Tới nội dung
Chỉ Chính chủ#Agent
19 tháng 10Thứ Hai
  1. MiniMax Blog83

    MiniMax ra mắt M3.1 Flash, tuyên bố chi phí thấp hơn 70% và suy luận nhanh gần 3 lần

    MiniMax chính thức ra mắt MiniMax M3.1 Flash, một mô hình Flash thế hệ mới mà hãng cho biết cắt giảm 70% chi phí sử dụng so với phiên bản tiền nhiệm và khiến suy luận trực tuyến nhanh gần ba lần. Công ty báo cáo đạt 73,7% trên DeepSWE v1.1, 76,2 trên BankerToolBench, 61,7 trên OSWorld V2, 29,6 trên Agents' Last Exam và 82% trên CyberGym, với tốc độ đầu ra 200+ TPS và trung vị 170+ TPS. Giá là 0,15 USD mỗi 1M token đầu vào, 0,60 USD mỗi 1M token đầu ra và 0,015 USD mỗi 1M token đầu vào được lưu trong bộ nhớ đệm, và mô hình có sẵn qua MiniMax API, M Plan và MiniMax Code, với trọng số sẽ được phát hành sau.

    Vì sao đáng chú ý: Mô hình Flash của MiniMax tuyên bố đạt điểm số agentic và lập trình hàng đầu với giá 0,15 USD mỗi 1M token đầu vào, mang lại một dữ liệu cụ thể về khía cạnh chi phí của khối lượng công việc agent.

  2. Modal Blog38

    Legora chạy 2.000 đánh giá agent song song trên Modal Sandboxes như thế nào

    Legora hiện chạy từng đánh giá agent pháp lý của mình trong một Modal Sandbox riêng, khởi động toàn bộ ứng dụng được ghim vào một commit cụ thể để mỗi lần chạy phản ánh đúng phiên bản sản phẩm. Một thử nghiệm điển hình gồm 100 ca, 4 biến thể harness và 5 lần thử mỗi ca — 2.000 lần chạy song song — với Modal Volumes chụp nhanh trạng thái tài liệu, cơ sở dữ liệu và quyền. Legora cũng chuyển từ gVisor sang Modal VM Sandboxes, loại bỏ các giải pháp vòng cho mạng Docker và FUSE, đồng thời giảm 30% chi phí agent nhờ nén thông minh hơn và tìm kiếm công cụ tùy chỉnh.

17 tháng 10Thứ Bảy
  1. Google Research71

    Google Research phác thảo VERID và quy trình tác nhân vòng kín cho phòng thí nghiệm ướt tự động

    Google Research mô tả ba dự án nhằm đưa các tác nhân AI gắn với thực nghiệm phòng thí nghiệm ướt thực tế, bao gồm khuôn khổ VERID, một bản sao số ngữ nghĩa của một workcell phòng thí nghiệm được xây dựng trên khuôn khổ PyLabRobot mã nguồn mở, theo dõi bố cục deck, thể tích giếng và tồn kho đầu tip, đồng thời chạy thử khô các giao thức trước khi thực thi.

    Vì sao đáng chú ý: Google Research phác thảo ba dự án kết nối các tác nhân AI với phần cứng phòng thí nghiệm ướt thực tế, cho thấy cách chạy thử khô mô phỏng và thí nghiệm vòng kín cho phép tác nhân tự sửa các quy tắc thiết kế của mình.

16 tháng 10Thứ Sáu
  1. Modal Blog36

    Modal giải thích cách họ xây dựng một ngăn xếp hệ thống tệp nhanh cho VM Sandboxes

    Modal đã trình bày chi tiết cách họ phát triển ngăn xếp hệ thống tệp của mình để hỗ trợ VM Sandboxes, định tuyến các yêu cầu từ khách thông qua virtio-fs và virtiofsd vào hệ thống tệp tải lười ImageFS của họ. Phiên bản đầu tiên khởi động nhanh nhưng chạy chậm: lệnh chown đệ quy tăng từ bốn giây lên hơn một phút, và cài đặt pnpm và bun chậm khoảng ba lần. Các vi mô phép đo cho thấy chown mất 9,87 giây qua virtio-fs so với 2,31 giây trên gVisor và 1,58 giây trên ImageFS.

  2. Replit Blog40

    Replit mang Bring Your Own Cloud (BYOC) đến nền tảng của mình

    Replit đang giới thiệu các tùy chọn Bring Your Own Cloud (BYOC) cho phép doanh nghiệp chạy nền tảng Replit và các ứng dụng đã xuất bản bên trong tenant Microsoft Azure, Google Cloud hoặc Amazon Web Services của chính họ. BYOC đầy đủ, ở chế độ private preview, triển khai các cell và agent harness của Replit trong cloud của khách hàng, trong khi BYOC cho Published Apps, ở chế độ early access, lưu trữ các dự án đã xuất bản tại đó với Replit quản lý nền tảng. Image Exports thay vào đó cung cấp cho các nhóm một Docker image, tệp Terraform và SBOM để tự lưu trữ các ứng dụng do Replit xây dựng.

