Cognition kiểm chứng khả năng lập trình dài hạn của Claude Fable 5 qua các tác vụ thực tế

http://x.com/i/article/2075729990013132800

BestBlogs Bản tin sáng · 11/07 | Kiểm chứng kỹ thuật thực tế cho lập trình dài hạn, hệ thống huấn luyện mở rộng cho AI Agent, đội ngũ sản phẩm xem xét lại tính minh bạch trong phán đoán và đề xuất.

Đọc trực tuyến bản tin sáng kỳ này

BestBlogs.dev là trợ lý đọc tin cá nhân được vận hành bởi AI. Đây là nội dung bản tin sáng hàng ngày dành cho tất cả mọi người. Nếu bạn muốn nội dung được tổng hợp dựa trên sở thích và thói quen đọc của riêng mình, hãy trải nghiệm tính năng "Bản tin sáng của tôi".

Lời dẫn

Giao một issue (vấn đề) hoàn chỉnh cho một AI Agent, điều thực sự đáng lo ngại không nằm ở việc nó có viết được bản vá (patch) hay không, mà là ở việc bạn nên tin tưởng nó đã hoàn thành công việc vào lúc nào.

Ba bài phân tích chuyên sâu hôm nay mang đến ba góc nhìn khác biệt: Cognition sử dụng công việc kỹ thuật hàng ngày để kiểm chứng khả năng duy trì phán đoán của mô hình trong các tác vụ dài hạn; Kuaishou biến kho lưu trữ (repository) có thể chạy được thành sân chơi huấn luyện; trong khi đó, người đứng đầu Instagram - Adam Mosseri - hướng sự chú ý trở lại những lựa chọn mà đội ngũ sản phẩm vẫn cần phải thực hiện.

Ngày 9 tháng 7, chúng ta vẫn đang thảo luận về việc làm thế nào để các mô hình tác vụ dài hạn (long-task models) đi vào quy trình làm việc. Hôm nay, việc thu hẹp vấn đề sẽ phù hợp hơn: Khi mô hình có thể chạy lâu hơn, thì trách nhiệm của việc đánh giá, môi trường huấn luyện và phán đoán chiến lược của con người nên được phân bổ như thế nào?

★ Phân tích chuyên sâu 1: Cognition sử dụng kỹ thuật thực tế để kiểm chứng khả năng lập trình dài hạn của Claude Fable 5

Bối cảnh Cognition tạo ra Devin khiến họ có những yêu cầu cực kỳ thực tế đối với "điểm số mô hình". Việc di chuyển mã nguồn cũ, xử lý các lỗi tồn đọng lâu ngày, hay bổ sung các tính năng bị trì hoãn nhiều lần đều là những công việc có thể giao cho AI Agent; nhưng mã nguồn đưa vào môi trường sản xuất (production) không thể chỉ là những đoạn code may mắn vượt qua bài kiểm tra. Đội ngũ trong bài viết đã nhiều lần chứng kiến các mô hình thể hiện xuất sắc trên các bộ benchmark, nhưng khi đối mặt với tác vụ thực tế của kỹ sư, chúng lại mất ngữ cảnh hoặc để lại những lỗi ẩn. Do đó, họ ưu tiên việc dùng thử nội bộ bởi các kỹ sư trước khi thực hiện các bài đánh giá chung. Xem chi tiết tại [link].

Thay đổi được đề cập trong bài phỏng vấn này là "chân trời tác vụ" (task horizon). Các mô hình đời đầu có thể kết nối các công cụ và hoàn thành tác vụ nhiều bước, nhưng thường bị trôi (drift) sau vài phút đến một giờ: mất đi tiền đề khi cân nhắc nhiều phương án, hoặc dừng lại ngay khi tìm thấy lời giải thích hợp lý đầu tiên trong nhật ký (log). Khi Cognition mô tả Claude Fable 5, trọng tâm không chỉ là "mạnh hơn", mà là khả năng tiếp tục tìm kiếm trong các nhật ký hỗn loạn, phân biệt giữa cái đã biết và chưa biết, đồng thời trong một lần di chuyển mã nguồn, nó có thể viết rõ các bất biến (invariants) cần bảo vệ trước khi thực thi các ràng buộc xung quanh đó.

