FM-Bench thử thách các mô hình AI điều hành câu lạc bộ bóng đá qua 20 mùa giải với hàng trăm quyết định phức tạp. Kết quả cho thấy hiệu suất phụ thuộc vào tư duy quản lý thay vì sức mạnh tính toán hay lượng token tiêu thụ.
SPADE cho phép một LLM đóng vai trò kép: vừa là người thiết kế môi trường, vừa là tác nhân suy luận, giúp tự động tạo ra các bài kiểm tra ở ngưỡng năng lực để tối ưu hóa hiệu suất mô hình. Phương pháp này cải thiện đáng kể khả năng sử dụng công cụ và giải quyết vấn đề trên nhiều tiêu chuẩn.
SkillForge là khung tự chưng cất giúp AI tự tạo và giải quyết các vấn đề đặc thù của dự án bằng cách tái hiện chức năng cốt lõi, từ đó tích lũy kỹ năng chuyên biệt để nâng cao hiệu suất sửa lỗi phần mềm.
Ant Group vừa công bố mã nguồn mở Ling-3.0-tiny-base (7.9B) và Ling-3.0-flash-base (124B) cùng 6 checkpoints đi kèm, tối ưu cho các tác vụ huấn luyện chuyên sâu, tinh chỉnh và học tăng cường.
LLM đang biến 'phần mềm nhỏ' (Small Software) thành hiện thực, cho phép người dùng tùy biến ứng dụng qua ngôn ngữ tự nhiên với chi phí thấp và bảo mật cao nhờ công nghệ sandbox hiện đại.
Rohan Paul@rohanpaul_aiRAG poisoning can make a model more confident, which is exactly why confidence-based detectors can f…
DịchNghiên cứu mới chỉ ra rằng việc đầu độc dữ liệu RAG khiến mô hình trở nên quá tự tin và tập trung sai lệch vào tài liệu độc hại. Việc giám sát phân bổ chú ý thay vì chỉ dựa vào độ tin cậy của câu trả lời có thể giúp phát hiện sớm các cuộc tấn công này.
Jeremy Morrell nhận định LLM giúp giảm chi phí viết mã mở rộng, kết hợp với công nghệ sandbox hiện đại giúp việc triển khai ứng dụng trở nên an toàn và linh hoạt hơn bao giờ hết.
Unsloth vừa giới thiệu định dạng Dynamic 3.0 GGUF, tập trung vào việc cải thiện hiệu suất và khả năng tương thích cho các mô hình ngôn ngữ lớn khi chạy trên thiết bị cá nhân.
Cohere@cohereLocally hosted 🤝🇨🇦 locally made
DịchCohere chính thức giới thiệu S1-mini, mô hình AI mã nguồn mở được tối ưu hóa để người dùng có thể tự vận hành và lưu trữ ngay trên thiết bị cá nhân.
Rohan Paul@rohanpaul_aiA model can know the answer and still fail because you asked the same question differently. New IBM…
DịchIBM giới thiệu BenchDrift, khung đánh giá cho thấy việc thay đổi cách đặt câu hỏi có thể làm điểm số LLM chênh lệch tới 74,7%. Ngay cả với các mô hình mạnh, 18,5% câu trả lời đúng vẫn bị mất đi khi diễn đạt lại dù ý nghĩa không đổi.
Elvis Saravia@omarsar0New open-source agent harness just landed! I got early access to TrueForge by TrueFoundry and have …
DịchTrueFoundry vừa ra mắt TrueForge, framework mã nguồn mở cho phép triển khai AI Agent cục bộ với chi phí thấp hơn 75%. Công cụ hỗ trợ đa dạng các mô hình từ OpenAI, Anthropic đến các đại diện Việt Nam và quốc tế như Kimi, GLM và DeepSeek.