  3. OpenClaw Blog22

    PJ giúp các doanh nghiệp nhỏ tiếp nhận và sở hữu OpenClaw như thế nào

    PJ, một kỹ sư chuyển sang làm chủ dịch vụ diệt côn trùng tại Ocala, Florida, hiện tư vấn cho các doanh nghiệp nhỏ—trong đó có nhà thầu lợp mái, hồ bơi và ô tô—thiết lập OpenClaw và hướng dẫn họ tự vận hành. Khách hàng của anh muốn một công cụ họ sở hữu hoàn toàn thay vì đưa dữ liệu công ty vào phần mềm thuê, và một khách hàng, Donna, 66 tuổi, quản trị viên, sử dụng OpenClaw của mình hàng ngày.

  4. LiveKit Blog38

    Cách xây dựng một AI Voice Agent sẵn sàng cho môi trường production

    Hướng dẫn của LiveKit đúc kết kinh nghiệm từ các kiến trúc sư giải pháp và kỹ sư triển khai tại chỗ về việc đưa AI voice agent từ bản demo đến môi trường production, được tổ chức xoay quanh ba câu hỏi: liệu agent có đủ thông minh và tự nhiên hay không, hiệu năng của nó có thể quan sát được hay không, và liệu nó có mở rộng một cách đáng tin cậy và tiết kiệm chi phí hay không. Hướng dẫn khuyến nghị đo riêng lượt hội thoại đầu tiên, vì một công ty phát hiện khoảng 3 trong 4 cuộc gọi kết thúc ngay ở bước chào hỏi, và ghi nhận việc khách hàng chuyển từ GPT-4.1 sang Gemma 4 31B trên LiveKit Inference tiết kiệm được 300–500ms ở p50.

15 tháng 10Thứ Năm
  1. Anthropic · Claude.dev62

    Nhóm Claude Code thực hiện đánh giá mã như thế nào

    Nhóm Claude Code mô tả quy trình đánh giá mã theo nhiều lớp của mình, trong đó phần lớn việc đọc được thực hiện bởi máy móc và sự chú ý của con người được dành cho việc phê duyệt dựa trên rủi ro. Từ tháng 6 đến tháng 9, số pull request đã hợp nhất vào cơ sở mã Claude Code tăng hơn gấp đôi trong khi tỷ lệ phải hoàn nguyên giảm hơn 40 phần trăm. Quy trình xếp chồng các bước xác minh trước PR, CI bắt buộc, đánh giá của Claude, đánh giá bảo mật, phê duyệt của con người theo cấp rủi ro và hàng đợi hợp nhất với cờ và hoàn nguyên nhanh, và nhóm đã biến các sự cố trong quá khứ thành một bộ đánh giá hàng ngày cho người đánh giá.

    Vì sao đáng chú ý: Nhóm Claude Code của Anthropic trình bày chi tiết cách họ chuyển phần lớn việc đọc mã sang các lớp tự động trong khi PR đã hợp nhất tăng gấp đôi và số lần hoàn nguyên giảm hơn 40 phần trăm, mang lại một mô hình đánh giá có thể chuyển giao cho các nhóm sử dụng nhiều tác nhân.

  2. Meta AI Research Blog88

    Meta phát hành Muse Spark Open, mô hình đa phương thức trọng số mở 816B chạy trên hai Mac Studio

    Meta đã phát hành trọng số cho Muse Spark Open, một mô hình đa phương thức gốc với trọng số mở có tổng cộng 816B tham số (42B hoạt động) và cửa sổ ngữ cảnh 1M token, định hướng cho công việc lập trình và tác tử. Đây là mô hình đầu tiên trong phân khúc của nó chạy trên máy tính để bàn bằng hai Apple M5 Ultra Mac Studio với framework MLX, và có sẵn thông qua các đối tác API bao gồm Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter và Together AI, với trọng số trên Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden và Microsoft Foundry Models. Meta cho biết mô hình đi kèm với các kernel GPU Helion có thể tự động tinh chỉnh trong SGLang, mang lại tốc độ tăng tốc cấp kernel từ 1,03-3,95 lần trên GPU NVIDIA và AMD và tăng tốc end-to-end 3% trên AMD MI350.

    Vì sao đáng chú ý: Meta phát hành trọng số mở cho một mô hình đa phương thức 816B tham số chạy trên hai Mac Studio, mang đến cho nhà phát triển một lựa chọn cục bộ cho các tác vụ lập trình và tác tử dài hạn.

  3. Modal Blog78

    Meta phát hành trọng số mở Muse Spark Open và có sẵn trên Modal Auto Endpoints

    Meta đã phát hành trọng số cho Muse Spark Open, và Modal hiện cung cấp mô hình này thông qua Auto Endpoints với tính phí theo token. Mô hình hướng đến lập trình tác tử và các tác vụ dài hạn, với khả năng hiểu đa phương thức gốc, cửa sổ ngữ cảnh 1M token, lập kế hoạch nhiều bước, sử dụng công cụ tuần tự và phục hồi sau lỗi. Meta báo cáo 76,4 trên Terminal-Bench 2.1 với tác tử Terminus 2 và 60 trên DeepSWE 1.1 khi dùng harness ưa thích của mình ở mức nỗ lực suy luận xhigh.