Frontier Code là bộ đánh giá nội bộ mà đội ngũ này xây dựng. Nó không chỉ dừng lại ở việc "bản vá vượt qua bài kiểm tra", mà còn cố gắng loại bỏ những kết quả không thể bảo trì trong kho mã nguồn thực tế. Điểm số của tập con khó nhất trong bài viết đã tăng từ khoảng 10% ở mô hình Opus trước đó lên khoảng 30% ở Claude Fable 5; đội ngũ ban đầu nghi ngờ hệ thống có vấn đề, sau đó mới thấy sự cải thiện tương tự trong quá trình dogfooding (tự sử dụng sản phẩm). Bản thân con số chỉ là một tuyên bố của bài đánh giá đơn lẻ, độc giả nên chú ý hơn đến trình tự xác thực tương ứng: có tiêu chuẩn tác vụ có thể truy xuất trước, sau đó mới để kỹ sư xác nhận xem có muốn giữ lại kết quả hay không.

Ví dụ cụ thể nhất là một ca làm việc xuyên đêm: kỹ sư giao tác vụ cho AI Agent trước khi đi ngủ, và khi thức dậy, nó đã chạy liên tục khoảng tám giờ và vẫn đang tiếp tục tiến triển. Câu chuyện này không tự động suy ra rằng mọi đội ngũ đều có thể yên tâm giao quyền, nhưng nó mang lại định nghĩa thực tế hơn về "dài hạn" so với số vòng lặp: AI Agent có còn nhớ ranh giới tác vụ không, có tự kiểm tra thao tác của mình không, và có sẵn sàng thừa nhận không biết khi thiếu bằng chứng không. Đối với các đội ngũ đang tích hợp AI Agent vào việc di chuyển mã nguồn, xử lý sự cố hoặc đánh giá code, những điều này gần với điều kiện lên sóng (go-live) hơn là một bản demo.

Khi đọc, hãy coi đây là một danh sách kiểm tra nghiệm thu (acceptance checklist) thay vì tin tức về mô hình. Trước tiên hãy tự hỏi những ràng buộc nào trong tác vụ của bạn có thể được viết rõ ràng, kết quả nào có thể được xác nhận bởi bài kiểm tra hoặc con người; sau đó mới quyết định phạm vi quyền hạn của AI Agent. Khi đặt cùng với phương pháp huấn luyện ở bài thứ hai, bạn sẽ thấy cả hai quan tâm đến các vị trí khác nhau trong cùng một chuỗi liên kết: một bên kiểm tra xem có thể tin tưởng khi bàn giao hay không, một bên giải quyết cách để mô hình trải nghiệm đủ nhiều kỹ thuật thực tế có thể chạy được trong quá trình huấn luyện.

Đây cũng là lý do tại sao "làm việc liên tục tám giờ" không phải là một chỉ số năng lực có thể mua ngay. Đối với một đội ngũ, giá trị có thể là giảm bớt ca trực đêm khi di chuyển mã nguồn; đối với đội ngũ khác, đó lại là việc AI Agent dừng lại kịp thời khi không thể phán đoán, rồi chuyển nhật ký và giả thuyết cho kỹ sư trực ca. Trước khi đưa AI Agent dài hạn vào môi trường sản xuất, tốt nhất hãy chọn một loại công việc có phạm vi ảnh hưởng hạn chế, lộ trình khôi phục rõ ràng, ghi lại mỗi lần nó thay đổi điều gì, xác thực điều gì và khi nào yêu cầu hỗ trợ. Những ghi chép này không chỉ giúp con người kiểm tra mà còn giúp các mô hình sau này so sánh không chỉ dừng lại ở điểm số kết quả.

Bài viết không đưa ra một ngưỡng ủy quyền có thể sao chép, đây chính là phần giá trị của nó. Rủi ro kho mã nguồn, độ bao phủ kiểm tra, cách triển khai và khả năng kiểm tra của đội ngũ đều khác nhau, niềm tin phải được chia nhỏ thành các điều kiện cụ thể. Bằng chứng quá trình có thể quan sát được, chẳng hạn như đã tìm kiếm những tệp nào, tại sao loại trừ một nguyên nhân gốc rễ, bài kiểm tra nào chưa chạy, thường hỗ trợ việc bàn giao tốt hơn câu "đã hoàn thành" cuối cùng của AI Agent. Biến những bằng chứng này thành sản phẩm mặc định cũng giúp việc thất bại được xem xét lại nhanh chóng, thay vì chỉ để lại một kết quả khó tái hiện.

