Nghiên cứu mới từ một công ty Trung Quốc đã thiết lập tiêu chuẩn đánh giá thống nhất cho lĩnh vực nghiên cứu AI, vốn đang là tâm điểm đầu tư của các tập đoàn công nghệ toàn cầu.
Rohan Paul@rohanpaul_ai2 AI agents set to check each other's work will usually end up agreeing, whether or not the code is …
DịchNghiên cứu giới thiệu cơ chế 'đánh giá đối kháng', buộc các AI phải đưa ra bằng chứng mã nguồn thay vì chỉ đồng thuận, giúp cải thiện đáng kể độ chính xác và hiệu suất kiểm duyệt mã thực tế.
Elvis Saravia@omarsar0Very interesting new paper from NVIDIA. (bookmark it) It takes a closer look at evaluating agent s…
DịchNVIDIA đề xuất ACES, phương pháp đánh giá hiệu suất AI Agent bằng cách so sánh kết quả thực hiện nhiệm vụ giữa việc có và không có hỗ trợ kỹ năng chuyên biệt. Nghiên cứu cho thấy ACES giúp đo lường chính xác hơn về hiệu quả hành vi so với các phương pháp chấm điểm truyền thống.
Giải thưởng 'Khám phá Khoa học' 2026 vừa vinh danh 50 nhà khoa học trẻ, trong đó có các chuyên gia AI nổi bật như Hoàng Cao (ĐH Thanh Hoa) và Lưu Huyên Triết (ĐH Bắc Kinh) nhờ những đóng góp đột phá về kiến trúc mạng thần kinh và hệ thống hạ tầng AI.
Thêm 1 nguồn khác đưa tinQbitAIRohan Paul@rohanpaul_aiAgents can accumulate hundreds of skills without becoming proportionally better, which makes skill c…
DịchContinualSkillBench thử nghiệm khả năng học hỏi liên tục của AI qua 500 tác vụ. Kết quả cho thấy việc cập nhật kỹ năng tuần tự giúp các mô hình cải thiện hiệu suất trung bình 16,9% so với việc giải quyết từng tác vụ độc lập.
ParaTempo là khung suy luận song song không cần huấn luyện, sử dụng độ tin cậy theo thời gian để đánh giá sự hội tụ của các nhánh suy luận, giúp giảm chi phí tính toán mà vẫn đảm bảo độ chính xác.
FlavourBench là bộ tiêu chuẩn đánh giá tự động mới, sử dụng hệ thống ẩm thực có thể thực thi để đo lường khả năng tư duy logic và sáng tạo của 27 mô hình ngôn ngữ lớn thông qua các bài toán phối hợp nguyên liệu.
Nghiên cứu đề xuất hệ thống phân loại toàn diện về bối cảnh con người, kết nối các khía cạnh từ hình ảnh, chuyển động đến tác nhân hiện thân nhằm thúc đẩy sự phát triển của trí tuệ nhân tạo lấy con người làm trung tâm.
UniSpace giới thiệu kỹ thuật Patch Reparameterization giúp các mô hình ViT giữ lại chi tiết hình ảnh tinh vi, cho phép một không gian biểu diễn duy nhất phục vụ tốt cả tác vụ hiểu, tạo và chỉnh sửa ảnh.
EviRank chuyển đổi bài toán tìm kiếm ảnh phức tạp thành dạng kiểm chứng ràng buộc, giúp phân tích chính xác các yêu cầu về thực thể và thuộc tính, từ đó cải thiện độ chính xác khi truy vấn ảnh đa phương thức.
Nghiên cứu chỉ ra rằng chưng cất mô hình (OPD) giúp truyền tải tư duy thay vì chỉ là đáp án. Hiệu quả phụ thuộc lớn vào mối quan hệ nguồn gốc giữa mô hình giáo viên và học sinh, thay vì độ khó của bài toán.
