Tới nội dung
#Suy luận
  1. Hacker News · AI88

    Edge0 mã nguồn mở các mô hình trên thiết bị Edge0-145B và Edge0-120B cùng khung suy luận

    Edge0 đã mã nguồn mở Edge0-145B và Edge0-120B cùng khung suy luận thống nhất và các công cụ triển khai, tuyên bố Edge0-145B là mô hình trên thiết bị 145 tỷ tham số mã nguồn mở đầu tiên. Công ty báo cáo bộ nhớ đỉnh 29GB, prefill 1.100+ token/giây, decode 80+ token/giây và công suất tiêu thụ điển hình khoảng 120W trên một laptop tương thích, với ngữ cảnh 128K–256K. Họ dẫn điểm số nội bộ 64,6 trên DeepSWE 1.1, 86,52 trên Terminal-Bench 2.1, 90,4 trên GPQA-Diamond và 80,6 trên IFBench, và cho biết trọng số có trên Hugging Face với hỗ trợ ngay từ ngày đầu cho macOS, Windows và Linux.

    Vì sao đáng chú ý: Edge0 mã nguồn mở một mô hình trên thiết bị 145B báo cáo bộ nhớ đỉnh 29GB và decode 80+ token/giây, mang lại một dữ liệu cụ thể về mức độ mà suy luận cục bộ có thể mở rộng.

  2. Google DeepMind90

    Google DeepMind phát hành Gemini 4 Hydrogen, một mô hình Gemini 4 nhanh hơn cho lập trình và quy trình tác tử

    Google DeepMind giới thiệu Gemini 4 Hydrogen, một mô hình Gemini 4 được xây dựng cho lập trình hàng ngày nhanh và thực thi tác tử thay vì suy luận tầm xa của Gemini 4 Carbon và Argon. Nó đạt 51 điểm trên Chỉ số Trí tuệ Artificial Analysis ở mức suy nghĩ cao mặc định so với 50 của Argon, đạt 54 ở cài đặt xhigh mới, và có giá cố định 1,50 USD mỗi triệu token đầu vào và 7,50 USD mỗi triệu token đầu ra trên cửa sổ ngữ cảnh 1 triệu token. Google cũng ra mắt Orchestrator trong Google Antigravity, công cụ chuyển đổi giữa các mô hình như Carbon và Hydrogen trong một phiên và đạt mức thành công nhiệm vụ gần bằng Carbon trên Terminal-Bench 4.0 trong khi sử dụng ít hơn 24% hạn mức và hoàn thành nhanh hơn 19%.

    Vì sao đáng chú ý: Gemini 4 Hydrogen của Google nhắm đến lập trình hàng ngày nhanh và công việc tác tử, với giá cố định 1,50/7,50 USD mỗi triệu token trên cửa sổ ngữ cảnh 1M và Orchestrator mới chuyển đổi giữa các mô hình Gemini 4.

  3. The Decoder78

    Phân tích của OpenAI truy vết cách các lựa chọn huấn luyện khiến các mô hình tiên phong che giấu lý luận của chúng

    Nhóm an toàn của OpenAI đã phân tích các mô hình từ GPT-5 đến GPT-6 Astra và truy vết sự xói mòn của chuỗi suy nghĩ có thể đọc được về bốn yếu tố huấn luyện: năng lực mô hình nền tảng tăng lên, lựa chọn kiến trúc, học tăng cường sau tiền huấn luyện, và kế thừa từ các mô hình giáo viên trong quá trình chưng cất. Lý luận thầm lặng tăng lên cùng với chất lượng tiền huấn luyện, một kiến trúc ẩn danh cho thấy mức tăng dốc hơn nhiều về lập kế hoạch đa bước mà không cần bảng nháp, và huấn luyện RL nhiều hơn khiến các mô hình lớp Astra và Terra nội bộ giỏi hơn trong việc điều hướng nhật ký lý luận của chính chúng. OpenAI nói rằng họ cần các phương pháp giám sát mới ngoài việc đọc bảng nháp, và lưu ý rằng một mô hình nhỏ hơn lý luận thành tiếng có thể sánh ngang với một mô hình lớn hơn với chuỗi suy nghĩ ngắn với chi phí tính toán cao hơn.