★ Phân tích chuyên sâu 2: KAT-Coder-V2.5 chính thức ra mắt: Từ "viết code" đến "làm kỹ thuật", năng lực Agentic được nâng cao toàn diện

Cách Kuaishou kể về KAT-Coder-Pro V2.5 bắt đầu bằng một yêu cầu phát triển rất quen thuộc: liệu có thể giao toàn bộ issue cho mô hình, để nó định vị, sửa đổi, chạy kiểm tra và tự khắc phục trong một kho lưu trữ xa lạ không? Đây là tác vụ ở cấp độ khác so với việc hoàn thiện từng tệp tin. Mô hình phải hiểu các yêu cầu mơ hồ, tìm ra nhiều điểm thay đổi, tuân thủ các quy ước thiết kế hiện có và xử lý các bài kiểm tra thất bại; nếu bất kỳ bước nào bị lỗi, câu "đã tạo mã" cuối cùng không thể đại diện cho việc hoàn thành kỹ thuật. Xem chi tiết tại [link].

Bài viết đặt nút thắt cổ chai vào môi trường huấn luyện thay vì chỉ vào tham số hoặc lượng dữ liệu. Họ đề xuất AutoBuilder: AI Agent phân tích cấu trúc kho lưu trữ, tạo tập lệnh cấu hình, xác thực trong sandbox cô lập xem bài kiểm tra có thực sự thực thi không, và tiếp tục lặp lại khi thất bại. Bài viết cho biết quy trình này đã tăng tỷ lệ xây dựng môi trường thành công từ khoảng 16,5% lên 57,2%, và hình thành môi trường huấn luyện bao phủ 12 ngôn ngữ, hơn 100.000 kho lưu trữ có thể chạy và xác thực được. Các con số này đến từ bên phát hành, vẫn cần được hiểu kết hợp với việc tái hiện độc lập và điều kiện đánh giá cụ thể; tuy nhiên, logic kỹ thuật "làm cho đề bài chạy được trước" rất rõ ràng.

Đáng chú ý hơn là cách họ xử lý các dấu vết thất bại. Huấn luyện không chỉ để lại các mẫu làm đúng cuối cùng: nếu mô hình đã định vị được tệp liên quan, hướng đi đúng nhưng lại thất bại ở các quyết định quan trọng, đội ngũ sẽ nhận diện các dấu vết này thông qua lọc hành vi toàn quy trình, sau đó chạy lại với các gợi ý (prompt) nhắm mục tiêu. Bài viết cho biết khoảng 20% các mẫu này có thể được chuyển đổi thành dữ liệu hoàn chỉnh, có thể tái hiện. Đối với các tác vụ dài hạn, điều này gần với quá trình gỡ lỗi của con người hơn là vứt bỏ mọi thất bại: nếu lỗi có thể được định vị và xác thực, nó cũng có thể trở thành tín hiệu cho quyết định tiếp theo.

Phần Agentic chung áp dụng cùng một tư duy. KwaiClawEnv tách biệt công cụ, tác vụ và đánh giá: mở rộng kho công cụ bằng các dịch vụ có thể triển khai, tạo ra các biến thể có phụ thuộc và ràng buộc từ các tác vụ kinh doanh thực tế, sau đó sàng lọc dấu vết thực thi bằng các quy tắc cứng và đánh giá của mô hình. Tác vụ tạo báo cáo được nêu trong bài viết yêu cầu hơn mười vòng tương tác, và yêu cầu dữ liệu chỉ lấy từ tệp đính kèm, định dạng và sắp xếp đều bị hạn chế; điều này cho thấy "có thể điều khiển một công cụ" vẫn còn một chặng đường dài so với "giữ vững toàn bộ quy trình làm việc".

Thiết kế học tăng cường (Reinforcement Learning) cuối cùng cũng phục vụ mục tiêu này: mô hình chỉ thấy thông tin mà môi trường triển khai cung cấp khi thực thi, trong khi Critic trong quá trình huấn luyện có thể tham khảo các kết quả bổ sung như bài kiểm tra có vượt qua không, chất lượng bản vá, v.v., để phân bổ phản hồi cho các bước cụ thể trong chuỗi dài. Dù điểm số cụ thể thay đổi thế nào trong các bài đánh giá sau này, bài viết này cung cấp một lộ trình huấn luyện có thể kiểm tra: môi trường có thực sự chạy được không, thất bại có được tận dụng có chọn lọc không, phần thưởng có bao phủ cả kết quả và quá trình không. Nếu bạn đang xây dựng coding agent nội bộ, hãy bắt đầu từ tỷ lệ tái hiện của kho lưu trữ và ghi chép mẫu thất bại của chính mình, thay vì vội vàng đuổi theo bảng xếp hạng chung.