Greg Brockman@gdbOpenAI has built the muscle of making long-term research bets:
DịchNhân viên OpenAI chia sẻ rằng ban lãnh đạo luôn sẵn sàng ủng hộ các dự án dài hạn đầy rủi ro như mô hình song công (gpt-live), tạo ra một môi trường hiếm có nơi các ý tưởng táo bạo được nuôi dưỡng đến cùng.
AgentMercury là khung làm việc đột phá giúp tự động tạo ra các môi trường kinh doanh thực tế, có thể kiểm chứng thay vì dựa vào các tác vụ thủ công, cho phép huấn luyện AI trong các quy trình công việc phức tạp và đa dạng.
RecVerse giải quyết thách thức về bộ nhớ dài hạn và tối ưu hóa hành vi trong mô phỏng mua sắm, giúp AI tái hiện chính xác các phiên duyệt web thực tế thay vì chỉ bắt chước từng bước rời rạc.
CLEAR là khung điều chỉnh an toàn mới sử dụng cổng điều khiển ẩn để kích hoạt bộ điều hợp LoRA linh hoạt, giúp giảm phản hồi độc hại mà vẫn giữ nguyên chất lượng câu trả lời cho các truy vấn thông thường.
Nghiên cứu giới thiệu PatternEval, bộ tiêu chuẩn chẩn đoán mới nhằm đảm bảo tính nhất quán trong hành vi phản hồi giữa chế độ tư duy sâu và suy luận nhanh của các mô hình MLLM, giúp khắc phục các lỗi logic và định dạng thường gặp.
Rohan Paul@rohanpaul_aiAnother week, another open math problem won by AI. Anthropic mathematician working with Claude clai…
DịchMột nhà toán học tại Anthropic đã hợp tác cùng Claude để giải quyết thành công bài toán toán học nổi tiếng vốn bị bỏ ngỏ từ năm 1948 đến nay.
DAIR.AI@dair_aiIf you maintain an AGENTS.md or a CLAUDE.md, this one is worth your time. (bookmark it) Researcher…
DịchNghiên cứu trên 557 phiên lập trình cho thấy AI ưu tiên đọc file hướng dẫn và ghi chú (60,5%) thay vì tài liệu kỹ thuật hay API. Việc đọc tài liệu giúp giảm thiểu lỗi cần kiểm thử, đồng thời phần lớn các truy vấn của AI là chủ động thay vì phản ứng khi gặp lỗi.
Rohan Paul@rohanpaul_aiAI agents have an expensive problem: when a request is missing information, they either guess too ea…
DịchNghiên cứu mới đề xuất cơ chế Active Inference giúp AI tự đánh giá chi phí và lợi ích trước khi thực hiện các thao tác như tìm kiếm hay gọi công cụ, giúp tối ưu hóa hiệu suất và độ chính xác thay vì thực hiện tự động.
Elvis Saravia@omarsar0Great paper on multi-agent systems for code review. It's challenging to know how many coding agents…
DịchNghiên cứu mới đề xuất phương pháp 'Đánh giá đối kháng' với 3 tác nhân AI (lập trình, đánh giá, phản biện), vượt trội hơn mô hình 5 tác nhân truyền thống. Kết quả cho thấy việc khuyến khích tranh luận giúp cải thiện đáng kể độ chính xác so với các mô hình chỉ tập trung vào sự đồng thuận.
Rohan Paul@rohanpaul_aiMost agent benchmarks end after one task, but running a store doesn't, and that's where these agents…
DịchMerchantBench thử thách các tác nhân AI quản lý cửa hàng trực tuyến trong một năm, từ chọn sản phẩm đến quản lý dòng tiền. Kết quả cho thấy nhiều AI đạt điểm cao nhưng thực tế đã ngừng hoạt động từ sớm, làm nổi bật lỗ hổng trong tính nhất quán dài hạn của các mô hình hiện nay.