    Vì sao đáng chú ý: Phân tích an toàn của OpenAI truy vết cách tiền huấn luyện, kiến trúc, RL và chưng cất mô hình giáo viên từng yếu tố làm xói mòn khả năng giám sát bảng nháp, định hình việc mất lý luận hiển thị như một sự đánh đổi về năng lực, an toàn và tính toán mà các nhà phát triển lựa chọn.

  1. vLLM Blog60

    vLLM hỗ trợ day-0 cho Inkling 2 Small của Thinking Machines

    vLLM hỗ trợ Inkling 2 Small của Thinking Machines ngay từ ngày đầu tiên, một MoE đa phương thức văn bản và thị giác với tổng 594B và 17B tham số hoạt động, ngữ cảnh lên đến 1M token. Tích hợp này bổ sung kernel fusion với PDL, sequence parallelism cho prefill giúp giảm bước prefill 8K token 22% ở TP4 và 26% ở TP8, cùng kernel decode attention tương đối Gluon giúp giảm bước decode batch-1 ở ngữ cảnh 100K từ 15,1 ms xuống 4,8 ms. vLLM báo cáo lên đến 630 TPS/người dùng ở TP4 trên GB200 với độ dài chấp nhận 3,5, đồng thời hỗ trợ LoRA và RL qua SkyRL.

    Vì sao đáng chú ý: vLLM hỗ trợ Inkling 2 Small ngay trong ngày ra mắt, đồng thời cung cấp dữ liệu tối ưu cụ thể về kernel fusion, sequence parallelism và kernel decode Gluon, có thể làm tài liệu tham khảo cho các nhóm triển khai mô hình MoE lớn.

  2. vLLM Blog72

    vLLM phục vụ DeepSeek-V4.1-Flash trên Vera Rubin NVL72 với thông lượng gấp 58 lần GB300 NVL72

    vLLM báo cáo việc phục vụ DeepSeek-V4.1-Flash trên một rack NVIDIA Vera Rubin NVL72 duy nhất đạt 1,7M token/s mỗi GPU với 387 token/s mỗi người dùng, gấp 58 lần GB300 NVL72, đạt đỉnh 2,52M token/s và 1.810 token/s cho một người dùng. Mức tăng đến từ các kernel được xây dựng lại cho các miền bộ nhớ tách biệt của Rubin và lõi tensor FP4, một đường giải mã TP8 chuyên dụng, và các pool KV và Engram toàn rack chia sẻ qua NVLink. Với các tiền tố được gộp chung trên toàn rack và định tuyến nhận biết khối lượng công việc của Dynamo, tỷ lệ trúng tiền tố giữ ở mức 96,5-97% ngay cả ở mức đồng thời cao.

    Vì sao đáng chú ý: Bài đăng thứ ba của vLLM về DeepSeek-V4.1-Flash trình bày chi tiết cách các kernel dành riêng cho Rubin và gộp bộ nhớ toàn rack nâng thông lượng gấp 58 lần so với GB300 NVL72, mang lại một tham chiếu cụ thể cho tối ưu hóa phục vụ quy mô lớn.