    Vì sao đáng chú ý: Muse Spark Open trọng số mở của Meta hiện được cung cấp trên Modal, mang đến cho các đội nhóm một cách tính phí theo token để thử một mô hình lập trình tác tử với cửa sổ ngữ cảnh 1M token.

13 tháng 10Thứ Ba
  1. GitHub Blog · AI & ML36

    GitHub Copilot cho người mới bắt đầu: Bốn cách để dạy Copilot về cơ sở mã của bạn

    Loạt bài GitHub Copilot cho người mới bắt đầu giải thích bốn cách cung cấp ngữ cảnh dự án cho Copilot: hướng dẫn tùy chỉnh trong `.github/copilot-instructions.md` cùng với các tệp theo đường dẫn cụ thể trong `.github/instructions`, kỹ năng tác nhân trong `.github/skills`, tác nhân tùy chỉnh trong `.github/agents`, và máy chủ MCP kết nối Copilot với các công cụ bên ngoài như Playwright. Bài viết đi qua từng cơ chế và cách chúng kết hợp với nhau, đồng thời chỉ cho độc giả bộ sưu tập Awesome Copilot của cộng đồng để có các ví dụ sẵn dùng.

12 tháng 10Thứ Hai
  2. Meta AI Research Blog82

    Meta ra mắt các mô hình tiên phong Muse Wonder và Muse Wonder Full cho tác nhân cá nhân và chuyên nghiệp

    Meta giới thiệu dòng Muse Wonder, bao gồm Muse Wonder và Muse Wonder Full, được cho là đạt hiệu năng tiên tiến nhất trên các tác vụ tác nhân cá nhân và chuyên nghiệp, ghi nhớ và lập trình. Muse Wonder có sẵn hôm nay thông qua Meta Model API và Muse Code, trong khi Muse Wonder Full có sẵn hôm nay cho người đăng ký Muse Code. Các mô hình kết hợp Active Memory, mang ngữ cảnh xuyên suốt các cuộc hội thoại và truy xuất chi tiết liên quan đến tác vụ, với Active Focus, duy trì công việc trên các mục tiêu dài hạn và kiểm tra trước các hành động quan trọng; Meta cho biết cả hai đều được huấn luyện tại trung tâm dữ liệu Prometheus quy mô gigawatt của mình.

    Vì sao đáng chú ý: Dòng Muse Wonder của Meta tuyên bố đạt kết quả tiên tiến nhất trên các benchmark tác nhân, ghi nhớ và lập trình, với Active Memory và Active Focus là hai năng lực cốt lõi mà nó được xây dựng xoay quanh.

9 tháng 10Thứ Sáu
  1. LiveKit Blog34

    Serve AI sử dụng LiveKit Agent Simulations để xây dựng lại voice agent của mình trên một prompt duy nhất

    Serve AI đã xây dựng lại phone agent của mình cho một khách hàng kiểm soát côn trùng trị giá 150 triệu đô la trên LiveKit, thu gọn một đồ thị luồng Retell gồm 224 nút thành một prompt duy nhất và xác thực nó bằng Agent Simulations. Khoảng 100 cuộc gọi sản xuất thực tế đã được chuyển thành các kịch bản mô phỏng, đạt tỷ lệ vượt qua 98% qua 10–15 lần lặp trước khi chuyển đổi, với độ trễ lượt trung vị là 1,3 giây so với ngưỡng trần 1,5 giây. Lần di chuyển đầu tiên mất một tuần mà không có rollback, và tỷ lệ containment tăng 15%, mà Serve ước tính tiết kiệm thêm 320.000 đô la mỗi năm cho khách hàng.

  2. LiveKit Blog58

    LiveKit ra mắt Agent Simulations để kiểm thử các voice agent

    LiveKit đã đưa Agent Simulations vào trạng thái dùng chung (generally available) cho tất cả các dự án LiveKit Cloud, một cách có thể lặp lại để kiểm thử voice agent ở cấp độ tác vụ thay vì từng lượt. Một người dùng mô phỏng do LLM điều khiển sẽ diễn lại từng kịch bản, bao gồm cả backchannel và ngắt lời ở chế độ âm thanh, và một LLM judge trả về phán quyết đạt/không đạt kèm lý do; một CLI có thể sinh kịch bản từ chính prompt và công cụ của agent. Chạy văn bản là mặc định và đủ rẻ cho mọi pull request, trong khi chạy âm thanh bao phủ toàn bộ pipeline và phù hợp hơn với lịch chạy ban đêm hoặc trước phát hành. Simulations miễn phí đến hết tháng 10, dù chúng gọi LLM, STT và TTS của agent thật theo mức giá thông thường.

