@completeskeptic@completeskepticSO MUCH THIS I believe that one of jev's greatest benefits to automation will come from resurrectin…
Dịchjev hứa hẹn mang lại bước tiến cho tự động hóa bằng cách kết hợp các thực hành kiến trúc kinh điển như quản lý trạng thái, đóng gói, trừu tượng hóa với các tiêu chuẩn ML hiện đại như đo lường, đánh giá và kiểm soát độ bất định.
Apple giới thiệu phương pháp chưng cất mới giúp nén bộ mã hóa âm thanh cho tính năng đọc chính tả toàn hệ thống, đạt hiệu suất vượt trội với tỷ lệ nén 2.8x mà vẫn giữ nguyên độ chính xác.
Nghiên cứu đề xuất khung lý thuyết sử dụng tác động nhóm để định nghĩa sự tương đương trong các biểu diễn AI, giúp làm rõ các giả thuyết khác nhau vốn thường bị nhầm lẫn khi đánh giá mô hình.
AK@_akhaliqonPanda Efficient Annotation of On-Policy Alignment Data for LLMs and Agents via Token-Level Correc…
DịchonPanda giới thiệu phương pháp hiệu chỉnh ở cấp độ Token, giúp tăng hiệu suất gán nhãn dữ liệu căn chỉnh (alignment) cho các mô hình ngôn ngữ lớn và AI Agent một cách chính xác.
EdgeGen là khung làm việc tự động tạo các tình huống lỗi (edge cases) từ quy tắc của Agent, giúp tinh chỉnh và tối ưu hóa hiệu suất mà không cần gắn nhãn thủ công.
Rohan Paul@rohanpaul_aiMeta published A-MLE, a new AI agent framework they actually built and deployed to automate ML exper…
DịchMeta giới thiệu A-MLE, khung tác tử LLM giúp tự động hóa toàn bộ quy trình từ đề xuất ý tưởng, chạy thử nghiệm đến phân tích kết quả và tối ưu hóa mô hình quảng cáo quy mô lớn.
@mark_k@mark_kCoding agents can now create their own training environments from existing software! Xiaomi's new C…
DịchCodeMidas của Xiaomi giúp AI tự động trích xuất tác vụ từ các dự án mã nguồn mở để tạo môi trường kiểm thử, giúp cải thiện đáng kể hiệu suất sửa lỗi và xây dựng chương trình của mô hình MiMo-V2.5.
Rohan Paul@rohanpaul_aiIf an agent rewrites its runtime for every bad decision, it can learn the wrong lesson Fix recurrin…
DịchECDYSIS là khung vận hành mới giúp AI Agent học từ các nhóm lỗi tương đồng thay vì sửa lỗi đơn lẻ, giúp tăng độ chính xác, tốc độ huấn luyện và khả năng thích ứng trên nhiều mô hình khác nhau.
Rohan Paul@rohanpaul_aiBeautiful paper from Google. ScientistTwo shows another progress of recursive self-improvement in A…
DịchGoogle giới thiệu ScientistTwo, mô hình AI có khả năng tự lặp lại quy trình nghiên cứu: từ đề xuất ý tưởng, thực nghiệm đến tối ưu hóa dựa trên phản hồi. Hệ thống đã tự cải thiện 80,4% các bài toán ML từ các hội nghị lớn, vượt xa hiệu suất ban đầu của con người.
TypeSafe, startup do đồng tác giả RLHF sáng lập, vừa giới thiệu Jev - mô hình transformer đột phá không tạo văn bản mà tập trung đưa ra các quyết định dựa trên xác suất đã được hiệu chỉnh.
Cùng sự kiện, bài đại diện «OpenRouter ra mắt Jev: Mô hình chuyên biệt cho các quyết định nhanh và rẻ»Thay vì dùng LLM trực tiếp làm bộ phân loại thiếu độ tin cậy, tác giả đề xuất sử dụng kết quả từ LLM như một đặc trưng đầu vào cho các mô hình học máy truyền thống như hồi quy logistic để tối ưu hóa hiệu suất.
AK@_akhaliqLimiX-2 A Contextual Mechanism Network Towards General Structured-Data Intelligence paper: https: /…
DịchLimiX-2 giới thiệu mạng cơ chế ngữ cảnh đột phá, hướng tới khả năng xử lý thông minh và linh hoạt cho các loại dữ liệu cấu trúc tổng quát.