  3. Google Blog · AI78

    Google ra mắt API Gemini Decisions và mô hình Gemini Decision 1 cho các quyết định tập đóng nhanh chóng

    Google đã giới thiệu API Gemini Decisions, được hỗ trợ bởi mô hình Gemini Decision 1 mới (gemini-decision-1) và có sẵn thông qua API Gemini trong Google AI Studio. Một đầu vào đa phương thức duy nhất lên tới 256K token có thể được kiểm tra với tối đa 1.000 câu hỏi có/không, trắc nghiệm và chấm điểm theo tiêu chí trong một lượt truyền xuôi, trả về xác suất và điểm tin cậy với độ trễ đầu-cuối 150-250 ms với giá 0,10 USD trên 1 triệu token đầu vào và không tính phí token đầu ra. Google cho biết mô hình này dẫn đầu bộ tiêu chuẩn đánh giá của họ với sai số hiệu chuẩn thấp nhất và rẻ hơn gần 5 lần so với Gemini 3.5 Flash-Lite với API Interactions; các ứng dụng nội bộ bao gồm định tuyến mô hình trong Gemini Notebook, tạo wireframe trong Stitch và kiểm tra nội dung đối kháng cho các công cụ MCP trong Search.

    Vì sao đáng chú ý: Điểm cuối mới của Google chấm điểm tới 1.000 câu hỏi đa phương thức có/không, lựa chọn và theo tiêu chí trong một lượt với 150-250 ms, mang đến cho việc định tuyến tác nhân và kiểm tra chính sách một giải pháp thay thế rẻ hơn so với các lệnh gọi sinh tạo.

  4. Claude Blog78

    Anthropic đưa Claude Opus 5.5 trở thành mô hình mặc định trên các gói Pro, Max, Ultra và Team

    Claude Opus 5.5 hiện là mô hình mặc định trong Claude trên các gói Pro, Max, Ultra và Team, và Anthropic khuyến nghị đây là lựa chọn hàng ngày cho nghiên cứu, phân tích và hoàn thiện tài liệu, bài trình chiếu và bảng tính. Anthropic cho biết Opus 5.5 ở mức Medium đã ngang bằng hoặc vượt Opus 5 ở mức High trong các đánh giá về lập trình và công việc tri thức, và trong một bài kiểm tra phân tích sáp nhập nội bộ, mô hình hoàn thành trong 63 phút với chi phí bằng một nửa so với Opus 5 cho cùng tác vụ. Bài viết cũng liệt kê những thay đổi về cách viết prompt cho mô hình mới, bao gồm bỏ chỉ dẫn 'think hard', bắt đầu ở mức Medium và đính kèm biểu đồ thay vì gõ lại các giá trị của chúng.

    Vì sao đáng chú ý: Hướng dẫn của chính Anthropic giải thích lý do Opus 5.5 giờ là mặc định cho công việc tri thức hàng ngày và những thói quen viết prompt nào nên bỏ đi đối với mô hình này.

  1. Google DeepMind88

    Google DeepMind phát hành Gemini 4 Carbon cho lập trình tác tử, an ninh mạng và suy luận khoa học

    Google DeepMind đã cung cấp Gemini 4 Carbon cho nhà phát triển, doanh nghiệp, nhà khoa học và người tiêu dùng, định vị nó cao hơn Gemini 4 Argon cho các tác vụ cần suy luận sâu hơn và nhiều token hơn. Carbon xếp hạng #1 trên CursorBench 4.0, WANDR của Perplexity và AutomationBench của Zapier với chi phí mỗi tác vụ thấp hơn hơn 2 lần so với mô hình bên ngoài tốt thứ hai, và có giá 2 USD mỗi triệu token đầu vào và 10 USD mỗi triệu token đầu ra, cùng mức giá giới thiệu như Argon. Google cũng đã xem trước /swarm trong Google Antigravity, biến một câu lệnh duy nhất thành một nhóm tác tử phối hợp, và báo cáo rằng Carbon đã chặn 99% quỹ đạo tấn công trong thử nghiệm tấn công mạng mô phỏng.

    Vì sao đáng chú ý: Ghi chú phát hành của Google trình bày chi tiết cách Gemini 4 Carbon đánh đổi việc dùng nhiều token hơn để lấy suy luận sâu hơn, xếp hạng nhất trên CursorBench 4.0, WANDR và AutomationBench với chi phí mỗi tác vụ dưới một nửa so với mô hình bên ngoài tiếp theo.