8 tháng 10Thứ Năm
  1. Anthropic · Claude.dev62

    Anthropic hướng dẫn xây dựng tự động hóa tác nhân theo lịch với Claude Managed Agents

    Anthropic đã công bố một bản triển khai tham chiếu cho Claude Managed Agents (bản beta), đọc các kênh Slack và pull request GitHub theo lịch cron, theo dõi thay đổi kể từ lần chạy trước thông qua bookmark theo từng nguồn, và đăng bản tóm tắt lên Slack. Hướng dẫn bao gồm thông tin xác thực lưu trong vault, quyền truy cập chỉ đọc và giới hạn chi tiêu mỗi lần chạy, cùng các quy tắc báo cáo nguồn bị lỗi là không thể đọc thay vì coi là ngày yên ắng và xác nhận bài đăng Slack trước khi cập nhật bookmark và sổ cái. Một lệnh Claude Code với kỹ năng claude-api cấu hình tác nhân theo hướng dẫn trong bài viết.

    Vì sao đáng chú ý: Anthropic chia sẻ bản triển khai tham chiếu cho Claude Managed Agents theo lịch đọc Slack và GitHub, với các quy tắc cụ thể về bookmark, đọc lỗi và xác nhận đăng bài.

  2. Goodfire Research71

    Goodfire huấn luyện và triển khai các bộ giám sát lạm dụng không gian mạng dựa trên probe trên Kimi K3 và GLM 5.3

    3 và triển khai chúng trên một ngăn xếp suy luận production, nơi một probe rẻ tiền lọc các lượt và chỉ những trao đổi đáng ngờ mới đến một LLM judge. Tỷ lệ gián đoạn phiên lành tính 5%, chi phí 65 đô la cho mỗi triệu lượt không có suy luận của judge và 185 đô la khi có nó, và không thêm tổn thất thông lượng đo được nào bên trong SGLang.

    Vì sao đáng chú ý: Goodfire cho thấy một chuỗi probe-cộng-judge có thể giám sát lạm dụng không gian mạng tác tử với chi phí thấp hơn khoảng 50 lần mà không có tổn thất thông lượng đo được, một công thức cụ thể để phục vụ các mô hình mở một cách an toàn.

7 tháng 10Thứ Tư
  1. Vapi Blog36

    Vapi ra mắt bản beta Personal Agent Calling cho các AI agent gọi điện đến doanh nghiệp thay mặt khách hàng

    Vapi đã ra mắt Personal Agent Calling dưới dạng bản beta, cho phép người dùng đăng nhập bằng Vapi và thực hiện cuộc gọi thông qua một personal agent mà không cần thiết lập API key. Công ty lập luận rằng doanh nghiệp phải xác minh ai là người mà agent đại diện, agent được phép làm gì và liệu quyền đó còn hiệu lực hay không, dựa trên tiêu chuẩn mở A2A và OAuth. Buộc khách hàng phải bắt đầu lại có nguy cơ mất đi hoạt động kinh doanh của họ.

6 tháng 10Thứ Ba
  1. Mistral AI82

    Mistral ra mắt bản xem trước Mistral Large 4, mô hình đa phương thức 1T tham số với trọng số dự kiến trong tháng này

    Mistral đã ra mắt bản xem trước công khai của Mistral Large 4, một mô hình đa phương thức gốc với 1 nghìn tỷ tham số và 52 tỷ tham số hoạt động, hiện có sẵn qua API Mistral Studio. Mistral cho biết mô hình này cạnh tranh với các mô hình mã nguồn mở mạnh nhất và vượt trội so với các mô hình trọng số mở khác từ Mỹ và châu Âu, đạt 82% trên bài kiểm tra tái tạo và vá lỗ hổng của Artificial Analysis Cyber Index và 49,8% trên Coding Agent Index tổng hợp của mình. Trọng số dự kiến sẽ được phát hành vào cuối tháng này, sau khi red-team với các đối tác an ninh mạng và cơ quan chức năng; Mistral cho biết mô hình được huấn luyện từ đầu trên 3.800 GPU NVIDIA Grace Blackwell trong các trung tâm dữ liệu châu Âu của riêng mình.

    Vì sao đáng chú ý: Mô hình lớn nhất của Mistral đến nay tuyên bố dẫn đầu về trọng số mở trong an ninh mạng và lập trình tác tử, với trọng số được hứa hẹn vào cuối tháng.

  2. Anthropic · Claude.dev72

    Phiên Claude Code trên đám mây: hướng dẫn thực địa để chạy tác vụ trên các VM riêng biệt

    Addy Osmani đi qua các phiên Claude Code trên đám mây, nơi mỗi tác vụ chạy trên một VM mới do Anthropic quản lý với kho lưu trữ được sao chép vào nhánh riêng của nó, và các phiên đám mây được bao gồm trong các gói Pro, Max, Team và Enterprise mà không tính thêm phí tính toán. Trong một thử nghiệm bốn phiên trên một kho Node mẫu, ba phiên bắt đầu trong vòng 16 giây của nhau đã hoàn thành 87 giây sau khi phiên đầu tiên bắt đầu, và phiên kiểm thử không ổn định đã chạy bộ kiểm thử 40 lần với không lỗi. Hướng dẫn bao gồm các script thiết lập, mức mạng, các đường kết nối GitHub và bảy quy trình phù hợp với các phiên đám mây, đồng thời lưu ý rằng các phiên cục bộ vẫn phù hợp hơn cho các tác vụ cần dữ liệu cục bộ, dịch vụ VPN, GPU hoặc Zero Data Retention.

