10.5—10.11｜Các bài báo AI hàng đầu tuần này

Link bài viết gốc： Top bài báo AI tiêu biểu trong tuần

DAIR.AI · X · @dair_ai · 2026-10-11 21:10

Bài viết này được chia sẻ lại, bản quyền thuộc về tác giả gốc, toàn văn căn cứ theo link bài gốc

1. Harness Learning (Học chương trình điều khiển)

Agent được định nghĩa bởi cả model của nó và chương trình điều khiển (harness) – chương trình chịu trách nhiệm điều phối các lượt gọi model, việc sử dụng công cụ và luồng thông tin. Các nhà nghiên cứu tại CMU đã huấn luyện một model đề xuất (proposer model) để sửa đổi harness dựa trên phản hồi thực thi, trong khi trọng số của solver model vẫn được giữ nguyên.

• Chỉnh sửa chính là cập nhật: Các tác giả xem việc thích ứng harness như meta-learning đối với các chương trình có thể thực thi, trong đó mỗi lần sửa đổi harness đóng vai trò như một lần cập nhật trọng số trong quá trình thích ứng dựa trên gradient. Proposer model đọc nhiệm vụ, harness hiện tại và báo cáo thực thi, sau đó viết code chỉnh sửa cho harness.
• Học tăng cường dựa trên điểm số harness: Proposer model được huấn luyện bằng học tăng cường (RL) với phần thưởng là điểm số nhiệm vụ của harness sau khi sửa đổi. Khi kiểm thử, nó cải thiện harness trên các nhiệm vụ mới thông qua các lượt thực thi liên tiếp mà không cần cập nhật tham số.
• Proposer model nhỏ gọn, chuyển giao rộng rãi: Proposer model 4B sau khi huấn luyện đã đánh bại model giáo viên 35B trong các sửa đổi đơn bước trên Reasoning Gym, bao gồm cả những nhóm nhiệm vụ chưa từng thấy trong quá trình huấn luyện. Proposer model được huấn luyện trên HotpotQA liên tục cải thiện harness trên MuSiQue và 2WikiMultihopQA, trong khi chiến lược chỉ được huấn luyện cho một lần sửa đổi vẫn tiếp tục cải thiện harness qua nhiều vòng lặp sửa đổi.
• Tầm quan trọng: Việc cải thiện agent bằng cách chỉnh sửa code của harness thay vì trọng số đang trở thành một kỹ năng AI engineering độc lập, và nghiên cứu này chứng minh rằng kỹ năng đó có thể học được cũng như chuyển giao sang các nhiệm vụ chưa từng thấy. Nó mở ra hướng phát triển các agent có khả năng chuyển đổi kinh nghiệm tích lũy thành những cải tiến tổng quát mà không cần huấn luyện lại model nền tảng.

bài báo | Bài viết gốc

2. CorpusMap (Bản đồ ngữ liệu)

Các agent tìm kiếm trên tập hợp tài liệu lớn thường coi kho ngữ liệu như một tập hợp tệp phẳng, do đó các tài liệu liên quan không gợi ý về mối liên hệ của chúng với các tài liệu khác. Các nhà nghiên cứu của Microsoft và cộng sự đã giới thiệu CorpusMap, một tầng điều hướng được xây dựng xung quanh các thực thể lặp lại nhiều lần trong tập tài liệu.

• Trang thực thể: CorpusMap phân giải trước các lượt đề cập đến cùng một thực thể trên nhiều tài liệu và cung cấp một trang riêng cho mỗi thực thể lặp lại, tổng hợp thông tin đã biết và liên kết đến tất cả tài liệu đề cập đến thực thể đó. Các tài liệu gốc vẫn được giữ nguyên.
• Xây dựng một lần, tái sử dụng cho mọi truy vấn: Agent đọc tài liệu, điều hướng theo các thực thể đến các tài liệu liên quan, tránh việc phải tìm kiếm lặp lại cùng một bằng chứng. Các liên kết được xây dựng offline nên được chia sẻ giữa các truy vấn thay vì phải tìm kiếm lại vào thời điểm suy luận. Bản đồ này có thể được xây dựng mà không cần gọi LLM và tự động cập nhật khi có tài liệu mới xuất hiện.
• Câu trả lời tốt hơn, tốn ít token hơn: Trên 7 model và 3 benchmark, chất lượng câu trả lời tăng từ 6,4 đến 11,7 điểm phần trăm so với tìm kiếm agent trên ngữ liệu gốc, trong khi token đầu vào giảm từ 34% đến 57%. CorpusMap cũng đánh bại tầng LLM Wiki và 3 tầng điều hướng khác.
• Tầm quan trọng: Các vấn đề của doanh nghiệp thường đòi hỏi bằng chứng nằm rải rác trong email, báo cáo và hợp đồng ở nhiều thư mục khác nhau. Đồ thị thực thể được tính toán trước cung cấp cho agent một cấu trúc rõ ràng để lần theo, vừa giảm thiểu việc bỏ sót bằng chứng, vừa hạn chế tìm kiếm trùng lặp.