Francois Chollet@fcholletHow Keras 3 helped modernise Expedia's ranking stack https://medium.com/expedia-group-tech/how-keras...
DịchKhám phá cách Expedia Group tận dụng tính linh hoạt của Keras 3 để tối ưu hóa và hiện đại hóa hạ tầng xếp hạng phòng khách sạn, giúp tăng hiệu suất triển khai mô hình học máy.
Apple giới thiệu TS-DFM, kỹ thuật chưng cất mô hình sử dụng 'la bàn năng lượng' để chọn lọc bước nhảy hiệu quả thay vì ngẫu nhiên. Kết quả cho thấy mô hình 8 bước vượt trội hơn mô hình 1024 bước tới 32% về độ chính xác, đồng thời tăng tốc độ suy luận gấp 128 lần.
Cùng sự kiện, bài đại diện «DACA-GRPO: Apple tối ưu hóa học tăng cường cho mô hình ngôn ngữ khuếch tán»Nums AI vừa giới thiệu Causilo, mô hình nền tảng chuyên biệt cho dữ liệu bảng, xuất sắc vượt qua các đối thủ từ Google Research để chiếm lĩnh vị trí dẫn đầu trên bảng xếp hạng TabArena với Elo 1792.9.
Ma Dongxi NLP@dongxi_nlpNghiên cứu Story Imprinting chỉ ra rằng AI có xu hướng bắt chước các hành vi và đặc điểm tính cách từ những câu chuyện về con người mà nó được huấn luyện, đặc biệt là các hình mẫu nhân vật nổi bật.
Astar là mô hình ngôn ngữ lớn được thiết kế để tự động hóa quá trình tiến hóa của hệ thống AI bằng cách học hỏi từ lịch sử thử nghiệm thực tế. Công nghệ này giúp tăng hiệu suất tạo ý tưởng lên gấp 100 lần và đã cải thiện đáng kể các chỉ số kinh doanh cốt lõi tại Alibaba.
Bài viết hướng dẫn chi tiết cách tận dụng sức mạnh GPU thông qua NVIDIA cuML và RAPIDS để tối ưu hóa toàn bộ quy trình học máy, từ phân cụm, giải thích mô hình đến suy luận.
SemiAnalysis@SemiAnalysis_Attention has no innate notion of time. Positional embeddings are how language models tell how far a…
DịchBài viết phân tích cách các mô hình ngôn ngữ sử dụng nhúng vị trí để hiểu khoảng cách giữa các token, đồng thời đặt câu hỏi liệu việc nới lỏng các ràng buộc toán học truyền thống có mở ra không gian hàm mới hiệu quả hơn hay không.
DAIR.AI@dair_aiGreat paper on self-evolving agent harnesses. Self-evolving agent harnesses have two practical prob…
DịchEcdysis tối ưu hóa quy trình tự sửa lỗi của AI bằng cách phân tích lỗi theo lô và thống nhất chiến lược trước khi sửa code, giúp tăng tốc huấn luyện 1,84 lần và cải thiện 18,56% độ chính xác với ít dữ liệu hơn.
Thay vì bắt chước đáp án mẫu, phương pháp Negative Self-Distillation (NSD) giúp mô hình ngôn ngữ tự tối ưu hóa bằng cách nhận diện và tránh xa các suy luận sai lầm, từ đó thúc đẩy tư duy phản biện và tự sửa lỗi.
Nghiên cứu đề xuất HybridAL, phương pháp tự động chuyển đổi giữa huấn luyện lại từ đầu và tinh chỉnh (fine-tuning) dựa trên tín hiệu ổn định của mô hình, giúp tiết kiệm tài nguyên mà vẫn duy trì hiệu suất tối ưu.
Elvis Saravia@omarsar0// Design Docs Are All You Need // Banger paper from Google DeepMind, MIT, and colleagues. What a …
DịchSMART là thư viện mô hình hóa hiệu năng ML đột phá, nơi mã nguồn được tự động tạo từ các tài liệu thiết kế dạng đồ thị thay vì viết tay, giúp tối ưu hóa quy trình cập nhật và quản lý hệ thống.