    Vì sao đáng chú ý: Một hướng dẫn thực địa thực hành về các phiên Claude Code trên đám mây, cho thấy cách các VM theo từng tác vụ cho phép làm việc song song và nơi các phiên cục bộ vẫn phù hợp hơn.

  3. LiveKit Blog38

    Retell vs. Vapi vs. LiveKit: So sánh dành cho nhà phát triển về AI Agent thoại

    LiveKit đã công bố một so sánh hướng đến nhà phát triển giữa Retell, Vapi và LiveKit để xây dựng AI agent thoại, định hình lựa chọn quanh bốn câu hỏi: ai sẽ lặp cải tiến agent sau khi ra mắt, điều gì xảy ra khi nhu cầu vượt ra ngoài các cấu hình mặc định, liệu nó có phải chạy ngoài phạm vi cuộc gọi điện thoại, và chi phí ở quy mô lớn. Retell là một nền tảng được quản lý với trình chỉnh sửa trực quan, Vapi là một nền tảng được quản lý hướng đến nhà phát triển, được cấu hình qua API và dashboard, còn LiveKit là một framework mã nguồn mở Apache 2.0 có thể tự lưu trữ. Chi phí ước tính tổng cộng mỗi phút khoảng $0.070–$0.310 cho Retell, $0.070–$0.116 cho Vapi và $0.037–$0.099 cho LiveKit.

  4. Figma Blog50

    Figma agent thoát beta với hướng dẫn, ngữ cảnh đa nền tảng và agent đa người dùng theo sau

    Figma agent đã thoát beta với khả năng tuân thủ chỉ dẫn và xử lý tác vụ dài tốt hơn, giành chiến thắng trong hơn 60% đánh giá do con người chấm với các nhà thiết kế chuyên nghiệp. Các khả năng mới cho phép chủ thư viện tải lên hướng dẫn markdown, lấy ngữ cảnh từ FigJam, Figma Slides và Figma Design, và theo dõi agent của cộng tác viên trên canvas. Nhóm hệ thống thiết kế của Uber giờ đây xuất bản tài liệu mà trước đây cần nhiều người làm trong nhiều tháng chỉ trong một buổi chiều.

5 tháng 10Thứ Hai
  1. GitHub Blog · AI & ML58

    GitHub phát hành ReviewBench, một benchmark mở cho đánh giá mã nguồn bằng AI

    GitHub đã phát hành ReviewBench, một benchmark mở dành cho các tác nhân đánh giá mã nguồn bằng AI, được xây dựng trên 219 pull request công khai thuộc 19 ngôn ngữ, với phân bố ngôn ngữ và quy mô kho mã mô phỏng theo 103,9 triệu pull request trên GitHub. Tập dữ liệu chuẩn (golden set) lấy các phát hiện từ người đánh giá là con người, các commit tiếp theo của tác giả, phân tích tĩnh và nhiều LLM tiên tiến, được chấm điểm bởi Claude Sonnet 5 theo một rubric đã công bố, và các kỹ sư cấp cao đã độc lập gán nhãn lại từng phát hiện với mức đồng thuận 96,6%. GitHub cho biết đánh giá ngoại tuyến của họ đối với tính năng đánh giá mã nguồn của Copilot đã dự đoán đúng hướng của một thử nghiệm A/B trong môi trường sản xuất, trong đó tỷ lệ được xử lý tăng 8,0%, độ phủ (recall) tăng 13,6% và chi phí cho mỗi lần đánh giá giảm 8,0%.

  2. Modal Blog35

    TypeSafe AI mở rộng quy mô Jev lên hàng nghìn tỷ token trong ba ngày trên Modal

    TypeSafe AI đã sử dụng nền tảng serverless của Modal để huấn luyện và triển khai Jev, System One Model đầu tiên của mình, và phục vụ hơn một nghìn tỷ token trong vòng ba ngày kể từ khi ra mắt. Jev không phải là một LLM tự hồi quy: nó nhận trạng thái và câu hỏi làm đầu vào và xuất ra các giá trị có kiểu, có cấu trúc kèm xác suất song song, hướng tới các khối lượng công việc có độ trễ thấp. Một tuần sau khi ra mắt, nó đứng đầu bảng xếp hạng của OpenRouter cho ngữ cảnh 1K-10K token, xử lý 15,1% số yêu cầu.

