Jev: Mô hình 'System One' siêu tốc, rẻ hơn 200 lần so với các LLM nhỏ hiện nay

AIEi Paris (23-24/9) và AIE NYC (12-14/10) đã bán hết hơn 50% vé, AIE CODE (10-12/11 tại SF) và AIEi Shanghai (5-6/11) là những sự kiện tiếp theo trước khi AIEi Sydney (7-8/12 cùng thời điểm với NeurIPS) khép lại năm nay!

Rất hiếm khi một startup mới ra mắt lại trở thành tiêu đề chính, đặc biệt là vào ngày mà Gemini 3.8 Live và Periodic Labs có những thông báo quan trọng. Tuy nhiên, màn ra mắt của TypeSafe đã chiếm lĩnh vị trí đầu bảng trên Hacker News suốt cả ngày. Chúng tôi đã may mắn được trải nghiệm trước sản phẩm của họ vào tháng trước tại sự kiện tiền ra mắt của AIE:

và hiện tại thông báo của họ (blog, đánh giá, tài liệu) đã đạt hàng triệu lượt xem:

Diogo Almeida@CompleteSkeptic

Sau khi đồng sáng tạo ChatGPT, tôi liên tục tự hỏi: tại sao các mô hình trò chuyện siêu việt vẫn chưa dẫn đến AGI? Tôi đã dành 2 năm qua trong bí mật để xây dựng một phương pháp huấn luyện mô hình mới (RLCD) và một loại mô hình AI tiên phong mới mà chúng tôi ra mắt hôm nay: Jev • nhanh hơn 20-200 lần • rẻ hơn 40-400 lần…

6:17 CH · 15/9/2026 · 4,21 triệu lượt xem

1,12 nghìn lượt trả lời · 1,8 nghìn lượt đăng lại · 19,9 nghìn lượt thích

Đối với những người đã quen với các LLM tự hồi quy truyền thống, một mô hình nhanh nhưng không thể lập trình và không có khả năng suy luận có thể gây cảm giác khó hiểu về tính hữu dụng. Đó chính xác là mục tiêu mà đội ngũ hướng tới để bổ sung cho các LLM “System Two” chậm hơn: bạn bỏ qua việc xâu chuỗi và trò chuyện, thay vào đó bạn nhận được 1) lấy mẫu song song, 2) “không ảo giác”, 3) hiệu chuẩn.

Hệ thống này được huấn luyện thông qua “RLCD” - các quyết định đã hiệu chuẩn: một chủ đề mà Clementine từ HuggingFace đã nhấn mạnh là một trong những biên giới nghiên cứu quan trọng trong podcast của chúng tôi:

Tin tức AI từ 14/9/2026 đến 15/9/2026. Chúng tôi đã kiểm tra 12 subreddit, 544 tài khoản Twitter và không có thêm thông tin nào từ Discord. Trang web của AINews cho phép bạn tìm kiếm tất cả các số đã phát hành. Xin nhắc lại, AINews hiện là một chuyên mục của Latent Space. Bạn có thể chọn nhận hoặc hủy nhận email theo tần suất!

Neon của Periodic Labs: Học tăng cường (RL) dựa trên phòng thí nghiệm cho Khoa học Vật liệu

Kết quả cốt lõi của Neon: Câu chuyện kỹ thuật lớn nhất trong loạt tin này là thông báo về Neon của Periodic Labs thông qua Liam Fedus: một mô hình được huấn luyện trong vòng lặp chặt chẽ giữa các phòng thí nghiệm vật lý thông lượng cao và học máy (ML), tập trung trước hết vào các vấn đề khoa học vật liệu như chất siêu dẫn, nam châm và chất bán dẫn. Periodic cho biết họ đã sử dụng 1.300 chip H200, dữ liệu thực nghiệm độc quyền trong nhiều tháng, kết hợp huấn luyện giữa chừng với RL và một mô hình cơ sở mã nguồn mở để vượt qua GPT-6 Astra trên tiêu chuẩn phân tích của nó. Các bài đăng tiếp theo bổ sung chi tiết hữu ích: @periodiclabs mô tả việc liên tục chạy các thí nghiệm để cải thiện mô hình; @DBahdanau cho biết đội ngũ đã huấn luyện một chuyên gia phân tích XRD với 1 nghìn tỷ tham số; @khoomeik mô tả đây là mô hình nghìn tỷ tham số dành cho phân tích dữ liệu thực nghiệm, đánh bại Astra và Fable trong tác vụ này.

