thay vì chỉ tăng quy mô mô hình.
Elvis Saravia@omarsar0Another good paper. Interesting finding on the benefits of the agent harness.
DịchNghiên cứu mới chỉ ra rằng hành vi của AI Agent có thể được mô hình hóa bằng máy trạng thái hữu hạn (FSM) với độ chính xác cao. Kết quả cho thấy cấu trúc khung triển khai đóng vai trò quyết định đến hành vi của Agent hơn là bản thân mô hình LLM nền tảng.
Nhóm nghiên cứu từ ĐH Adelaide chứng minh các coding-agent như Claude Code có thể điều khiển robot trong môi trường lạ chỉ với camera đơn và 4 nút lệnh, đạt hiệu suất ngang ngửa các mô hình chuyên dụng mà không cần đào tạo lại.
Nghiên cứu của Wharton cho thấy các mô hình AI hiện nay rất dễ bị thao túng bởi nguồn tin bên ngoài, khiến kết quả gợi ý mua sắm thiếu ổn định và chưa sẵn sàng để tự động thực hiện giao dịch.
DAIR.AI@dair_ai// Automata from agent traces // How much of your agent's behavior comes from the model, and how mu…
DịchNghiên cứu mới cho thấy có thể nén quỹ đạo của AI thành các máy trạng thái hữu hạn (FSM) nhỏ gọn, giúp dự đoán hành vi chính xác hơn và hỗ trợ giám sát thời gian thực. Kết quả chỉ ra rằng cấu trúc hành vi của AI được định hình chủ yếu bởi khung triển khai thay vì mô hình ngôn ngữ nền tảng.
Nghiên cứu từ Đại học Bocconi và OpenAI cho thấy ChatGPT giúp cải thiện điểm số và độ chuyên nghiệp của bài làm, trong khi đào tạo tư duy phản biện thúc đẩy tính sáng tạo. Sự kết hợp này mang lại hiệu quả tối ưu, đồng thời đặt ra vấn đề về việc đánh giá tính nguyên bản trong giáo dục.
Elvis Saravia@omarsar0Important read if you build with agent skills. Shared skill libraries are treated as a safe way for…
DịchNghiên cứu mới chỉ ra EvoMal có thể lây nhiễm mã độc vào các thư viện kỹ năng AI, khiến các tác nhân tự sao chép và thực thi mã độc. Dù việc xóa bỏ hoàn toàn rất khó, các kỹ thuật phản lệnh (anti-prompt) có thể giảm tỷ lệ tự nhiễm xuống còn 6,7% mà không ảnh hưởng đến hiệu suất.
Ethan Mollick@emollick🚨Our new research examines agentic shopping: can you consistently predict (or, using marketing, inf…
DịchNghiên cứu mới chỉ ra rằng hành vi mua sắm của AI rất khó dự đoán; ngay cả những thay đổi nhỏ trong cách hiển thị thông tin cũng có thể làm thay đổi hoàn toàn lựa chọn của chúng.
Nghiên cứu mới sử dụng khung tự đối kháng đa ngôn ngữ để chỉ ra rằng LLM thể hiện trình độ tư duy và chiến lược khác biệt đáng kể tùy theo ngôn ngữ sử dụng, đặt ra thách thức lớn cho việc phát triển các mô hình đa ngôn ngữ thực thụ.
Prefix Sliding giúp giảm bộ nhớ suy luận xuống mức hằng số bằng cách loại bỏ các token trung gian không cần thiết, giúp tăng tốc độ xử lý gấp 3 lần mà không cần huấn luyện lại.
Nhóm nghiên cứu Stanford giới thiệu phương pháp dùng DeepSeek V4 Flash tự tạo và kiểm chứng kết quả, giúp tăng tỷ lệ thành công trên Terminal-Bench 2.1 lên 88% mà vẫn tiết kiệm chi phí đáng kể so với các mô hình đóng.
Ma Dongxi NLP@dongxi_nlpNghiên cứu cảnh báo rằng khi các tác nhân AI ngày càng tự chủ, khả năng giám sát của con người đang bị suy giảm. Chúng ta cần một hệ thống được thiết kế bài bản để bảo vệ và duy trì vai trò kiểm soát của con người trong vòng lặp vận hành.
Video-IFBench là bộ tiêu chuẩn đánh giá chuyên sâu khả năng tuân thủ chỉ dẫn của các mô hình đa phương thức (MLLM) khi xử lý video, thông qua 1.500 mẫu thử nghiệm với độ phức tạp cao. Kết quả cho thấy các mô hình hiện nay vẫn gặp khó khăn lớn với các yêu cầu đa ràng buộc và cấu trúc phức tạp.
Nghiên cứu phân tích hiệu quả và chi phí khi chuyển đổi giữa các mô hình AI khác nhau trong quá trình thực hiện tác vụ lập trình, cho thấy việc kế thừa lịch sử làm việc từ mô hình khác thường không đạt hiệu quả tối ưu.