2 tháng 10Thứ Sáu
  1. GitHub Blog · AI & ML25

    GitHub Blog: Ba kỹ năng lập trình viên cần khi AI định hình lại công việc

    GitHub Blog nêu ra ba kỹ năng mà lập trình viên nên củng cố khi AI thay đổi công việc của họ: điều hướng các tác nhân AI thay vì chỉ sử dụng chúng, đánh giá phê bình đầu ra của AI thay vì tin vào câu trả lời đầu tiên, và dùng thời gian AI tiết kiệm được để giải quyết những vấn đề rộng lớn hơn. Bài viết dẫn ra tác nhân Rubber Duck tích hợp sẵn của GitHub Copilot, sử dụng một mô hình thứ hai để phê bình kế hoạch, mã và kiểm thử trước khi lập trình viên tiến hành.

  2. OpenClaw Blog40

    Tencent AIG gia nhập ClawScan để tăng cường đánh giá bảo mật skill và plugin trên ClawHub

    AI-Infra-Guard (AIG) của Tencent đã được tích hợp vào ClawScan, công cụ dòng lệnh mã nguồn mở phụ trách đánh giá bảo mật trên ClawHub, nhờ đó mọi skill và plugin được tải lên giờ đây đều đi qua AIG. ClawScan chạy AIG và SkillSpector của NVIDIA một cách độc lập, với một AI judge đưa ra đánh giá cuối cùng. Trên một tập con cố định gồm 556 trường hợp của SkillTrustBench, ClawScan khớp 86,9% nhãn của benchmark và phân loại đúng 98,6% các trường hợp độc hại.

  3. Vapi Blog58

    Vapi mở beta GPT-Live cho tất cả khách hàng, tách voice agent thành speaker và reasoner

    Vapi đã mở beta GPT-Live cho mọi khách hàng của Vapi, sau bản beta giới hạn vào tháng trước với mô hình speech-to-speech full-duplex của OpenAI. Trên Vapi, mô hình hoạt động như một speaker xử lý toàn bộ cuộc gọi và chuyển các tra cứu hoặc hành động cho một mô hình reasoner riêng, với việc bàn giao được điều khiển qua hai prompt thay vì một. Số điện thoại, công cụ, bài kiểm tra và khả năng quan sát hiện có được giữ nguyên, cấu hình transcriber bị loại bỏ, và giọng nói chuyển sang một trong 22 giọng của OpenAI.

1 tháng 10Thứ Năm
  1. Anthropic · Claude.dev60

    Bắt đầu với Claude Code mods: xây dựng dự báo cửa sổ ngữ cảnh

    Claude Code mods là các tệp JavaScript hoặc TypeScript nhỏ chạy bên trong một phiên như các hook được đóng gói trong plugin, và có thể quan sát sự kiện, viết lại hành vi hoặc vẽ giao diện tùy chỉnh trong terminal hoặc ứng dụng desktop. Hướng dẫn xây dựng Token Weather, một mod khoảng 80 dòng đọc $.session.usage() sau mỗi lượt và vẽ dải cửa sổ ngữ cảnh kiểu thời tiết phía trên prompt, sau đó giới thiệu Blast Radius, giữ các lệnh Bash rủi ro, và Replay Theater, duyệt qua các chỉnh sửa của một lượt. Mods yêu cầu Claude Code 2.1.287 trở lên và được bật mặc định; mã hoàn chỉnh cho cả ba nằm trong anthropics/claude-code-playground.

    Vì sao đáng chú ý: Hướng dẫn thực hành về Claude Code mods xây dựng một đồng hồ đo cửa sổ ngữ cảnh hoạt động trong khoảng 80 dòng, cho thấy cách hook, trạng thái và giao diện tùy chỉnh kết hợp với nhau.

  2. Modal Blog58

    Modal ra mắt Sidecars, ranh giới tin cậy độ trễ thấp cho Sandboxes

    Modal giới thiệu Sidecars ở dạng Beta, các container biệt lập chạy song song với một Sandbox trên cùng một máy chủ để tách mã tin cậy như thông tin xác thực, proxy và logic harness khỏi mã do agent tạo ra không đáng tin cậy. Modal cho biết liên lạc giữa một Sandbox và các Sidecar của nó nhanh hơn ít nhất 3 lần so với giữa các Sandbox riêng biệt trong cùng khu vực, với thời gian di chuyển p50 mỗi lần gọi là 0,58ms so với 2,6ms. Mỗi Sidecar có chính sách mạng ra ngoài riêng, một Sandbox có thể chạy tới 250 Sidecar và Ramp đã sử dụng tính năng này để chạy một proxy egress tùy chỉnh bên cạnh agent lập trình Inspect của mình.

  3. Modal Blog60

    Modal ra mắt VM Sandboxes, cung cấp cho agent toàn bộ máy ảo Linux với hỗ trợ Docker

    Modal đã chính thức ra mắt VM Sandboxes, cung cấp cho agent toàn bộ máy ảo Linux thông qua cùng các API, modal.Images, khởi động lạnh dưới một giây và khả năng tăng vọt CPU/bộ nhớ như các Sandboxes dựa trên gVisor hiện có. Người dùng kích hoạt tính năng này với runtime="vm" khi cần Docker, hệ thống tệp FUSE hoặc các tính năng nhân Linux đặc thù, trong khi gVisor vẫn là runtime mặc định. Modal cho biết các khách hàng đầu tiên đã khởi chạy hơn 20 triệu máy ảo, với Linear chạy mọi Coding Session trên VM Sandbox và Legora cùng Snorkel sử dụng chúng để đánh giá agent pháp lý và mô phỏng agent.