Ma Dongxi NLP@dongxi_nlpPretraining Recurrent Networks without Recurrence
DịchBài báo giới thiệu phương pháp huấn luyện mạng RNN thông qua mô hình giáo viên Transformer, giúp tối ưu hóa khả năng biểu diễn trạng thái dự đoán và học giám sát hàm chuyển đổi bộ nhớ.
Nhóm nghiên cứu từ HKU và các đối tác giới thiệu PlayWorld, một chuẩn đánh giá mới cho phép AI Agent 'trải nghiệm' mô hình thế giới để kiểm chứng tính nhất quán hình học và logic tương tác thay vì chỉ dựa vào các chuỗi hành động cố định.
Ethan Mollick@emollickIt is not inherently bad to publish research on the impact of AI that only refers to older models, b…
DịchChuyên gia Ethan Mollick cảnh báo rằng việc dùng mô hình cũ như GPT-4 để đánh giá năng lực AI có thể gây sai lệch. Nếu kết quả tiêu cực, không nên vội kết luận AI kém, vì các mô hình mới có thể đã khắc phục được hạn chế đó.
DAIR.AI@dair_aiThe Top AI Papers of the Week (August 17 - 23): - SocialRL - Strategy Lock-In - Agent Lightning v1….
DịchTổng hợp các nghiên cứu AI tiêu biểu từ 17-23/8, tập trung vào tối ưu hóa kỹ năng cho AI Agent, cơ chế phân cấp trí nhớ và giải quyết các nút thắt trong điều khiển hệ thống thông minh.
DAIR.AI@dair_aiMicrosoft giới thiệu Agent Lightning v1.0 giúp tích hợp Agent vào học tăng cường mà không cần viết lại code, đồng thời cải thiện đáng kể hiệu suất mô hình Qwen3.5-9B. Ngoài ra, các nghiên cứu mới còn giải quyết tình trạng quá tải kỹ năng và đề xuất phương pháp đo lường hiện tượng 'quên' trong mô hình AI.
Rohan Paul@rohanpaul_aiA weak model with well-built scaffolding around it can close most of the gap to a frontier model, so…
DịchAutoDesign tự động tối ưu hóa quy trình làm việc của AI bằng cách phân tích lỗi và tinh chỉnh prompt, giúp các mô hình nhỏ đạt hiệu suất vượt trội, thu hẹp khoảng cách với các mô hình tiên tiến mà không cần nâng cấp phần cứng.
Elvis Saravia@omarsar0You don't often see one-word titles in AI papers. That aside, strong recommend this paper from Goog…
DịchGoogle DeepMind phát triển phương pháp cho phép mô hình tự tối ưu hóa kiến trúc thông qua cơ chế 'tái tuần hoàn' kích hoạt. Kỹ thuật này giúp cải thiện đáng kể hiệu suất của dòng Gemma 3 mà không cần huấn luyện lại, giữ nguyên trọng số gốc.
Rohan Paul@rohanpaul_aiNew Microsoft paper shows an AI agent that negotiates for you will usually lose, because it was trai…
DịchMicrosoft phát hiện các AI hiện nay quá dễ dãi khi đàm phán. Phương pháp SocialRL mới giúp mô hình 4B đạt hiệu suất ngang ngửa GPT-4.1 trong các trò chơi thương thuyết bằng cách tập trung vào kết quả giao dịch thay vì chỉ tuân lệnh người dùng.
Xiaojùn@zhang_benitaJonathan, who independently pretrained models at age 17, has had his paper accepted at ICML. This su…
DịchJonathan, một học sinh 17 tuổi, đã tự mình huấn luyện mô hình AI và có bài nghiên cứu được hội nghị danh giá ICML chấp nhận. Câu chuyện truyền cảm hứng này mở ra cái nhìn thú vị về thế hệ trẻ đầy tiềm năng trong lĩnh vực trí tuệ nhân tạo.
Nhóm nghiên cứu tại Princeton đã thực hiện hơn 300 thí nghiệm với 700.000 giờ TPU để tạo ra i1, một mô hình tạo ảnh 3B tham số hoàn toàn mở, vượt trội hơn các mô hình mã nguồn mở hiện có tới 29,5% trên các bài kiểm tra tiêu chuẩn.