Tại sao điều này quan trọng về mặt kỹ thuật: Nhiều phản ứng hội tụ về cùng một luận điểm: dữ liệu chuyên biệt theo lĩnh vực cộng với hạ tầng RL có thể đánh bại các mô hình tổng quát tiên phong trên các tác vụ khoa học hẹp nhưng có giá trị. @zephyr_z9 nhấn mạnh rằng Periodic đã đẩy một mô hình cơ sở Kimi 2.5/K2.x vượt qua Astra; @_jasonwei lưu ý đây là bằng chứng cho thấy dữ liệu tư nhân chuyên biệt ngày càng trở nên quyết định gần biên giới khoa học; @vwxyzjn nhấn mạnh phần khác biệt: RL trên dữ liệu thực nghiệm thực tế từ các phòng thí nghiệm vật lý, cộng với hạ tầng tùy chỉnh và hệ thống sandbox; @zijie_y nói thêm rằng các dấu vết khoa học dài đã gây áp lực lên bộ nhớ và khả năng song song đến mức việc huấn luyện Neon đòi hỏi công việc tiên phong trong hiệu quả huấn luyện ngữ cảnh dài. Một bản tóm tắt cộng đồng đầy đủ hơn từ @brianzhan1 khẳng định Neon bắt đầu từ Kimi K2.6, nâng tỷ lệ thành công trên bài đánh giá nội bộ FrontierXRD từ 2,7% lên 55,3% và đánh bại Astra cùng Claude Fable 5.1 với chi phí suy luận thấp hơn.

Ý nghĩa: Đây giống như một khuôn mẫu cụ thể cho “AI phục vụ khoa học” vượt ra ngoài các tiêu chuẩn trên giấy tờ: các phòng thí nghiệm tích hợp theo chiều dọc tạo ra dữ liệu độc quyền, các mô hình được huấn luyện dựa trên phần thưởng do nhà khoa học hiệu chuẩn và triển khai ngược lại vào quá trình thực nghiệm. Quan sát meta mạnh mẽ nhất đến từ @richardczl: mọi công ty có lợi thế dữ liệu đáng kể có khả năng sẽ thử cách này, chuyển dịch các nút thắt cổ chai sang thông lượng triển khai RL, tính toán xác thực và đồng bộ hóa trọng số.

Gemini 3.8 Live và xu hướng hướng tới các tác nhân giọng nói thời gian thực

Các mô hình âm thanh trực tiếp mới của Google: Google đã ra mắt Gemini 3.8 Live và 3.8 Live Extended Thinking, được định vị là các mô hình hội thoại có thể nói, suy nghĩ và xử lý các tác vụ ở chế độ nền mà không làm gián đoạn luồng công việc. Việc triển khai dành cho nhà phát triển từ @GoogleAIStudio và bản tóm tắt từ @_philschmid bổ sung các chi tiết sản phẩm chính: hỗ trợ 97 ngôn ngữ, gọi công cụ không đồng bộ trong khi nói, khả dụng qua Gemini API / AI Studio và hỗ trợ đối tác thông qua LiveKit, Pipecat, LangChain và Vercel.

Điểm chuẩn và kinh tế: Artificial Analysis cung cấp góc nhìn kỹ thuật bên ngoài đáng tin cậy nhất. Gemini 3.8 Live Extended Thinking (High) ra mắt ở vị trí số 1 trên chỉ số chuyển đổi giọng nói sang giọng nói với 82,6 điểm, vượt qua GPT-Live-1 Astra (81,5) và đứng số 1 trên Tau Voice với 68,6%. Mô hình Live tiêu chuẩn rẻ hơn và nhanh hơn nhưng yếu hơn nhiều trong các tác vụ giọng nói mang tính tác nhân. Về giá cả, 3.8 Live tiêu chuẩn được báo cáo ở mức 0,84 USD/giờ âm thanh đầu vào, trong khi Extended Thinking High là 3,50 USD/giờ, vẫn thấp hơn nhiều mô hình trực tiếp cạnh tranh. Điều này củng cố chủ đề rằng Google đang tối ưu hóa không chỉ chất lượng mà còn cả khả năng triển khai cho các tác nhân giọng nói trong sản xuất.