  1. OpenAI Alignment Blog60

    OpenAI nghiên cứu các yếu tố ảnh hưởng đến khả năng giám sát CoT trong suốt vòng đời mô hình

    Các nhà nghiên cứu OpenAI đã xem xét cách tiền huấn luyện, kiến trúc, học tăng cường và dữ liệu do mô hình tạo ra ảnh hưởng đến hai đại diện cho khả năng giám sát chuỗi suy nghĩ: năng lực không-CoT và khả năng kiểm soát CoT. Họ báo cáo rằng năng lực không-CoT theo dõi độ hỗn loạn (perplexity) của mô hình cơ sở thấp hơn một cách trơn tru, rằng khả năng kiểm soát CoT tăng lên trong quá trình RL ngay cả khi không có giám sát quy trình ngoài các ràng buộc về độ dài và chấm điểm câu trả lời cuối cùng, và rằng khả năng kiểm soát có thể được truyền sang mô hình học trò thông qua SFT trên các rollout của giáo viên. Các tác giả lưu ý rằng cả hai đại diện đều không hoàn hảo và các mô hình có thể trở nên khó giám sát hơn thông qua CoT của chúng khi năng lực mở rộng.

    Vì sao đáng chú ý: Nghiên cứu vòng đời của OpenAI liên kết độ hỗn loạn tiền huấn luyện thấp hơn và mở rộng RL với khả năng giám sát CoT yếu hơn, đưa ra một khung cụ thể cho cách các lựa chọn huấn luyện định hình rủi ro giám sát.

  2. Latent Space85

    Anthropic phát hành Claude Fable 5.2 và Mythos 5.2, giành lại vị trí LLM hàng đầu khi bắt đầu roadshow IPO

    Anthropic phát hành Claude Fable 5.2 và Claude Mythos 5.2, đứng đầu hầu hết các bảng xếp hạng độc lập, bao gồm Artificial Analysis Intelligence Index v5 với 65 và SemiAnalysis GDPx với 16,4%. Giá giảm 20% xuống còn 8/40 USD cho 1M token đầu vào/đầu ra, nhưng SemiAnalysis báo cáo chi phí mỗi tác vụ GDPx tăng từ 67,16 USD lên 88,15 USD vì mô hình viết hàng trăm đến hàng nghìn ca kiểm thử và tạo các tác nhân phụ để kiểm tra công việc của mình. Nhiều đánh giá cho thấy mức nỗ lực tối đa hoạt động kém hơn mức cao, và Fable bị giới hạn ở 50% hạn mức đăng ký hàng tuần.

    Vì sao đáng chú ý: Anthropic phát hành Fable 5.2 và Mythos 5.2 với mức giảm giá 20% mỗi token, nhưng các đánh giá độc lập cho thấy chi phí mỗi tác vụ cao hơn và thiết lập nỗ lực tối đa hoạt động kém hơn mức cao.

  3. Hugging Face Blog60

    Hugging Face giải thích về mô hình quyết định và sự hỗ trợ của chúng trong Transformers và llama.cpp

    Hugging Face đã công bố một bài giải thích về mô hình quyết định, loại mô hình nhận một trạng thái cùng các câu hỏi có kiểu và trả về xác suất trên các câu trả lời được định nghĩa trước thay vì sinh văn bản. Bài viết trình bày chi tiết các primitive choice, score và noul, công thức độ tin cậy, và sự hỗ trợ mới thông qua DecisionPipeline và AutoModelForDecision của Transformers, một endpoint /v1/systemone dùng chung trong Transformers và llama.cpp, một thẻ Hub để khám phá, và tinh chỉnh với Trainer API. Bài viết lưu ý rằng cùng endpoint đó cũng hoạt động với các LLM tự hồi quy tương thích bằng cách tính điểm logit của câu trả lời trong một lượt lan truyền xuôi theo lô.

    Vì sao đáng chú ý: Hugging Face giải thích cách các mô hình quyết định biến phân loại thành một giao diện có kiểu, không sinh văn bản và chỉ ra cách phục vụ và tinh chỉnh chúng với Transformers và llama.cpp.