bài báo | Bài viết gốc

3. VeriHarness (Harness xác thực)

Cách tiếp cận phổ biến cho các agent thực hiện nhiệm vụ dài hạn là lấy mẫu nhiều quỹ đạo (trajectory) và tin tưởng vào câu trả lời có tính nhất quán cao nhất giữa chúng. Tuy nhiên, các nhà nghiên cứu tại Google chỉ ra rằng tính nhất quán có thể che giấu những lỗi sai chung, trong khi sự không nhất quán thường dẫn đến các phương án thay thế chính xác. Vì vậy, họ đã xây dựng VeriHarness để xác thực các trajectory bằng chính model nền tảng đó.

• Trình xác thực bắt nguồn từ generator model: VeriHarness cung cấp cho generator model không gian làm việc, các công cụ thu thập bằng chứng và kỹ năng xác thực có thể tái sử dụng. Khi kiểm thử, hệ thống không cần đáp án tham chiếu hay tiêu chí chấm điểm.
• Hai bước kiểm tra: Bộ giải quyết bất đồng kiểm tra các luận điểm cạnh tranh dựa trên bằng chứng trong môi trường. Bộ thách thức đồng thuận kiểm tra các khẳng định mà mọi trajectory đều chia sẻ và tìm kiếm các yêu cầu mà tất cả chúng đều bỏ sót. Những phát hiện này sẽ định hướng cho việc lựa chọn artifact nào và sửa đổi ra sao.
• Kết quả: Trên 5 benchmark không gian làm việc dài hạn và 2 model tiên phong hàng đầu, VeriHarness đạt điểm số lựa chọn cao nhất trong số các baseline được thử nghiệm. Nhờ các chỉnh sửa dựa trên bằng chứng, kết quả trên Gemini 3.5 Flash tăng 6,2 điểm phần trăm và trên Claude Opus 4.8 tăng 6,4 điểm phần trăm so với một trajectory đơn lẻ. Các kỹ năng xác thực của nó cũng được cải thiện từ phản hồi thất bại.
• Tầm quan trọng: Cơ chế bỏ phiếu đa số thường loại bỏ các câu trả lời thiểu số, trong khi các câu trả lời này đôi khi lại chính xác. Các tác giả đã công bố khoảng 26.000 trajectory trên cả 5 benchmark và 2 model với chi phí hơn 100.000 USD để hỗ trợ các nghiên cứu sâu hơn về xác thực agent.

bài báo | Bài viết gốc

4. HERMES

Trong các nhiệm vụ dài hạn, các agent kỹ thuật phần mềm liên tục tái cấu trúc trạng thái chương trình nằm rải rác trong các tệp nguồn, cấu hình, bài kiểm thử và dependency, dẫn đến lịch sử tương tác quá dài và bùng nổ context. HERMES là một harness biến các thành phần trong repository thành những đối tượng tham gia chủ động vào nhiệm vụ.