Bài viết ra mắt cũng liệt kê việc huấn luyện đa khung: các khung như mini-swe-agent, Claude Code, Codex, OpenClaw, v.v. đều khác nhau về giao thức công cụ, quản lý ngữ cảnh và luồng điều khiển. Ý định của họ là tránh việc mô hình chỉ thích nghi với một loại giàn giáo (scaffold); đối với người dùng, điều này cũng nhắc nhở rằng phương pháp nghiệm thu không thể chỉ tồn tại trong một harness duy nhất. Một thí nghiệm nhỏ thực tế có thể làm là: để cùng một tác vụ chạy dưới hai quyền hạn hoặc chiến lược nén ngữ cảnh khác nhau, so sánh không chỉ là ai hoàn thành nhanh hơn, mà còn bao gồm việc thất bại có thể giải thích được không, tệp tạm có được dọn dẹp không, thử lại có làm thay đổi phạm vi tác vụ không.

Từ dữ liệu huấn luyện đến đánh giá triển khai, ở giữa vẫn còn sự khác biệt thực tế về phiên bản, phụ thuộc và quyền hạn. Do đó, các kết quả SWE-Bench Pro, KAT Code Bench và đánh giá Agentic đa vòng được liệt kê trong bài viết phù hợp hơn để làm manh mối hiểu mục tiêu của bên phát hành, thay vì là kết luận thay thế cho kiểm tra nội bộ. Trước khi thực sự tích hợp, hãy chọn một loạt issue lịch sử, giữ lại tiêu chuẩn nghiệm thu gốc và các trường hợp thất bại, sau đó quan sát xem mô hình có trung thực bộc lộ các hạn chế dưới các phụ thuộc chưa biết, mô tả mơ hồ và kiểm tra không đầy đủ hay không. Điều này quyết định khả năng nó có thể đi vào quy trình của đội ngũ hay không tốt hơn là sao chép một điểm số công khai.

★ Phân tích chuyên sâu 3: Thời đại AI, sự trỗi dậy của gu thẩm mỹ, cảm giác chân thực và năng lực phán đoán của con người

Khi chi phí thực thi giảm xuống, phần khan hiếm của đội ngũ sản phẩm sẽ chuyển sang đâu? Trong bài phỏng vấn trên Lenny's Podcast, câu trả lời của người đứng đầu Instagram - Adam Mosseri - nằm ở "gu thẩm mỹ và phán đoán chiến lược". Gu thẩm mỹ ở đây không đơn giản là sở thích thẩm mỹ, mà là đưa ra chủ trương rõ ràng về lộ trình và sự đánh đổi của sản phẩm: nếu một chiến lược không có khả năng bị một người lý trí phản bác, thì nó rất có thể chỉ đang lặp lại những lời vô nghĩa như "làm tốt hơn" mà không thể hướng dẫn lựa chọn. Xem chi tiết tại [link].

Phán đoán này cũng thay đổi trí tưởng tượng về phân công tổ chức. Bài phỏng vấn đề cập rằng các công cụ AI cho phép các công việc vốn cần nhiều chức năng tiếp sức trước đây có thể được thúc đẩy bởi các đội ngũ nhỏ hơn, các thành viên cần sự hiểu biết rộng hơn về sản phẩm, thiết kế và dữ liệu. Đội ngũ nhỏ không có nghĩa là thiếu tính chuyên nghiệp; ngược lại, khi việc thực hiện trở nên dễ dàng hơn, ai là người định nghĩa vấn đề, từ chối yêu cầu nào, chấp nhận rủi ro nào sẽ quyết định trực tiếp sản phẩm có định hướng hay không. Đối với người phụ trách, đây là lời nhắc nhở: sau khi tích hợp công cụ hiệu quả vào quy trình, không được thuê ngoài cả việc ra quyết định cho công cụ.

Hệ thống đề xuất là một ví dụ cụ thể khác. Hệ thống truyền thống thường ánh xạ tương tác người dùng thành các vector không gian cao, hệ thống có thể sử dụng các vector này để sắp xếp, nhưng người dùng khó biết tại sao mình nhận được loại nội dung nào đó. Mosseri mô tả một lộ trình khả thi: nhờ LLM dịch các sở thích khó giải thích thành các khái niệm quan tâm có thể hiểu được, cho phép người dùng xem, điều chỉnh và thậm chí xóa chúng. Nó không đảm bảo đề xuất sẽ chính xác hơn, nhưng biến "tính giải thích được" từ chỉ số hậu trường thành vấn đề giao diện mà người dùng có thể tham gia.