Rohan Paul@rohanpaul_aiNghiên cứu mới từ Microsoft và Đại học Cornell giới thiệu kỹ thuật tối ưu hóa giúp mô hình AI đạt kết quả tương đương các mô hình tiêu chuẩn dù được huấn luyện với ít dữ liệu hơn 50%, hứa hẹn giảm đáng kể chi phí tính toán.
Ma Dongxi NLP@dongxi_nlpBài viết phân tích các lỗ hổng trong việc huấn luyện AI dựa trên mục tiêu phần thưởng và cảnh báo rằng việc lạm dụng tự động hóa trong chấm điểm có thể làm suy giảm chất lượng đánh giá của mô hình.
Meta FAIR cùng các đại học danh tiếng phát triển mô hình RPMs nhằm dự đoán và xếp hạng các thực nghiệm ML trước khi chạy, giúp tiết kiệm đáng kể tài nguyên GPU bằng cách chỉ thực thi những thí nghiệm tiềm năng nhất.
Rohan Paul@rohanpaul_aiVery useful insight in this paper. AI agents may be wasting huge amounts of effort rediscovering t…
DịchNghiên cứu DisCo giới thiệu cách chuyển đổi kho lưu trữ GitHub và tài liệu kỹ thuật thành các 'kỹ năng' tinh gọn, giúp AI tự chủ trong việc chọn công cụ và xử lý lỗi, từ đó nâng cao đáng kể hiệu suất giải quyết tác vụ thực tế.
Adaption Labs giới thiệu tính năng Invent a Dataset, cho phép tạo bộ dữ liệu huấn luyện trực tiếp từ mô tả nhiệm vụ mà không cần dữ liệu mẫu hay hướng dẫn gán nhãn phức tạp.
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).
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.
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.
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 phương pháp Repo-To-Skill giúp chắt lọc kiến thức từ GitHub thành thư viện kỹ năng AREX, cho phép AI Agent thực thi tác vụ hiệu quả hơn thông qua các kỹ năng đã được kiểm chứng.
Elvis Saravia@omarsar0Brilliant paper on reducing reward hacking in agents. If you follow the recent OpenAI <> HuggingFac…
DịchMột nghiên cứu trên arXiv giới thiệu công cụ báo cáo lỗi có cấu trúc giúp các tác nhân AI xử lý sự cố hạ tầng kiểm thử hiệu quả hơn, từ đó giảm đáng kể tình trạng 'hack phần thưởng' (reward hacking) từ 23,6% xuống còn 5,3%.
Google vừa giới thiệu TimesFM-3, mô hình nền tảng thế hệ thứ ba cho phép dự báo chuỗi thời gian đa biến theo phương thức zero-shot mà không cần tinh chỉnh, giúp tối ưu hóa độ chính xác cho các kịch bản phức tạp.
Rohan Paul@rohanpaul_aiInteresting study on model distillation. A distilled student model copies how its teacher reasons …
DịchNghiên cứu chỉ ra rằng mô hình học sinh ưu tiên bắt chước cách suy luận của giáo viên thay vì kiến thức thuần túy. Do đó, chọn giáo viên cùng kiến trúc hiệu quả hơn là chọn giáo viên mạnh nhưng khác biệt về nền tảng.
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.
Ma Dongxi NLP@dongxi_nlpI've put together an up-to-date, validated DGX Spark setup for ML experiments such as post-training: …
DịchHướng dẫn cấu hình tối ưu cho DGX Spark bao gồm PyTorch 2.13 trên CUDA 13, nhân huấn luyện đã kiểm chứng qua GB10 và môi trường vLLM biệt lập, giúp tăng hiệu suất cho các thử nghiệm hậu huấn luyện.
Rohan Paul@rohanpaul_aiYou can teach a language model a new modality without ever touching the backbone's weights. Train …
DịchNghiên cứu mới đề xuất phương pháp chỉ huấn luyện lớp kết nối giữa encoder và mô hình ngôn ngữ, giúp bổ sung đa phương thức mà không cần tinh chỉnh toàn bộ tham số, vừa tăng tốc độ huấn luyện vừa bảo toàn hiệu suất gốc của mô hình.
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.