• Nguyên mẫu phát triển: Mỗi thành phần trong repository đều được trang bị một LLM thường trực, hiểu rõ phần triển khai và các dependency của chính nó. Các thành phần này sở hữu giao diện agent gốc, hỗ trợ suy luận bằng ngôn ngữ tự nhiên, giao tiếp với các thành phần khác và tự sửa đổi cục bộ.
• Kích hoạt và chẩn đoán: Bước nhận biết dependency sẽ quyết định kích hoạt những thành phần nào cho nhiệm vụ, còn bước chẩn đoán sẽ ánh xạ các lỗi kiểm thử và bằng chứng thực thi về đúng các thành phần cần chỉnh sửa.
• Cùng model, khác harness: Trong quá trình di chuyển toàn bộ repository, khi Codex được thay thế bằng HERMES, GPT-5.6 Sol đã tăng từ 6,5% lên 31,0% với cùng model và mức độ nỗ lực. Trên 4 benchmark kỹ thuật phần mềm, HERMES đạt kết quả trung bình cao hơn 12,4% so với baseline harness tương ứng.
• Tầm quan trọng: Nhờ model kích hoạt và chẩn đoán mạnh mẽ, HERMES chạy các nguyên mẫu phát triển Qwen3-8B duy trì khoảng cách chỉ trong vòng 4,5% so với cấu hình thuần GPT-5.6 Sol trên cả 4 benchmark, đồng thời giảm 26,2% chi phí suy luận trên Terminal-Bench 4.0. Lợi ích di chuyển phần lớn đến từ harness, do đó việc đầu tư nguồn lực kỹ thuật để xây dựng harness xoay quanh codebase của riêng bạn là hoàn toàn xứng đáng.

bài báo | Bài viết gốc

5. MASS (Tự giám sát đa agent)

Việc tự cải tiến đệ quy trong các nhiệm vụ mở (như nghiên cứu) thường gặp phải vấn đề về giám sát, vì kết quả đầu ra có thể vượt quá khả năng đánh giá đáng tin cậy của chuyên gia con người và không có trình kiểm tra bên ngoài. Các nhà nghiên cứu tại Sakana AI đã đề xuất Tự giám sát đa agent (MASS), trong đó một model nền tảng duy nhất đồng thời đóng vai trò là agent, người đánh giá và người tối ưu hóa.

• Workflow đóng vai trò là không gian tìm kiếm: Model nền tảng đề xuất các workflow đa agent, thực thi chúng và chấm điểm kết quả. Thuật toán tìm kiếm tiến hóa chịu ràng buộc bởi các rào chắn cấu trúc sẽ giữ lại những workflow có điểm số cao nhất, đồng thời xác định các vai trò và lộ trình thông tin khác nhau cho từng nhiệm vụ.
• Vòng lặp luân phiên: Mỗi vòng lặp kết hợp việc tối ưu hóa workflow này với quá trình fine-tune có giám sát trên chính các trajectory đa agent của model. Model sau khi cải tiến sẽ bước vào vòng lặp tiếp theo với tư cách là bộ tối ưu hóa và bộ chấm điểm tốt hơn, nhờ đó vòng lặp có thể liên tục nâng cao năng lực của model.
• Kết quả: Trải qua hai vòng lặp MASS trên Qwen3.6-27B, hiệu năng trên mỗi token đầu ra đã tăng 1,2–1,6 lần trên 4 benchmark công khai dạng mở. Model học sinh được huấn luyện trên các trajectory đa agent cũng đánh bại model học sinh đơn agent được huấn luyện với lượng token nhiều hơn 1,4 lần.
• Tầm quan trọng: Các vòng lặp tự cải tiến thường phụ thuộc vào validator bên ngoài, do đó các nhiệm vụ mở không có trình kiểm tra thường bị loại trừ. MASS chứng minh rằng một model có thể tự cung cấp tín hiệu giám sát cho chính mình bằng cách học cách điều phối và thực thi các sub-agent có giới hạn từ các trajectory đa agent.

bài báo | Bài viết gốc

6. Sharpening Tax (Thuế sắc nét hóa)

Một giả định phổ biến cho rằng quá trình hậu huấn luyện bằng RL chỉ làm sắc nét thêm các hành vi vốn có của model nền tảng, đánh đổi độ bao phủ giải pháp để lấy độ chính xác cao hơn trong một lần thử. Các nhà nghiên cứu tại Meta Superintelligence Labs đã kiểm tra xem giả định này có đúng với các nhiệm vụ của agent hay không, nơi việc sử dụng công cụ qua nhiều lượt có thể đòi hỏi những năng lực được học trong quá trình hậu huấn luyện.