Điều này cũng làm cho cuộc thảo luận về nội dung tổng hợp (synthetic content) có thêm một lớp điều kiện thực tế. Bài phỏng vấn không chủ trương loại bỏ đơn giản nội dung AI, mà cho rằng khi nội dung tổng hợp tăng lên, mọi người sẽ quan tâm hơn đến việc người đăng là ai, có chân thực không, lập trường sáng tạo là gì. Do đó, định danh và nhãn dán rõ ràng đã trở thành công cụ để người dùng đánh giá niềm tin. Đối với nền tảng nội dung, chìa khóa không chỉ là có thể tạo ra nhiều tài liệu hơn hay không, mà là có thể để người dùng nhận diện nguồn gốc, bày tỏ sở thích và giữ lại lựa chọn rút lui hay không.

Nó và hai bài trước không nhất thiết phải bị ép buộc thành cùng một xu hướng: hai bài trước thảo luận về cách AI Agent được huấn luyện, xác thực và ủy quyền, bài này tập trung vào cách con người nên phán đoán trong hệ thống sản phẩm. Nhưng chúng chia sẻ một cảm giác ranh giới hữu ích. AI Agent càng có khả năng thực thi, càng cần làm rõ ai chịu trách nhiệm thiết lập các mục tiêu có thể kiểm tra, giải thích hành vi hệ thống và chịu trách nhiệm đánh đổi. Sau khi đọc xong, quản lý sản phẩm và đội ngũ nội dung có thể thực hiện một cuộc kiểm tra nhỏ với các tính năng đề xuất hoặc tự động hóa của mình: những sở thích nào có thể cho người dùng thấy? Những chủ trương chiến lược nào thực sự có thể bị phản bác và xác thực?

"Tính có thể phản bác" ở đây đặc biệt đáng được giữ lại. Nó không yêu cầu đội ngũ cố tình tạo ra tranh cãi, mà yêu cầu chiến lược có thể nói rõ đã chọn cái gì, bỏ cái gì, và cho phép dữ liệu và phản hồi người dùng lật ngược nó. Ví dụ, viết mục tiêu đề xuất là nâng cao tỷ lệ quay lại lâu dài của một loại nội dung nào đó, thì cũng nên giải thích đồng thời sẽ hy sinh chỉ số ngắn hạn nào, ai xử lý sai lệch; lấy định danh làm công cụ niềm tin, cũng phải giải thích cách khiếu nại khi định danh sai. AI giảm chi phí làm thử một giao diện, nhưng không giảm mức độ cần phải chịu trách nhiệm cho những vấn đề này.

Đối với độc giả, bài phỏng vấn này cũng cung cấp một cách sử dụng giản dị hơn: đừng hiểu "gu thẩm mỹ" là trực giác cá nhân không thể thảo luận. Hãy viết một phán đoán sản phẩm thành giả thuyết có thể kiểm tra, liệt kê bằng chứng mà người phản đối nó có thể đưa ra, sau đó quyết định xem dữ liệu nào trong vòng thử nghiệm tiếp theo, thì gu thẩm mỹ mới chuyển từ khẩu hiệu thành ngôn ngữ hợp tác. Tính minh bạch của đề xuất cũng vậy, cho người dùng một nhãn sở thích là chưa đủ; nhãn có thể được xóa sửa không, sau khi sửa có tạo ra thay đổi có thể thấy được không, mới quyết định giải thích có thực sự hữu ích hay không.

Điều này sẽ làm cho tự động hóa trở thành tài liệu hỗ trợ phán đoán, thay vì giấu chính phán đoán vào hệ thống không thể truy vấn, đồng thời cho phép đội ngũ điều chỉnh hướng đi và phân định trách nhiệm rõ ràng khi kết quả không như mong đợi, liên tục xem xét lại.

Điểm tin nhanh

Mô hình tiền huấn luyện "nguyên bản hiện thân" (embodied native) đầu tiên trên thế giới ra mắt, tạo não bộ cho robot từ thế giới vật lý!