LEGO-RL là khung làm việc mới giúp tối ưu hóa các tác nhân lập trình AI mà không cần can thiệp vào luồng điều khiển, giải quyết triệt để các vấn đề về lỗi môi trường, thao túng phần thưởng và sự thiếu nhất quán giữa huấn luyện và suy luận.
DAIR.AI@dair_aiGreat paper if you are building production-grade agents. It's a good way to understand what is actu…
DịchNghiên cứu từ DAIR.AI chỉ ra rằng trong các ứng dụng AI Agent thực tế, các thành phần ngoài LLM thường là nguyên nhân chính gây độ trễ. Các giải pháp tối ưu hóa như dịch vụ nhận diện tác vụ và bộ nhớ đệm có thể cải thiện đáng kể hiệu suất và giảm tài nguyên hệ thống.
PTXBench là bộ benchmark mới đánh giá khả năng tối ưu hóa nhân GPU của LLM thông qua mã PTX trên H100 và B200. Kết quả cho thấy các mô hình hiện nay vẫn gặp khó khăn trong việc đạt hiệu suất tương đương với các thư viện chuyên dụng, đặc biệt là trong các tác vụ Attention phức tạp.
Ant Ling@AntLingAGI🧵 We've open-sourced 6 Base Model checkpoints for Ling-3.0-tiny & Ling-3.0-flash, covering pre-trai…
DịchAnt Group vừa công bố 6 checkpoint cho các mô hình Ling-3.0-tiny và Ling-3.0-flash, bao gồm các giai đoạn tiền huấn luyện và hợp nhất trọng số WSM. Đây là nguồn tài nguyên hữu ích cho cộng đồng để thử nghiệm chiến lược huấn luyện liên tục và tối ưu hóa mô hình.
Testing Catalog@testingcatalogOrnith has released Ornith-1.5, an open model family with 3 different model variants: 397B MoE, 35B …
DịchOrnith vừa công bố bộ ba mô hình Ornith-1.5 gồm 397B MoE, 35B MoE và 9B dense, với hiệu năng được kỳ vọng ngang tầm Claude Opus 4.8 và GLM 5.2.
Rohan Paul@rohanpaul_aiAnother brilliant open-source model release. Ornith-1.5, a family of open-source LLMs spanning 9B D…
DịchDòng mô hình Ornith-1.5 vừa trình làng với ba phiên bản (9B, 35B, 397B), trong đó bản 397B gây ấn tượng mạnh khi vượt qua Claude 3 Opus trên các bài kiểm tra chuyên sâu như SWE-bench và Terminal-Bench.
Elon Musk@elonmuskGrok 4.6 is #1 on healthcare questions
DịchGrok 4.6 vừa thiết lập kỷ lục mới trên MedAgentBench với tỷ lệ chính xác 95,9%, vượt qua GPT-5.6 Sol trong các tác vụ chẩn đoán và xử lý hồ sơ bệnh án phức tạp.
Cùng sự kiện, bài đại diện «Grok 4.6 soán ngôi đầu bảng xếp hạng AI Agent, ngang hàng với Claude Opus 5 Max»Đội ngũ nghiên cứu của Apple đã phân tích cách LLM thể hiện cảm xúc và thiết lập ranh giới với người dùng. Nghiên cứu cung cấp cái nhìn sâu sắc giúp các nhà phát triển kiểm soát hành vi giống người của AI một cách hiệu quả.
Nghiên cứu phân tích sâu về cách các gói kỹ năng (skills) hỗ trợ LLM Agent, đồng thời chỉ ra những giới hạn và nguyên nhân thất bại thông qua thực nghiệm định lượng và phân tích quỹ đạo hành động.
Nghiên cứu khám phá cách chuyển đổi bộ nhớ dạng bảng (Engram) giữa các mô hình ngôn ngữ khác nhau, tập trung vào việc tối ưu hóa trình đọc phía đích để tận dụng tri thức đã học mà không cần huấn luyện lại.