• Model nền tảng đóng vai trò là agent: LLM tiền huấn luyện kết hợp với một harness suy luận tinh gọn có thể hoạt động như một agent hiệu quả. Model hậu huấn luyện vượt trội ở chỉ số pass@1, nhưng khi K lớn, model nền tảng thường có thể giải quyết được các nhiệm vụ mà phiên bản hậu huấn luyện của nó không bao giờ giải được trên BFCL v4 multi-turn, ACEBench và WebShop.
• Nguyên nhân độ bao phủ sụt giảm: Quá trình hậu huấn luyện đẩy mỗi nhiệm vụ về trạng thái: hoặc luôn giải quyết được, hoặc không bao giờ giải quyết được. Tính nhất quán và hiệu quả lấy mẫu tăng lên, nhưng độ bao phủ lại giảm xuống.
• Đo lường cái giá phải trả: Các tác giả đề xuất khái niệm Thuế sắc nét hóa (Sharpening Tax), một chỉ số đo lường sự tổn thất về khả năng mở rộng ở thời điểm kiểm thử sau quá trình hậu huấn luyện. Trong 42 trường hợp đối chiếu giữa model nền tảng và model hậu huấn luyện thuộc 4 họ model và 3 benchmark, loại thuế này xuất hiện ở hầu hết các thiết lập, tăng dần theo quy mô của model và có thể ước tính được từ một lượng nhỏ trajectory.
• Tầm quan trọng: Giải pháp khắc phục của họ — Posterior Temperature Group Sampling (PTGS) — thiết lập nhiệt độ lấy mẫu cho từng prompt dựa trên độ khó nhiệm vụ ước tính trong quá trình RL. Phương pháp này chịu mức thuế thấp hơn so với baseline nhiệt độ cố định, đồng thời cải thiện pass@1. Nếu agent của bạn dựa vào việc lấy mẫu lặp lại trong thời gian kiểm thử, model nền tảng có thể bao phủ những nhiệm vụ mà model hậu huấn luyện đã đánh mất.

bài báo | Bài viết gốc

7. VERA

Các agent dài hạn cần môi trường có thể phục hồi ở bất kỳ giai đoạn nào và có thể chấm điểm dựa trên bằng chứng quan sát được, nhưng phần lớn môi trường hiện nay chỉ chấm điểm kết quả cuối cùng. Các nhà nghiên cứu của NVIDIA đã đề xuất VERA, xây dựng các môi trường như vậy ở quy mô lớn và tận dụng chúng để cập nhật đồng thời cả model lẫn harness của nó.

• Xây dựng môi trường có thể kiểm chứng từ trajectory: VERA chuyển đổi các trajectory ban đầu thành hơn 9.000 môi trường sandbox có thể khởi động lại. Agent viết ra rubric chấm điểm và các hạng mục kiểm tra có thể thực thi, giám khảo xác thực từng sandbox, và chỉ những môi trường có thể chạy được cũng như chấm điểm được từ bằng chứng quan sát mới được đưa vào kho huấn luyện.
• Hai lộ trình cập nhật: VERA luân phiên giữa việc huấn luyện model (dựa trên phần thưởng từ rubric) và chỉnh sửa kỹ năng công cụ. Chỉ khi chỉnh sửa công cụ vượt qua bài tự kiểm thử và tăng ít nhất 5 điểm trên tập phát triển, chỉnh sửa đó mới được giữ lại; nếu điểm số của checkpoint model giảm quá 20%, checkpoint đó sẽ bị từ chối.
• Kết quả: Ở quy mô 9B, agent đồng tiến hóa vượt trội hơn baseline đơn trục mạnh nhất 10,3 điểm trên AutoCoWorkBench và 13,0 điểm trên AutoMedBench. Ở quy mô 27B, nó đạt 71,6 điểm trên AutoCoWorkBench và 80,7 điểm trên AutoMedBench, có khả năng chuyển giao sang các quy trình chưa từng thấy mà vẫn duy trì được năng lực tổng quát.
• Vì sao điều này quan trọng: Huấn luyện công cụ cùng với model là một mắt xích quan trọng để làm chủ stack công nghệ trí tuệ, và nhiều công ty AI hàng đầu đã bắt đầu thực hiện điều này. Việc phát hành mã nguồn mở kho ngữ liệu môi trường cung cấp một điểm khởi đầu cho cộng đồng thực hiện sự đồng tiến hóa này trên các nhiệm vụ dài hạn.