QuantumBit giới thiệu LingBot-VA 2.0 của Ant Lingbo, tập trung vào khả năng dự đoán thay đổi vật lý của mô hình Video-Action, thay vì chỉ phản ứng theo khung hình hiện tại. Bài viết liệt kê các chỉ số của bên phát hành như tỷ lệ thành công tác vụ hai tay 93.6% và suy luận 150Hz trên một GPU, đồng thời dùng cảnh khúc côn cầu trên băng để giải thích tại sao điều khiển cần ước tính quỹ đạo trước. Muốn hiểu "mô hình thế giới" cụ thể có nghĩa là gì trong điều khiển robot, có thể mở ngay Xem chi tiết; nếu chỉ quan tâm đến bằng chứng thực tế, khuyến nghị chú ý đồng thời đến thiết lập tác vụ thực tế của nó.

Từ mô hình đến Harness: WorkBuddy biến Agent thành sản phẩm có thể sử dụng như thế nào

WorkBuddy của Tencent phân tích từ phía sản phẩm rằng sự ổn định của Agent đến từ đâu: ngoài mô hình, việc tổ chức ngữ cảnh, tích hợp công cụ và quyền hạn, xác thực kết quả, sửa lỗi phản hồi và duy trì xuyên suốt phiên làm việc đều ảnh hưởng đến việc bàn giao. Bài viết đặt Context Engineering, Memory, Harness và Loop vào cùng một chuỗi vận hành, phù hợp với các đội ngũ đang chuyển từ thử nghiệm prompt sang công cụ nội bộ. Cần sắp xếp khung thực hiện có thể Xem chi tiết ngay; độc giả đã có nền tảng trưởng thành có thể lưu lại trước, dùng nó để kiểm tra các khâu mình còn thiếu.

Tạo dữ liệu tổng hợp bằng NVIDIA NeMo cho nghiên cứu AI tài chính

NVIDIA đưa ra một quy trình dữ liệu tổng hợp để bổ sung các danh mục đuôi dài của văn bản tài chính: sử dụng NeMo Data Designer để tổ chức tạo, dùng Curator để khử trùng lặp ngữ nghĩa, và nhờ mô hình Nemotron để tạo tiêu đề. Mục tiêu của trường hợp này là xây dựng 500.000 tiêu đề tin tức tài chính không trùng lặp trên 12 chủ đề và một danh mục "khác", phản hồi lại vấn đề tin tức thực tế tập trung quá mức vào báo cáo tài chính và sự kiện giá cổ phiếu. Độc giả làm bộ dữ liệu lĩnh vực dọc có thể Xem chi tiết ngay, tập trung xem việc lặp lại và khử trùng lặp cùng duy trì sự đa dạng như thế nào.

Ý thức × Loop: Thực tiễn tốt nhất để Loop tự tiến hóa xuyên phiên làm việc

Alibaba Tech gọi kinh nghiệm Agent xuyên phiên làm việc là "tầng ý thức", và giải thích bằng AGENTS.md, MEMORY.md, USER.md về cách sổ tay công việc, bộ nhớ và hồ sơ người dùng giúp Loop dài hạn không cần học lại mỗi lần. Bài viết dùng khảo sát công ty FDE để giải thích các yêu cầu cứng trong đó: số liệu cần kiểm tra chéo, phán đoán cần phân biệt khẩu độ, kinh nghiệm phải được đọc trong tác vụ tiếp theo. Nếu tự động hóa của bạn thường lặp lại lỗi cũ trong phiên mới, có thể Xem chi tiết ngay; nó giống bài viết phương pháp thực hành hơn, phù hợp để dành thời gian đối chiếu từng bước.

[Bí mật] Làm thế nào để xây dựng một quân đoàn AI vẫn bàn giao công việc lúc 3 giờ sáng

Đội ngũ kỹ thuật Tencent giới thiệu ý tưởng hợp tác đa Agent của Multica: nhu cầu, sửa lỗi, kiểm tra và nghiệm thu không còn phụ thuộc vào con người đánh thức từng vai trò tiếp theo, mà hệ thống mang theo ngữ cảnh để đẩy công việc đến các nút thông báo, làm lại hoặc xác nhận. Thông tin hiệu quả của bài viết không nằm ở tiêu đề phóng đại, mà ở cách quy trình làm việc cấp tổ chức được phân bổ, kết nối và giữ lại sự hỗ trợ của con người. Đối với độc giả đang thiết kế điều phối đa Agent, khuyến nghị Xem chi tiết và tập trung kiểm tra khâu xử lý ngoại lệ và nghiệm thu của mình; độc giả khác có thể đọc sau.