    Vì sao đáng chú ý: VM Sandboxes của Modal cung cấp cho agent toàn bộ máy Linux với quyền truy cập Docker và nhân, đồng thời giữ nguyên các API Sandbox hiện có và khởi động lạnh dưới một giây.

  4. Modal Blog42

    Tổng hợp Modal Runtime: VM Sandbox, Modal Cluster và hơn thế nữa

    Modal đã công bố VM Sandboxes, cung cấp cho các agent một máy tính Linux đầy đủ cho các stack Docker, cơ sở dữ liệu cục bộ và trình giả lập di động, đã được Linear, Legora và Snorkel sử dụng. Modal Clusters hiện đã được phát hành chính thức thông qua decorator @modal.clustered, hỗ trợ huấn luyện và phục vụ mô hình nghìn tỷ tham số trên các container phối hợp. Sticky Sessions và Endpoint Candidates cũng đã được giới thiệu, trong đó Endpoint Candidates đang ở giai đoạn private beta.

30 tháng 9Thứ Tư
  1. Factory62

    Factory đưa Automations ra mắt chính thức cho các tác nhân Droid

    Factory đã đưa Automations ra mắt chính thức, cho phép các nhóm mô tả một quy trình làm việc lặp lại và để Droid chạy quy trình đó theo lịch hoặc theo sự kiện kích hoạt. Mỗi automation kết hợp một trigger (lịch, Slack, GitHub hoặc webhook), hướng dẫn, một mô hình và mức độ suy luận do người dùng chọn, và một máy có thể là cục bộ, được kết nối hoặc Droid Computer do Factory quản lý. Factory cho biết 52% người dùng doanh nghiệp đã chạy đánh giá mã tự động trong 30 ngày qua, 48% sử dụng đánh giá bảo mật, 35% sử dụng AutoWiki, và khối lượng phiên automation tăng 51% so với 30 ngày trước đó.

    Vì sao đáng chú ý: Factory đưa Automations ra mắt chính thức, cho thấy những quy trình kỹ thuật lặp lại nào doanh nghiệp thực sự giao cho Droid và cách lựa chọn mô hình và máy hoạt động theo từng tác vụ.

  2. Vapi Blog58

    Vapi ra mắt bản beta Personal Agent Calling cho phép trợ lý thực hiện cuộc gọi điện thoại

    Vapi đã ra mắt bản beta Personal Agent Calling, cho phép các trợ lý cá nhân gọi đến doanh nghiệp, xử lý menu điện thoại, duy trì cuộc trò chuyện và báo lại kết quả. Tính năng này hoạt động với các trợ lý bao gồm Muse, Instinct, GrokBot, ChatGPT Work, Claude Code, OpenClaw và Hermes, và người dùng dán một prompt hướng dẫn trợ lý đến phone.vapi.ai. Trong một thử nghiệm, trợ lý của Head of Revenue Bryan Parman đã chờ 14 phút trong trạng thái giữ máy với một hãng hàng không và từ chối khoản phí nâng cấp $51.69, sau đó nhân viên đại diện đã miễn khoản phí này và xác nhận ghế Economy Plus cạnh lối đi miễn phí.

29 tháng 9Thứ Ba
  1. Vapi Blog55

    Vapi ra mắt bộ công cụ CX để xây dựng và cải thiện các voice agent chăm sóc khách hàng

    Vapi đã ra mắt Vapi for CX, một bộ công cụ để xây dựng, triển khai, giám sát và tối ưu hóa các voice agent trải nghiệm khách hàng. Bộ công cụ này kết hợp một Composer ngôn ngữ tự nhiên dành cho các đội CX với cùng một đối tượng cấu hình có thể truy cập qua API, CLI và một máy chủ MCP, cùng với đánh giá, quản lý phiên bản, kế hoạch dự phòng, thẻ điểm cuộc gọi và dữ liệu hàng tuần về độ trễ, chi phí và chất lượng trên các bộ chuyển văn bản, mô hình và giọng nói. Vapi cho biết Amazon Ring vận hành 100% lưu lượng cuộc gọi đến của mình trên nền tảng này sau khi đánh giá hơn 40 nhà cung cấp, và Kavak xây dựng các phiên bản agent mới trong khoảng năm phút với NPS tăng 20 điểm.