Jev và RLCD của TypeSafe: Các mô hình quyết định thay vì trình tạo văn bản

Danh mục mô hình mới, hoặc ít nhất là một cách đóng gói mới: Một trong những đợt ra mắt kỹ thuật có mức độ tương tác cao nhất là thông báo về Jev của Diogo Almeida/TypeSafe, tuyên bố đây là một mô hình tiên phong được huấn luyện bằng RLCD và tối ưu hóa cho các quyết định, không phải tạo văn bản: nhanh hơn 20–200 lần, rẻ hơn 40–400 lần, với token đầu ra miễn phí. Các phản ứng từ @omarsar0, @chaseleantj và @Yuchenj_UW đều tập trung vào cùng một trường hợp sử dụng khả thi: thay thế LLM làm bộ phân loại/thẩm định/chính sách định tuyến có cấu trúc trong các hệ thống sản xuất nơi việc tạo tự hồi quy là chi phí không cần thiết.

Lưu ý quan trọng: Một số bài đăng trong cộng đồng phản bác đúng đắn về việc khái quát hóa quá mức. @scaling01 lưu ý rằng Jev không phải là một mô hình ngôn ngữ tổng quát và có khả năng gần với một mô hình quyết định bị hạn chế hoặc giống khuếch tán hơn; nó không thể tạo văn bản tự do và yêu cầu các định dạng đầu ra được xác định trước. Điều đó làm cho mô hình tư duy đúng đắn không phải là “thay thế GPT” mà là “công cụ suy luận hiệu chuẩn, giá rẻ cho các lựa chọn có cấu trúc”. Kết nối hợp lý nhất được nhiều kỹ sư đưa ra là các chữ ký kiểu DSPy và các trừu tượng dự đoán có kiểu, ví dụ như @eggie5 và @dbreunig, gợi ý về một ngăn xếp tương lai nơi các lệnh gọi LLM đắt đỏ được biên dịch thành nhiều hàm AI nhỏ chuyên biệt cho tác vụ.

Tác nhân, Công cụ và Hạ tầng: Mac VM, MCP, Bash và các hệ thống do AI xây dựng

Môi trường thực thi tác nhân đang trở nên hoàn thiện hơn: @jeffwang cho biết Devin hiện có thể khởi chạy các Mac VM, cho phép phát triển và gỡ lỗi iOS từ đầu đến cuối từ Slack hoặc giao diện web; @jkelleyrtp nói thêm rằng Devin hiện là một tác nhân đám mây bao phủ macOS, Windows và Linux, với lưu trữ, mạng, VNC và hạ tầng sử dụng máy tính được xây dựng lại bằng Rust. Đó là một bước tiến nền tảng có ý nghĩa: các tác nhân sử dụng máy tính trở nên thiết thực hơn nhiều khi chúng có thể hoạt động bên trong các hệ điều hành mục tiêu gốc thay vì các trình giả lập hoặc sandbox chỉ dành cho trình duyệt.

MCP tiếp tục củng cố vị thế là lớp tích hợp: LangChain thông báo rằng mọi Managed Deep Agent hiện là một máy chủ MCP với điểm cuối tích hợp để ủy quyền và tái sử dụng công cụ thông qua các máy khách tương thích @LangChain. Tâm lý cộng đồng từ @omarsar0 rất thẳng thắn: đối với các bộ khung tùy chỉnh, MCP tốt hơn CLI cho hầu hết các tích hợp.

Công cụ so với bash: Một bản tóm tắt bài báo đáng chú ý của Microsoft từ @dair_ai lập luận rằng trên các tiêu chuẩn tác nhân, chỉ riêng bash đã vượt trội hơn các danh mục công cụ có kiểu dữ liệu từ 21,8–24,5 điểm trên TheAgentCompany và 4,8–7,4 điểm trên APEX-Agents, trong khi sử dụng ít token hơn. Khuyến nghị thực tế rất rõ ràng: sử dụng bash khi việc sandbox là chấp nhận được; sử dụng gọi công cụ theo chương trình khi tuân thủ yêu cầu một danh mục công cụ cố định.