Tuần san người yêu công nghệ (Kỳ 403): Tại sao Dropbox không thành công

Ruan Yifeng lấy Dropbox làm ví dụ, truy vấn tại sao nó đi từ người tiên phong về ổ đĩa đám mây đến đình trệ tăng trưởng: bài viết cho rằng chìa khóa nằm ở việc định vị mình là công cụ người tiêu dùng, thay vì công cụ năng suất doanh nghiệp, và tổng hợp các động thái kỹ thuật và tài nguyên trong tuần. Phán đoán này chưa chắc đã bao quát hết tình cảnh công ty, nhưng phù hợp để làm câu hỏi ngược về "định vị sản phẩm có theo kịp thay đổi giá trị người dùng không". Muốn chuyển từ chủ đề kỹ thuật AI sang lịch sử sản phẩm, có thể Xem chi tiết ngay; các liên kết còn lại của tuần san phù hợp để chọn lọc theo sở thích sau.

Chi phí suy luận AI lần đầu được tính toán rõ ràng: Tỷ lệ sử dụng GPU dưới 52%, tuyệt đối đừng tự xây dựng!

InfoQ tiếng Trung sử dụng mô hình chi phí năm chiều để so sánh tự xây dựng suy luận với API, và lấy tỷ lệ sử dụng khoảng 52% làm điểm hòa vốn trong trường hợp nghiên cứu, kèm theo phân tích độ nhạy Monte Carlo và tình huống tính toán của một công ty dịch vụ khách hàng AI. Kết luận này phụ thuộc vào giả định về thiết bị, khấu hao, lập lịch và tải kinh doanh, không thể áp dụng trực tiếp cho mọi công ty; nơi hữu ích thực sự của nó là yêu cầu đội ngũ đo lường tỷ lệ sử dụng của chính mình trước. CTO chuẩn bị đánh giá cách triển khai có thể Xem chi tiết ngay, thay các biến trong đó bằng dữ liệu nội bộ rồi mới quyết định.

Đọc bổ sung

Phổ cập kiến thức vạn chữ: Một nghìn "mô hình thế giới" đang ra mắt, rốt cuộc mô hình thế giới là gì?

Founder Park tổng hợp quan điểm của Li Fei-Fei và Packy McCormick, v.v., chia "mô hình thế giới" thường bị dùng lẫn lộn thành ba loại vấn đề: thế giới kết xuất, thế giới mô phỏng và hành động trong thế giới, đồng thời nhìn lại các thách thức về dữ liệu và triển khai. Nó có thể bổ sung một khung định nghĩa không chạy theo xu hướng cho cuộc thảo luận về LingBot-VA; muốn phân biệt ranh giới thuật ngữ trong quảng cáo sản phẩm, có thể Xem chi tiết.

Xây dựng tương lai cơ sở hạ tầng thông minh: Claude Platform tiến tới năng lực cấp tổ chức như thế nào

Đội ngũ Claude Platform thảo luận về Agent được quản lý, ranh giới định danh, MCP và harness nhẹ hơn, cho rằng việc áp dụng của tổ chức vẫn phải trải qua kiểm tra an toàn, tuân thủ, đánh giá và ROI. Bài viết cũng nhắc nhở rằng Agent chạy theo kết quả và ngân sách sẽ mang lại rủi ro phối hợp và độc lập quá mức; đo lường tốc độ cá nhân trước, sau đó xem năng suất đội ngũ là lộ trình thực tế hơn trong đó. Quan tâm đến sự phát triển cơ sở hạ tầng cấp doanh nghiệp có thể Xem chi tiết.

Sử dụng công cụ AI để mở ra phương thức thiết kế hoàn toàn mới: Từ Agent mã hóa đến hệ thống thương hiệu có thể lặp lại

Phỏng vấn thiết kế của Y Combinator cho thấy cách Agent mã hóa phối hợp với hình ảnh tham khảo, brief chi tiết và các điều khiển tương tác để khám phá bố cục, hiệu ứng động và hệ thống thương hiệu. Nó giữ lại phán đoán thẩm mỹ của con người trong vòng lặp lặp lại, vừa vặn cung cấp một phiên bản thực hành thiết kế cho gu thẩm mỹ sản phẩm mà Mosseri đã nói. Độc giả thiết kế và sản phẩm có thể Xem chi tiết.

