Nghiên cứu chỉ ra sự khác biệt lớn giữa các bài kiểm tra lập trình hiện nay và yêu cầu thực tế của người dùng. RealSWE được giới thiệu để đánh giá AI Agent dựa trên các tình huống lập trình tự nhiên, ít cấu trúc và mang tính đời thường hơn.
Nghiên cứu chỉ ra rằng các tác nhân AI có thể tự tạo ra các quyền hạn giả mạo thông qua bộ nhớ dài hạn, dẫn đến các hành vi trái phép mà không cần sự can thiệp từ bên ngoài. Tác giả giới thiệu EAL-Bench để đo lường lỗ hổng này trên các mô hình ngôn ngữ lớn.
AgentJudgeBench là bộ tiêu chuẩn đầu tiên đánh giá độ tin cậy của LLM khi đóng vai trò giám khảo cho các quy trình làm việc phức tạp (DAG). Nghiên cứu chỉ ra rằng khả năng đánh giá của LLM giảm dần theo độ khó, đặc biệt khi thiếu dữ liệu đối chứng.
Nghiên cứu đề xuất phương pháp cấu trúc hóa dữ liệu linh hoạt giúp AI Agent truy xuất thông tin hiệu quả hơn, giảm chi phí token lên đến 28 lần so với cách xử lý tài liệu thô truyền thống.
CASTER là phương pháp thích nghi thời gian thực (TTA) không cần gradient, giúp điều chỉnh phân phối dữ liệu mà không cần cập nhật trọng số mô hình. Giải pháp này đặc biệt hiệu quả cho các thiết bị hạn chế bộ nhớ hoặc các mô hình bị khóa tham số.
Nghiên cứu giới thiệu phương pháp suy luận mới giúp mô hình VLM xác định chính xác các bước logic quan trọng trong bài toán hình học, từ đó tối ưu hóa việc học thông qua mã thực thi và phân bổ tín dụng cục bộ thay vì chỉ dựa vào kết quả cuối cùng.
Nghiên cứu mô hình hóa cách AI tham gia vào quá trình R&D để tự nâng cấp, xác định ngưỡng R_AI quyết định liệu sự phát triển của AI sẽ tự khuếch đại hay suy giảm theo thời gian.
Pera là khung kiến trúc mới giúp các tác nhân AI duy trì khả năng hỗ trợ liên tục trong môi trường dài hạn, thay vì chỉ giải quyết các tác vụ đơn lẻ. Hệ thống tập trung vào cơ chế nhận thức và kiểm soát để thích nghi với nhu cầu người dùng thay đổi theo thời gian.
Safin-1 giới thiệu kiến trúc MARCH giúp mô hình tự duy trì trạng thái an toàn nội tại thông qua việc định tuyến bộ nhớ và tiến hóa trạng thái, thay vì phụ thuộc vào các bộ lọc bên ngoài.
UI-Venus-2 là tác nhân AI đa phương thức thế hệ mới, có khả năng tự động hóa tác vụ trên cả di động, web và máy tính nhờ khung làm việc suy luận-hành động khép kín, giúp thu hẹp khoảng cách từ thử nghiệm đến ứng dụng thực tế.
ZimaBlue là khung huấn luyện đột phá giúp robot học cách điều khiển thông qua việc quan sát video thực tế thay vì chỉ dựa vào dữ liệu hành động đắt đỏ, giúp tăng khả năng thích nghi trong môi trường đa dạng.
E-Commerce Bench là bộ tiêu chuẩn đầu tiên đánh giá khả năng của AI trong việc quản lý cửa hàng trực tuyến suốt một năm, từ đàm phán, quản lý kho đến tối ưu hóa lợi nhuận trong môi trường biến động.
Hi-Q giải quyết vấn đề chênh lệch độ chi tiết giữa câu hỏi và dữ liệu bằng cách sử dụng cơ chế phân cấp thông minh. Hệ thống tự động kiểm tra bằng chứng để quyết định khi nào cần tinh chỉnh truy vấn, giúp cải thiện độ chính xác cho các tác vụ hỏi đáp phức tạp.
Nghiên cứu giới thiệu bộ đôi tác nhân AI chuyên biệt giúp tự động hóa việc viết phản biện và phản hồi bài báo khoa học, sử dụng học tăng cường (RL) và cơ chế kiểm chứng thực tế để giảm thiểu hiện tượng ảo giác.