Nhà sáng lập Zhipu AI khẳng định Scaling Law không chỉ nằm ở số lượng tham số mà còn là sự kết hợp giữa dữ liệu, tính toán và cấu trúc. GLM-5.3 cho thấy xu hướng chuyển dịch từ việc chạy đua quy mô sang tìm kiếm cấu trúc tối ưu cho suy luận dài hạn.
Thêm 4 nguồn khác đưa tinX: Thomas Wolf (Hugging Face đồng sáng lập/CSO) (@Thom_Wolf)Latent SpaceX: Tang Jie (@jietang)X: Ma Dongxi NLP (@dongxi_nlp)
Ma Dongxi NLP@dongxi_nlpTang Jie phản biện Scaling Law, khẳng định hiệu năng không chỉ phụ thuộc vào số lượng tham số mà còn ở dữ liệu và tối ưu hóa hậu huấn luyện. Thử nghiệm trên GLM-5.3 cho thấy chỉ cần tinh chỉnh RL trong một tháng đã mang lại bước tiến lớn mà không cần thay đổi kiến trúc.
Thêm 1 nguồn khác đưa tinLatent Space
Tang Jie@jietangThoughts About Scaling Law Scaling, but not only of parameters. Every model release now ends with t…
DịchTang Jie khẳng định Scaling Law không chỉ nằm ở quy mô tham số mà còn ở dữ liệu và tính toán. Thử nghiệm GLM-5.3 cho thấy việc tối ưu hóa hậu huấn luyện (RL) giúp cải thiện hiệu suất vượt trội mà không cần thay đổi kiến trúc hay tăng tham số.
Cùng sự kiện, bài đại diện «Tang Jie (Zhipu AI) bàn về Scaling Law: GLM-5.3 là bước tiến trong tối ưu hóa mô hình»Agent Lightning v1.0 là khung làm việc nhẹ giúp tối ưu hóa tác nhân AI qua học tăng cường (RL). Chỉ với 6.000 mẫu huấn luyện, công cụ này đã giúp Qwen3.5-9B tăng điểm số trên SWE-bench Verified từ 41,8% lên 56,4%.
GLM-5.3 (max) đạt 60 điểm trên bảng xếp hạng Artificial Analysis, vượt xa mức trung bình 35 điểm của các mô hình cùng phân khúc, khẳng định vị thế dẫn đầu về trí tuệ.
Qwen@Alibaba_Qwen#1 open-weight model on Harvey's Legal Agent benchmark! 🙌 Strong enough to handle professional task…
DịchQwen2.5-27B trở thành mô hình mã nguồn mở đầu tiên chinh phục chuẩn đánh giá AI pháp lý Harvey, sở hữu khả năng xử lý chuyên sâu nhưng vẫn đủ gọn nhẹ để chạy cục bộ.
Nghiên cứu này đánh giá toàn diện các loại hình lưu trữ bộ nhớ cho AI Agent, từ chỉ mục thưa đến các cấu trúc phân cấp, nhằm xác định giải pháp tối ưu cho từng tác vụ cụ thể thay vì áp dụng một công thức chung.
Ethan Mollick@emollickQwen 27B is really good local model but, when you use it, it is immediately absolutely and obviously…
DịchDù là một mô hình chạy cục bộ ấn tượng, Qwen 27B vẫn bộc lộ hạn chế rõ rệt trong các tác vụ phức tạp và điều khiển tác nhân (agent) so với các đối thủ đầu bảng. Người dùng nên tự kiểm chứng qua các bài benchmark thực tế thay vì chỉ nhìn vào thông số.
Nghiên cứu giới thiệu aDSL, ngôn ngữ chuyên dụng giúp AI chuyển đổi ý tưởng thành mã lập trình 3D chính xác thông qua cơ chế phản hồi lặp lại, vượt trội hơn các mô hình LLM hiện tại trong việc tạo hình khối và cấu trúc phức tạp.