Công cụ tốt hơn lại làm cho việc đánh giá code của Copilot tệ đi. Dưới đây là cách chúng tôi cải tiến thực tế.

GitHub ghi lại một sự thoái lui đánh giá code phản trực giác: sau khi đổi sang công cụ khám phá được bảo trì tốt hơn, chi phí tăng lên, vấn đề phát hiện được ít đi; sau khi viết lại chỉ thị để Agent thu hẹp phạm vi từ diff rồi mới đọc tệp, chi phí trung bình giảm khoảng 20%, chất lượng giữ nguyên. Nó là ví dụ ngắn cho "ngoài công cụ còn phải xác thực quy trình làm việc" của Phân tích chuyên sâu 1, có thể Xem chi tiết.

17 phán đoán của một nhà đầu tư về hiện thân, mô hình và sức mạnh tính toán

Tencent Tech tổng hợp 17 quan sát của nhà đầu tư Zhou Zhifeng về trí tuệ hiện thân, mô hình lớn và sức mạnh tính toán, trong đó bao gồm nút thắt dữ liệu, lợi thế Trung - Mỹ và nhịp độ đầu tư "nhanh nửa bước". Nó cung cấp góc nhìn đầu tư thay vì xác thực kỹ thuật, phù hợp để dùng để phân biệt tường thuật ngành và chỉ số có thể xác thực sau khi đọc xong nội dung về robot và cơ sở hạ tầng. Có thể Xem chi tiết.

Nhanh nhất nửa năm AI chạy được tự tiến hóa? Trò chuyện với nhà khoa học trưởng của Chen Tianqiao về vùng đất tranh giành mô hình ở Thung lũng Silicon

Silicon Valley 101 phỏng vấn nhà khoa học của Apodex, thảo luận về mục tiêu tự nâng cao đệ quy, trôi đệ quy, giám sát và gu thẩm mỹ, v.v., và đề xuất "mô hình khám phá" nên có khả năng đưa ra giả thuyết và xác thực. Về thời gian biểu vẫn thuộc phán đoán của người được phỏng vấn, giá trị nằm ở việc nó đưa sự tự nâng cao trở lại năng lực xác thực. Muốn đọc mở rộng có thể Xem chi tiết.

Lộ trình đọc hôm nay

Khi thời gian có hạn, hãy đọc bài phỏng vấn của Cognition trước, thiết lập góc nhìn nghiệm thu "kết quả nào đáng tin cậy"; tiếp theo đọc KAT-Coder-V2.5, hiểu cách môi trường có thể chạy được và dấu vết thất bại đi vào huấn luyện như thế nào; cuối cùng nghe bài phỏng vấn của Mosseri, đặt sự thay đổi năng lực kỹ thuật trở lại chiến lược sản phẩm và lựa chọn minh bạch đề xuất.

Nếu chỉ chuẩn bị mở một bài, khuyến nghị bắt đầu từ Cognition, sau đó chọn phương pháp huấn luyện của Kuaishou hoặc bài phỏng vấn phán đoán sản phẩm tùy theo vị trí công việc của bạn. Có thể suy nghĩ: AI Agent của bạn hiện thiếu nhất là môi trường có thể xác thực, hay quyền hạn và ranh giới nghiệm thu rõ ràng? Khi hệ thống đề xuất giải thích sở thích, người dùng có thể thực sự sửa đổi kết quả không? Chào mừng bạn để lại bình luận sau khi đọc xong, chia sẻ quy trình làm việc và câu trả lời mà bạn đang thử nghiệm.

👉 Bản tin sáng gần đây

• BestBlogs Bản tin sáng · 10/07/2026

• BestBlogs Bản tin sáng · 09/07/2026

• BestBlogs Bản tin sáng · 08/07/2026

• BestBlogs.dev Kỳ 103: Tín hiệu mới của hệ thống

• BestBlogs.dev Kỳ 102: Hóa đơn của trí tuệ

• BestBlogs.dev Kỳ 101: Chậm lại mới có thể nhanh hơn

BestBlogs là trợ lý đọc tin cá nhân được vận hành bởi AI, giúp bạn khám phá nội dung chất lượng cao thực sự phù hợp với mình, theo dõi các nguồn và chủ đề bạn quan tâm, tạo ra một "Bản tin sáng của tôi" phù hợp hơn với chính bạn mỗi ngày, hoan nghênh bạn trải nghiệm và theo dõi chúng tôi.