JoyAI-Echo-1.5 là hệ thống tạo video và âm thanh đột phá, giúp duy trì tính nhất quán của nhân vật trong các video dài và cho phép tương tác thời gian thực trong môi trường 3D.
FIRM-Video giới thiệu quy trình đánh giá video mới bằng cách kiểm tra các tiêu chí cụ thể trước khi chấm điểm, giúp tăng độ chính xác và tính minh bạch cho các mô hình AI tạo video.
VoiceMem giới thiệu kiến trúc bộ nhớ phân tách logic (não trái) và cảm xúc (não phải), giúp các mô hình ngôn ngữ giọng nói đạt độ chính xác cao và giàu tính nhân văn mà không làm tăng độ trễ phản hồi.
Stream4D giải quyết vấn đề trôi dạt hình học trong tạo video dài bằng cách thay thế bộ đánh giá tĩnh bằng cơ chế tái tạo 4D, giúp mô hình hiểu rõ động lực học của cảnh quay thay vì chỉ dự đoán khung hình cục bộ.
MA-VLA là khung làm việc mới giúp điều phối nhiều cánh tay robot thông qua việc phân tách nhiệm vụ thành các hành động nguyên tử, cho phép robot thực hiện các tác vụ phối hợp phức tạp ngay cả với những kịch bản chưa từng gặp.
V-Rubrics cải thiện độ chính xác của mô hình thị giác-ngôn ngữ bằng cách phân tách câu trả lời thành các mệnh đề nguyên tử và chấm điểm dựa trên độ trung thực, tính nhất quán và khả năng tuân thủ chỉ dẫn, giúp mô hình suy luận tốt hơn thông qua phương pháp GRPO.
GeoRA từ Meituan và Đại học Bắc Kinh giúp tối ưu hóa quá trình huấn luyện RLVR bằng cách căn chỉnh hình học cập nhật, giúp giảm 99,5% tham số cần huấn luyện mà vẫn vượt trội hơn các phương pháp như LoRA hay PiSSA trên các tác vụ toán học, y tế và lập trình.
Nghiên cứu chỉ ra rằng phương pháp chưng cất đa giáo viên (M-OPD) hiện nay gặp hạn chế lớn trong việc tích hợp năng lực, chỉ đạt 35,6% hiệu suất tối ưu. Nhóm tác giả đề xuất giải pháp khắc phục tình trạng suy giảm chất lượng khi huấn luyện mô hình tổng quát từ các chuyên gia RL.
JIT-Agent là mô hình thông minh cho phép các AI Agent tự động tổng hợp và tinh chỉnh khung làm việc thích ứng với từng tác vụ. Công nghệ này giúp các mô hình như DeepSeek và GLM đạt hiệu suất vượt trội trên các bài kiểm tra chuyên sâu.
Khung Code World Model tách biệt logic vận hành thế giới với hình ảnh, sử dụng mã nguồn để duy trì trạng thái bền vững và tính nhất quán. Hệ thống này cho phép mô hình MiniMax-H3 tạo ra các video mô phỏng có độ chân thực cao dựa trên các quy tắc logic được lập trình sẵn.
VGI-bench là bộ tiêu chuẩn mới gồm 27 tác vụ giúp đánh giá chuyên sâu khả năng suy luận thị giác của các mô hình tạo video hiện nay. Kết quả cho thấy ngay cả những mô hình mạnh nhất cũng chưa đạt hiệu suất ổn định, chỉ dừng lại ở mức 51%.
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.
FrontierChallenge là bộ tiêu chuẩn đánh giá mới với 300 quy trình khoa học đa lĩnh vực, cho thấy các mô hình AI hiện nay vẫn gặp khó khăn lớn khi chỉ hoàn thành khoảng 20% nhiệm vụ thực tế.
Elvis Saravia@omarsar0If you maintain a skill library for long-horizon agents, this one is worth your time. (bookmark it) …
DịchRecuris tối ưu hóa khả năng xử lý của AI bằng cách tách biệt bộ nhớ làm việc và bộ nhớ kinh nghiệm, giúp mô hình đưa ra quyết định dựa trên trạng thái nhiệm vụ thay vì lịch sử dữ liệu thô. Giải pháp này cải thiện đáng kể tỷ lệ thành công trên các tác vụ phức tạp và giảm tới 80% lỗi thường gặp.
VBVR-Pro là nền tảng kiểm thử khép kín sử dụng tạo sinh hình ảnh làm phương tiện suy luận, giúp việc suy luận thị giác trở nên có thể huấn luyện và kiểm chứng. Hệ thống vượt trội hơn các mô hình VLM truyền thống nhờ cơ chế đánh giá dựa trên quy tắc xác định.
Nghiên cứu chỉ ra rằng khả năng trả lời câu hỏi trực tiếp không phản ánh đúng sự hài lòng của người dùng. MemUse đề xuất phương pháp đánh giá mới dựa trên cách AI tích hợp ngữ cảnh quá khứ một cách tự nhiên vào hội thoại.