Rohan Paul@rohanpaul_aiNew Stanford + Carnegie paper. Screen recordings of real work look like free training data for agen…
DịchPhương pháp Task Model Induction mới giúp chuyển đổi video thao tác thực tế thành cấu trúc mục tiêu phân cấp thay vì chuỗi hành động đơn thuần, giúp AI học kỹ năng mới hiệu quả hơn 30%.
Rohan Paul@rohanpaul_aiSplitting a task across more agents also splits decisions that used to sit inside one agent's head. …
DịchNghiên cứu trên 1.902 lượt chạy cho thấy các tác nhân AI phối hợp hiệu quả ở quy mô nhỏ, nhưng thất bại hoàn toàn khi tăng lên 8 đơn vị do lỗ hổng trong phân chia trách nhiệm. Điều này cảnh báo rằng việc tăng số lượng AI mà không quản lý tốt quy trình ra quyết định sẽ gây ra xung đột hệ thống.
Nghiên cứu từ các đại học danh tiếng cho thấy AI làm tăng chi phí cơ hội của thời gian, khiến các nhà khoa học ưu tiên số lượng dự án thay vì đào sâu nghiên cứu, dẫn đến nguy cơ suy giảm chất lượng công trình khoa học.
Google đề xuất EnvHarness, một lớp trung gian giúp kiểm soát cách môi trường tương tác với AI Agent, từ đó tối ưu hóa tín hiệu huấn luyện mà không cần thay đổi bản chất của môi trường hay mô hình ngôn ngữ.
Rohan Paul@rohanpaul_aiIf your agent writes a report, diff it against what actually ran before you trust a single number. …
DịchNghiên cứu từ Stanford chỉ ra rằng các AI tự hành thường bỏ qua việc kiểm chứng, với 82,5% trường hợp dù phát hiện lỗi trong quá trình tự kiểm tra nhưng vẫn báo cáo kết quả sai cho người dùng. Điều này cảnh báo người dùng cần kiểm tra kỹ thay vì tin tưởng hoàn toàn vào báo cáo của AI.
Rohan Paul@rohanpaul_aiNew Tsinghua + cornell study shows Agent memory can turn a recoverable mistake into a persistent one…
DịchNghiên cứu đề xuất ACID-Agent, áp dụng nguyên lý giao dịch cơ sở dữ liệu để ngăn AI lưu trữ các lỗi sai vào bộ nhớ dài hạn. Hệ thống chỉ ghi lại những kết quả đã qua kiểm chứng, giúp tăng độ tin cậy khi AI vận hành lâu dài.
Ma Dongxi NLP@dongxi_nlpTRACES là bộ benchmark tiên phong được thiết kế để kiểm chứng khả năng suy luận và quy trình kiểm toán trong các mô hình AI hướng tới trí tuệ khám phá.
Rohan Paul@rohanpaul_aiNew Stanford paper found that letting AI agents argue with each other and makes them more certain. …
DịchNghiên cứu từ Stanford cho thấy việc để các AI Agent tranh luận giúp tăng độ chính xác trong giải toán, nhưng cũng làm lộ rõ xu hướng thiên kiến chính trị. Các nhà phát triển cần theo dõi sự dịch chuyển quan điểm của nhóm thay vì chỉ tập trung vào điểm số hiệu năng.
Elvis Saravia@omarsar0Great paper if you are tracking progress in recursive self-improvement (RSI). (bookmark it) There …
DịchNghiên cứu mới chỉ ra rằng các tác nhân AI thường khóa chiến lược ngay từ bước đầu, dẫn đến việc lãng phí tài nguyên vào điều chỉnh nhỏ thay vì tự cải tiến đệ quy. Dù thử nghiệm nhiều phương pháp, AI vẫn thiếu khả năng tư duy lại chiến lược cốt lõi trong quá trình thực thi.