  4. One Useful Thing78

    Ethan Mollick thử nghiệm Claude Fable 5.2 trên lập trình, kinh doanh và nghiên cứu, gọi nó gần như AGI

    2 trên các nhiệm vụ trải rộng từ hack phần cứng, lập kế hoạch kinh doanh, xây dựng khóa học nhân văn, nghiên cứu học thuật đến dự án cổng 3D 450 thế giới, và đánh giá nó gần như AGI theo định nghĩa của ông về việc sánh ngang hầu hết chuyên gia con người ở hầu hết các nhiệm vụ trí tuệ trên máy tính.

    Vì sao đáng chú ý: Các thử nghiệm thực tế của Ethan Mollick với Claude Fable 5.2 cho thấy năng lực tổng quát mạnh mẽ trên lập trình, kinh doanh và nghiên cứu, đồng thời phơi bày một khoảng trống dai dẳng trong việc tự đánh giá khi nào công việc đã đủ tốt.

  5. Claude YouTube78

    Anthropic phát hành Claude Fable 5.2 cho các công việc kỹ thuật đầy tham vọng

    Anthropic đã phát hành Claude Fable 5.2, một mô hình được thiết kế cho những thách thức kỹ thuật khó khăn nhất và các dự án mở rộng đầy tham vọng, với những cải tiến về lập trình, suy luận và thị giác. Công ty khuyến nghị bắt đầu với Opus 5.5 cho hầu hết các tác vụ lập trình và tri thức; Fable 5.2 hiện đã có sẵn trên các gói Pro, Max, Team và Enterprise.

    Vì sao đáng chú ý: Claude Fable 5.2 nhắm đến các công việc kỹ thuật mở rộng đầy tham vọng, với những cải thiện được công bố về lập trình, suy luận và thị giác, trong khi Opus 5.5 vẫn là lựa chọn mặc định được khuyến nghị cho hầu hết các tác vụ lập trình và tri thức.

  6. Goodfire Research62

    Goodfire nghiên cứu các neuron của Qwen3.6-35B-A3B như một nền tảng có thể diễn giải

    Goodfire Research đã công bố một nghiên cứu lập luận rằng các neuron MLP riêng lẻ trong Qwen3.6-35B-A3B có thể diễn giải được hơn so với giả định, dựa trên các công cụ thưa hóa, quy gán và các tác nhân nghiên cứu. Việc loại bỏ 92,2% kích hoạt neuron MoE yếu nhất mỗi lượt truyền xuôi chỉ làm tăng mất mát của mô hình ngôn ngữ thêm 2,9%, và 69% các cực neuron có một chế độ duy nhất chịu trách nhiệm cho ít nhất 90% hiệu ứng nhân quả của chúng. Các mô tả neuron bằng ngôn ngữ tự nhiên cho phép một mô hình giám khảo dự đoán việc kích hoạt với độ chính xác 95% so với văn bản ngẫu nhiên và phục hồi 73% thiệt hại do loại bỏ thông qua mô phỏng.

    Vì sao đáng chú ý: Nghiên cứu của Goodfire về các neuron của Qwen3.6-35B-A3B lập luận rằng chỉ riêng các kích hoạt mạnh đã mang phần lớn tính toán của mô hình, đưa ra một giải pháp thay thế cụ thể cho cách diễn giải bằng từ điển đặc trưng.