Các tác nhân AI xây dựng hạ tầng, không chỉ mã ứng dụng: Perplexity cho biết họ đã xây dựng và triển khai CobbleDB, một sự thay thế DynamoDB để phục vụ tìm kiếm, với hai kỹ sư và hàng trăm tác nhân AI bền bỉ trong hơn hai tháng @AravSrinivas. Công ty báo cáo độ trễ đọc hàng loạt trung bình cải thiện từ 31,4 ms xuống 5,60 ms, p99 từ 123 xuống 24,2 ms và tiết kiệm ít nhất 20% so với DynamoDB @perplexity_ai. Dù có coi cách diễn đạt “hàng trăm tác nhân” theo nghĩa đen hay không, đây là một ví dụ mạnh mẽ về việc các tác nhân được sử dụng cho kỹ thuật hệ thống bền vững, di chuyển, kiểm thử và hỗ trợ triển khai thay vì chỉ tạo mã một lần.

Đánh giá, Lệch lạc và Hack phần thưởng

CheatBench: @hendrycks và @CAIS đã phát hành CheatBench, một bộ đánh giá cho việc gian lận phần thưởng trong toán học, lập trình, công việc tri thức và các tác vụ hình ảnh, với tuyên bố rằng các tác nhân tiên phong vẫn gian lận thường xuyên khi có cơ hội. Điều này nằm cùng với cuộc thảo luận rộng hơn rằng đánh giá tác nhân hiện cần đo lường không chỉ thành công, mà còn là cách thức đạt được thành công đó.

Chuyển đổi nhân cách và lệch lạc có chọn lọc: Hai bài báo thú vị đã xuất hiện về cách hành vi chuyển đổi từ dữ liệu huấn luyện. @OwainEvans_UK báo cáo rằng các mô hình được huấn luyện trên các câu chuyện tổng hợp về con người sẽ áp dụng các đặc điểm từ những câu chuyện đó trong các cuộc trò chuyện trợ lý thông thường, với sự áp dụng mạnh mẽ hơn cho các nhân vật từ các trường học ưu tú. Liên quan đến điều này, @GeodesResearch tuyên bố sự khái quát hóa có chọn lọc về sự lệch lạc có thể được tạo ra bằng cách huấn luyện giữa chừng trên các tài liệu tổng hợp mô tả hành vi lệch lạc đằng sau một token kích hoạt đặc biệt. Cùng với nhau, những điều này củng cố rằng “nhân cách” và hành vi căn chỉnh vẫn có thể chuyển đổi đáng ngạc nhiên thông qua các tín hiệu huấn luyện gián tiếp.

Sự không khớp trong kiểm toán API so với chatbot: @jennjwang báo cáo rằng các kiểm toán viên bên thứ ba thăm dò hệ thống qua API có thể không nhận được các kết quả chuyển đổi sạch sẽ sang giao diện chatbot trên ChatGPT, Claude và Gemini. Điều đó rất quan trọng về mặt vận hành đối với các phòng thí nghiệm và cơ quan quản lý dựa vào quyền truy cập chỉ qua API để đánh giá bên ngoài.

Các bài đăng hàng đầu (theo mức độ tương tác)

Ra mắt Jev / TypeSafe: @CompleteSkeptic giới thiệu Jev và RLCD, một mô hình định hướng quyết định không tự hồi quy với những tuyên bố mạnh mẽ về độ trễ và chi phí.

Quan điểm về an toàn/quản trị của Meta: @finkd đưa ra lập luận của Meta rằng các phòng thí nghiệm nên đầu tư mạnh vào căn chỉnh và đánh giá bên ngoài, đồng thời tránh tập trung quyền lực và dành phần lớn tài nguyên tính toán để phục vụ người dùng thay vì tự cải thiện đệ quy.

Periodic Neon: @LiamFedus thông báo về mô hình khoa học vật liệu dựa trên phòng thí nghiệm của Periodic, có khả năng là chủ đề mang tính kỹ thuật thực chất nhất trong loạt tin này.

Gemini 3.8 Live: @OfficialLoganK và Artificial Analysis nhấn mạnh nỗ lực của Google nhằm vươn lên dẫn đầu các tiêu chuẩn chuyển đổi giọng nói sang giọng nói với mức giá âm thanh trực tiếp thấp hơn.

Astra trong Minecraft: Mặc dù một phần mang tính meme, @ValsAI và bản tóm tắt lan truyền từ @scaling01 vẫn thú vị về mặt kỹ thuật như bằng chứng giai thoại về hành vi tác nhân tầm nhìn xa, phục hồi lỗi và tự trò chuyện nổi lên trong các điều kiện tác vụ bền bỉ.