RUPA là khung làm việc mới giúp đánh giá độ tin cậy của tác nhân LLM bằng cách mô hình hóa lịch sử thực thi dưới dạng đồ thị, từ đó phát hiện lỗi tích tụ qua các bước suy luận thay vì chỉ dựa vào xác suất từng từ đơn lẻ.
Agentic ESOpt là khung tinh chỉnh toàn tham số dựa trên chiến lược tiến hóa, cho phép tối ưu hóa các tác nhân LLM mà chỉ cần bộ nhớ GPU ở mức suy luận, vượt trội hơn hẳn các phương pháp học tăng cường truyền thống.
HarmProfile là bộ dữ liệu chuẩn mới giúp phân tích sâu sắc các lỗi bảo mật của 23 mô hình LLM hàng đầu, cho phép đánh giá rủi ro thông qua nội dung và mức độ nghiêm trọng của các phản hồi độc hại.
Aravind Srinivas (Perplexity CEO)@AravSrinivasImportant contribution!
DịchMiles v0.1 là khung RL mã nguồn mở tối ưu cho LLM và mô hình đa phương thức, giúp giải quyết bài toán khó trong huấn luyện và hiệu suất phần cứng. Dự án đã được kiểm chứng trên các mô hình hàng đầu như DeepSeek V4 và Qwen 3.8.
Tang Jie@jietangArtificial Analysis Index = 60
DịchGLM-5.3 đã có mặt trên API, tối ưu hóa cho lập trình, an ninh mạng và các tác vụ đại lý thông minh dài hạn với mức giá không đổi so với phiên bản 5.2.
Thêm 1 nguồn khác đưa tinIT Home
SemiAnalysis@SemiAnalysis_Congrats RadixArk on the launch! https://x.com/radixark/status/2089746481339384068
DịchRadixArk giới thiệu Miles v0.1, khung học tăng cường tối ưu cho LLM và mô hình đa phương thức, giúp giải quyết bài toán khó trong huấn luyện và hiệu suất phần cứng. Dự án đã được kiểm chứng trên các mô hình hàng đầu như DeepSeek V4 và Qwen.
Artificial Analysis@ArtificialAnlysGLM-5.3 achieves 60 on the Artificial Analysis Intelligence Index, on par with Kimi K3 and up 7 poin…
DịchZhipu AI vừa trình làng GLM-5.3 với 60 điểm trên bảng xếp hạng Artificial Analysis, ngang bằng Kimi K3. Mô hình MoE này hỗ trợ cửa sổ ngữ cảnh 1M tokens, chi phí vận hành tối ưu hơn và sẽ sớm được phát hành mã nguồn mở theo giấy phép MIT.
DAIR.AI@dair_aiDoes your context compactor actually save anything? If you built or tuned one, this one is worth yo…
DịchNghiên cứu mới từ DAIR.AI chỉ ra rằng việc nén ngữ cảnh có thể làm tăng đáng kể số lần truy xuất và thời gian xử lý của AI, khiến chi phí ẩn tăng cao thay vì tiết kiệm như kỳ vọng.
Nghiên cứu chỉ ra rằng các bài kiểm tra trắc nghiệm thường bị nhiễu do thứ tự đáp án, và việc loại bỏ nhãn lựa chọn không giúp cải thiện độ chính xác thực tế của mô hình.
MiniMax@MiniMax_AICongrats to our long-term partner SGLang/RadixArk on the launch of Miles v0.1! 🎉 From M-Series to …
DịchMiniMax chúc mừng đối tác chiến lược SGLang/RadixArk phát hành Miles v0.1, khung mã nguồn mở hỗ trợ huấn luyện mô hình ngôn ngữ và đa phương thức, đã được kiểm chứng trên các dòng model tiên tiến như Kimi, DeepSeek và MiniMax.
Thêm 1 nguồn khác đưa tinX: SemiAnalysis (@SemiAnalysis_)