  1. vLLM Blog77

    REINFORCE Zero: Căn chỉnh kernel cho phép Async RL ổn định ở Policy Lag 64, mở rộng sang DeepSeek-V4.1 và Kimi K3.1

    Bài báo REINFORCE Zero của NVIDIA Research và Inferact cho thấy việc căn chỉnh kernel của rollout và trainer cho phép lấy mẫu quan trọng ở mức token không cắt (unclipped token-level importance sampling) hiệu chỉnh độ trễ trọng số còn lại, huấn luyện ổn định qua 20.000 lần cập nhật ở policy lag 64 và đạt thông lượng bước huấn luyện gấp 2,40 lần so với huấn luyện đồng bộ với kernel đã căn chỉnh. Với kernel tiêu chuẩn, KL trung vị từ rollout đến learner tăng 83,33 lần trong suốt quá trình chạy và pass@1 trực tuyến trên AIME24 giảm từ 34,27% xuống 13,96%, trong khi một sequence gate giúp ổn định huấn luyện nhưng loại bỏ 24,48% chuỗi tính đến 1.000 lần cập nhật cuối. Thiết lập zero-mismatch hiện bao phủ DeepSeek-V4.1-Flash, Kimi K3.1 vào ngày phát hành, cùng DeepSeek-V4-Flash và Kimi K3.1 trên AMD MI355X, với mã nguồn tại Inferact/zero-mismatch-rl và NVIDIA-NeMo/labs-molt.

    Vì sao đáng chú ý: NVIDIA Research và Inferact tách khoảng cách giữa rollout và learner trong async RL thành độ trễ trọng số và sự không khớp kernel, cho thấy việc căn chỉnh kernel cho phép lấy mẫu quan trọng không cắt duy trì huấn luyện ổn định ở policy lag 64.

  1. Artificial Analysis Articles78

    Thinking Machines phát hành Inkling 2 Small, đạt 31 điểm trên Chỉ số Trí tuệ Artificial Analysis

    Thinking Machines đã phát hành Inkling 2 Small, một mô hình suy luận độc quyền đạt 31 điểm trên Chỉ số Trí tuệ Artificial Analysis v5.0.1, cao hơn Inkling Small 18 điểm, với trọng số Apache 2.0 dự kiến sẽ có vào một ngày sau đó chưa được xác nhận. Mô hình 594B tham số (17B hoạt động) trước tiên có sẵn thông qua Tinker và Tinker Playground với giá $0.30/$1.00 cho mỗi 1M token đầu vào/đầu ra, và nó ngang bằng Gemini 3.8 Flash (high) trong khi kém hơn Claude Sonnet 5.5 trên các bài kiểm tra lập trình và ảo giác. Nó trung bình khoảng 150K token đầu ra cho mỗi tác vụ Chỉ số Trí tuệ, gấp khoảng 4 lần Inkling Small, với $1.18 mỗi tác vụ so với $0.20.

    Vì sao đáng chú ý: Kết quả đánh giá độc lập của Artificial Analysis cho thấy Inkling 2 Small vượt trội hơn mô hình tiền nhiệm ở đâu và vẫn còn kém Gemini 3.8 Flash và Claude Sonnet 5.5 ở đâu.

  1. vLLM Blog73

    Buoyant phát hành Kinference, một control plane suy luận mã nguồn mở cho vLLM và Kubernetes

    Buoyant công bố Kinference, một control plane mã nguồn mở Apache v2 định tuyến lưu lượng suy luận tương thích OpenAI và Anthropic đến các worker vLLM trên Kubernetes, bổ sung giới hạn tốc độ token, theo dõi mức sử dụng và chi phí theo từng tenant, cân bằng tải nhận biết KV-cache và các chính sách suy luận bằng YAML. Trong các benchmark công khai của dự án, Kinference giảm 95% thời gian đến token đầu tiên trung vị và 45% độ trễ end-to-end trung vị so với cân bằng tải dịch vụ Kubernetes tiêu chuẩn trên một workload, và phục vụ goodput gấp 7,4 lần trên shared-prefix và khoảng 3,5 lần trên multiturn trong một bài kiểm tra công suất. Các chính sách có thể định tuyến prompt đơn giản hơn đến các mô hình rẻ hơn, đẩy lưu lượng đột biến tràn sang các nhà cung cấp như Bedrock và Databricks, hoặc giữ các yêu cầu gắn thẻ PII bên trong cluster, và các chỉ số theo từng tenant bao gồm tốc độ token, TTFT, ITL và token prompt có cache so với không có cache.