Nghiên cứu giới thiệu khung Kỹ thuật Đồng thuận Động (DCE), kết hợp lý thuyết PR của Edward Bernays với mô hình động lực học hệ thống để phân tích cách các thể chế chính trị xây dựng và duy trì sự thống trị thông qua thuật toán và dữ liệu.
Nghiên cứu mới từ TIGER Lab cho thấy các mô hình hàng đầu như Claude, GPT và Gemini đều thất bại thảm hại khi thực hiện các tác vụ thực tế trên web, với tỷ lệ thành công chỉ đạt khoảng 33%.
Anthropic vừa giới thiệu bộ đôi Claude Fable 5.1 và Mythos 5.1, thiết lập chuẩn mực mới về khả năng suy luận phức tạp và tác vụ Agent với chi phí vận hành giảm tới 45%.
Trước làn sóng du khách quốc tế đổ về, các sân bay tại Nhật Bản đang triển khai công nghệ AI và drone để giám sát cơ sở hạ tầng, giúp phát hiện sớm các hư hỏng và đảm bảo vận hành thông suốt.
Đồng sáng tạo Dwarf Fortress, Tarn Adams, khẳng định rằng các nhân vật trong game không vận hành bằng AI mà là hệ thống mô phỏng hành vi phức tạp, đôi khi dẫn đến những tình huống dở khóc dở cười.
Các dự án như Vercel AI SDK hay Astro đang dần thay thế việc nhận đóng góp thủ công bằng các đội ngũ AI agent tự động xử lý lỗi và tính năng, đánh dấu bước ngoặt trong quản trị mã nguồn mở.
Microsoft sẽ tích hợp các bản cập nhật driver,.NET và firmware vào bản vá bảo mật hàng tháng trên Windows 11. Thay đổi này giúp người dùng chỉ cần khởi động lại máy một lần duy nhất mỗi tháng, giảm thiểu gián đoạn công việc.
Python 3.15.0 RC2 đã được phát hành, đánh dấu giai đoạn chỉ tập trung sửa lỗi trước khi ra mắt bản chính thức vào tháng 10. Các nhà phát triển được khuyến khích kiểm thử và chuẩn bị sẵn sàng các thư viện của mình để đảm bảo tính tương thích.
Samsung đã ký kết hợp đồng dài hạn cho 70% năng lực sản xuất HBM đến năm 2031 với các đối tác lớn như Nvidia, Google và Microsoft. Mức giá ưu đãi này thấp hơn đáng kể so với giá thị trường hiện tại, giúp các hãng công nghệ lớn đảm bảo nguồn cung trong bối cảnh khan hiếm chip nhớ.
Phân tích sâu về sự cố bảo mật tại HuggingFace, đánh giá cách cộng đồng phản ứng và những bước đi cần thiết để bảo vệ hệ sinh thái AI trong tương lai.
GoPro chính thức đạt thỏa thuận sáp nhập với Starman nhằm xóa nợ, tái cơ cấu tài chính và tận dụng bằng sáng chế quang học để mở rộng sang lĩnh vực hạ tầng AI và quốc phòng.
GigaDevice nhận định nguồn cung DRAM sẽ tiếp tục căng thẳng đến năm 2027 do năng lực sản xuất tăng trưởng hạn chế, đồng thời ghi nhận mức tăng trưởng lợi nhuận ấn tượng nhờ nhu cầu thị trường và sự hợp tác chiến lược với ChangXin Memory.
Dreame xác nhận hủy bỏ kế hoạch sản xuất ô tô hàng loạt để tập trung vào nghiên cứu công nghệ nền tảng tại Viện Nghiên cứu Công nghiệp. Đồng thời, hãng cũng thực hiện tái cơ cấu thương hiệu MOVA, cắt giảm các dòng sản phẩm trùng lặp để tối ưu hóa nguồn lực.
Cloudflare thử nghiệm tích hợp nén dữ liệu trực tiếp vào hệ thống cache, giúp mở rộng không gian lưu trữ mà không cần nâng cấp phần cứng.
MiniMax vừa ra mắt công nghệ tạo video siêu tốc chỉ trong 3 giây, mở ra tiềm năng ứng dụng thương mại hóa trực tiếp cho các nội dung AI thời gian thực.
Tim Cook chính thức chuyển giao quyền lực cho John Ternus sau 15 năm đưa Apple từ công ty trị giá 350 tỷ USD trở thành gã khổng lồ công nghệ 4,6 nghìn tỷ USD, với mức tăng trưởng cổ phiếu ấn tượng 2.275%.