bài báo | Bài viết gốc

8. Agent Plasticity (Độ khả biến của agent)

Các nhà nghiên cứu từ Meta Superintelligence Labs đã đề xuất khái niệm độ khả biến của agent (Agent Plasticity) — một chỉ số đo lường hiệu quả chuyển đổi kinh nghiệm thành lợi ích trên các nhiệm vụ độc lập trên mỗi đơn vị chi phí học tập, trong điều kiện trọng số model bị đóng băng, mỗi lần chạy bắt đầu từ một context hoàn toàn mới nhưng kế thừa các artifact do các lần chạy trước tạo ra. Model có điểm số cuối cùng cao nhất thường không phải là model có hiệu quả học tập cao nhất. Trong cờ vua, cờ vây và cờ Connect6, Claude Fable 5 đạt điểm số cuối cùng cao nhất, trong khi GPT-5.6 Sol mang lại lợi ích lớn nhất trên mỗi đơn vị chi phí; trong NetHack, chỉ có Claude Opus 5.5 cải thiện đáng kể, tăng 66 điểm chuẩn hóa với chi phí học tập khoảng 1.073 USD. Các agent học chậm thường phớt lờ các artifact do chính mình tạo ra, trong khi các agent học nhanh sẽ tái sử dụng artifact, nhưng vẫn thất bại nếu chất lượng artifact kém.

bài báo | Bài viết gốc

9. Continuous Memory Machines (Máy bộ nhớ liên tục)

Continuous Memory Machine của Sakana AI cung cấp cho các model hồi quy hai bộ nhớ có giá trị ma trận: một bộ lưu trữ ngắn hạn theo dõi hoạt động nơ-ron gần đây và một bộ lưu trữ dài hạn dành cho thông tin cần dùng sau này, trong đó Transformer đọc và ghi đồng thời vào cả hai ở mỗi bước. Được xây dựng dựa trên Continuous Thought Machine, kiến trúc này vượt trội hơn các baseline LSTM, DNC, RMC và CTM trong các tác vụ sao chép, gợi nhớ liên tưởng, sắp xếp, hồi quy few-shot và giải mê cung, đồng thời có thể khái quát hóa cho các đầu vào dài hơn nhiều so với các mạng tăng cường bộ nhớ trước đây. Bản đồ attention của nó cho thấy model tận dụng bộ nhớ dài hạn để xử lý các nhiệm vụ mang tính thuật toán và in-context, đồng thời bỏ qua khi nhiệm vụ không yêu cầu.

bài báo | Bài viết gốc

10. MIMESIS

Các thiết lập học tăng cường cho agent thường để một LLM phụ đóng vai người dùng, khiến người dùng mô phỏng trở nên quá hợp tác và thẳng thắn; một agent GPT-5.5 cố định nhận thấy các nhiệm vụ trên tau-bench khi đối mặt với những người dùng này dễ hoàn thành hơn nhiều so với khi gặp người dùng thực. Các nhà nghiên cứu từ Meta Superintelligence Labs đã huấn luyện MIMESIS — một bộ mô phỏng người dùng 9B được xây dựng dựa trên các cuộc hội thoại của con người, đi kèm giám sát suy luận rõ ràng và 13 mẫu hành vi quan sát được từ người dùng thực tế, đạt độ trung thực hành vi cao hơn 13,4 điểm so với Claude Opus 5. Các agent trải qua huấn luyện học tăng cường nhiều lượt trên bộ mô phỏng bị đóng băng này đều thể hiện vượt trội hơn các agent được huấn luyện với GPT-5.5 trên toàn bộ 9 bộ mô phỏng người dùng chưa từng thấy, trong khi bước hướng dẫn chuyển đổi suy luận riêng tư của bộ mô phỏng thành phản hồi ở cấp độ token đã mang lại những cải thiện đáng kể hơn nữa.

bài báo | Bài viết gốc

Học tương tác với AI (NotebookLM)

Ngoài đọc , bạn có thể nghe , xem và xem hoạ thông tin ở đầu bài. Bài này còn có bộ công cụ tương tác do AI tạo: Bài kiểm tra trắc nghiệm, Thẻ ghi nhớ, Sơ đồ tư duy, Bản trình bày và Báo cáo chuyên sâu.

Mở không gian học tương tác