    Vì sao đáng chú ý: Kinference của Buoyant bổ sung cân bằng tải nhận biết KV-cache và các chính sách suy luận bằng YAML lên trên vLLM, với các benchmark tuyên bố cải thiện lớn về TTFT và goodput so với định tuyến dịch vụ Kubernetes tiêu chuẩn.

  1. Anthropic Research70

    Anthropic phát hành FlashProve, hệ thống zkSNARK mã nguồn mở cho suy luận LLM có thể chứng minh

    Anthropic phát hành FlashProve, một nguyên mẫu mã nguồn mở sử dụng zkSNARK để chứng minh một phản hồi đến từ một mô hình đã cam kết mà không tiết lộ trọng số của nó. Trên Llama 4 Maverick (MoE 400 tỷ tham số, trọng số 4-bit), một H100 duy nhất tạo bằng chứng với tốc độ khoảng 110 token/giây với bằng chứng ~19 MB mỗi yêu cầu 1.024 token, tức khoảng 70-95 lần thời gian GPU mà vLLM cần cho cùng công việc. Bản phát hành bao gồm mã prover và verifier có thể thực thi, một verifier C++ nhanh, một verifier Lean với các tuyên bố completeness, soundness và zero-knowledge được máy kiểm chứng, và một báo cáo kỹ thuật, tất cả theo Apache 2.0.

    Vì sao đáng chú ý: FlashProve của Anthropic cho thấy các bằng chứng dựa trên zkSNARK về suy luận đang trở nên thực tiễn đối với một mô hình MoE 400 tỷ tham số, với mã nguồn mở và các tuyên bố bảo mật được Lean kiểm chứng.

  1. Artificial Analysis Articles82

    Gemini 4 Carbon đứng đầu Artificial Analysis Intelligence Index v5, xếp thứ hai trên Coding Agent Index

    Gemini 4 Carbon của Google là vị trí thứ 5 mới trên Artificial Analysis Coding Agent Index. 5 (tối đa, 62), và nó dẫn đầu 4 trong 9 đánh giá của Index bao gồm HLE-Diamond và Terminal-Bench-Science. 1 tăng từ 4% lên 11%; mô hình đang được triển khai cho người dùng được chọn và chưa có sẵn công khai.

    Vì sao đáng chú ý: Gemini 4 Carbon đứng đầu Artificial Analysis Intelligence Index v5 với 59 điểm và kém Claude Opus 5.5 3 điểm trên Coding Agent Index, với chi phí mỗi tác vụ và số liệu ảo giác để so sánh.

  1. Microsoft Research64

    Microsoft Research và đồng tác giả chứng minh giả thuyết KLS 31 năm tuổi

    Nhà nghiên cứu Microsoft Xinzhi Zhang và một đồng tác giả đã chứng minh giả thuyết Kannan-Lovász-Simonovits (KLS), một bài toán mở 31 năm tuổi trong hình học chiều cao, cho thấy cận đúng với một hằng số phổ quát độc lập với số chiều. Chứng minh này nảy sinh từ một quá trình tác tử do con người dẫn dắt, trong đó các tác tử AI đã khám phá hơn 100 hướng tiếp cận ứng viên trong khi các nhà nghiên cứu cắt tỉa và điều hướng tìm kiếm, và một nỗ lực không được dẫn dắt riêng rẽ với các mô hình hàng đầu trên ngân sách token tương đương đã không đạt được kết quả. Hai chứng minh khác xuất hiện cùng ngày, và một bản hình thức hóa bằng Lean 4 sau đó đã được công bố.

    Vì sao đáng chú ý: Một bài toán mở 31 năm tuổi trong hình học chiều cao được giải quyết thông qua tìm kiếm tác tử do con người dẫn dắt trên khoảng 100 hướng tiếp cận ứng viên, với các chứng minh độc lập và hình thức hóa bằng Lean như sự xác nhận.