  2. OpenClaw Blog71

    OpenClaw Enterprise ra mắt dưới dạng nền tảng mã nguồn mở để quản lý các tác nhân thường trú

    OpenClaw đã công bố OpenClaw Enterprise (OCE), một nền tảng mã nguồn mở, trung lập với nhà cung cấp để quản lý các tác nhân thường trú trong môi trường nhạy cảm, hiện đang được phát triển trước khi phát hành phiên bản 1.0 vào cuối năm nay. OCE bổ sung một mặt phẳng điều khiển cấp doanh nghiệp với tính đa thuê bao, ranh giới bảo mật cứng, sandbox, đánh giá dựa trên LLM và quyền chi tiết, đồng thời cho phép thay thế harness, mô hình và sandbox bằng các triển khai của bên thứ ba hoặc nội bộ. Các tổ chức có thể tự lưu trữ ngay hôm nay thông qua docker-compose cho phát triển cục bộ hoặc kubernetes cho triển khai nội bộ, và nó đang được thử nghiệm tại các công ty bao gồm Red Hat và OpenAI.

    Vì sao đáng chú ý: OpenClaw Enterprise là một mặt phẳng điều khiển mã nguồn mở cho các tác nhân thường trú trong môi trường nhạy cảm, với tính đa thuê bao, ranh giới bảo mật cứng và khả năng kiểm toán, hiện đã sẵn sàng cho các khối lượng công việc thử nghiệm nội bộ.

28 tháng 9Thứ Hai
  1. Anthropic · Claude.dev72

    Anthropic bổ sung lệnh build-eval và hillclimb vào skill claude-api trong Claude Code

    Anthropic đã thêm hai lệnh vào skill claude-api bên trong Claude Code: /claude-api build-eval xây dựng một bộ đánh giá trong codebase của bạn, và /claude-api hillclimb lặp cải tiến một ứng dụng dựa trên bộ đánh giá đó với một tập giữ riêng để phát hiện overfitting.

    Vì sao đáng chú ý: Anthropic bổ sung lệnh build-eval và hillclimb vào skill claude-api của mình, cho thấy Claude Code có thể thiết kế các bộ đánh giá và lặp cải tiến dựa trên chúng đồng thời phòng ngừa overfitting.

  2. Anthropic · Claude.dev82

    Anthropic phát hành Claude Sonnet 5.5 với giá mỗi token không đổi và tốc độ đầu ra nhanh hơn 30%

    Anthropic đã phát hành Claude Sonnet 5.5, mô hình thứ hai trong dòng Claude 5.5 sau Opus 5.5, mà công ty cho biết thông minh hơn, hiệu quả hơn và nhanh hơn 30% so với Sonnet 5 với cùng mức giá mỗi token. Vì mô hình thường cần ít token hơn cho mỗi tác vụ, Anthropic cho biết hầu hết công việc tốn ít hơn tới 30% chi phí, và mô hình đi kèm cửa sổ ngữ cảnh gốc 1M token, đầu ra tối đa 128k và tính năng thinking bật theo mặc định. Hướng dẫn phát hành liệt kê các thay đổi phá vỡ tương thích đối với người dùng Sonnet 5, bao gồm thay thế disabled thinking bằng cài đặt between_tools, đổi forced tool_choice sang auto kèm strict tools, và chuyển computer use sang bộ công cụ computer_toolset_20260801.

    Vì sao đáng chú ý: Sonnet 5.5 của Anthropic giữ nguyên giá của Sonnet 5 trong khi cắt giảm lượng token dùng cho mỗi tác vụ, và ghi chú chuyển đổi cho thấy những gì thay đổi đối với các nhóm đã và đang xây dựng trên Sonnet 5.

25 tháng 9Thứ Sáu
  1. OpenClaw Blog74

    Microsoft Autopilot được xây dựng trên OpenClaw, với các đóng góp theo cả hai chiều

    Microsoft đã giới thiệu Autopilot, một tác nhân cá nhân thường trực được xây dựng trên OpenClaw, như một phần trong trải nghiệm Copilot mới của hãng, với bản xem trước riêng tư sẽ mở rộng đến những khách hàng đầu tiên vào cuối tháng này. Autopilot là tên mới của Microsoft Scout, được công bố hồi đầu năm nay, và nhóm của Omar Shahine cho biết đang làm việc với OpenClaw và OpenClaw Foundation về một runtime cấp doanh nghiệp. OpenClaw nêu bật các đóng góp ngược dòng từ các kỹ sư Microsoft, bao gồm kiểm tra tuân thủ chính sách, một companion Windows gốc, và các bản sửa lỗi độ tin cậy cho các tác vụ nền, khởi động lại và phản hồi trùng lặp.

    Vì sao đáng chú ý: Autopilot của Microsoft được xây dựng trên OpenClaw, và các đóng góp ngược dòng được liệt kê ở đây cho thấy một runtime tác nhân dùng chung cải thiện như thế nào trên các nền tảng.

24 tháng 9Thứ Năm
  1. Vapi Blog25

    Kỹ sư Vapi giải đáp các câu hỏi hàng đầu về Model Intelligence, Simulations và Campaigns

    Các kỹ sư sản phẩm Vapi gồm Mhar Andal, Scott Lowe và Adham El Fawal đã trình diễn Model Intelligence, Simulations và Campaigns trong một webinar ngày 22 tháng 9 và trả lời các câu hỏi hàng đầu từ nhà phát triển. Model Intelligence đề xuất các preset transcriber, LLM và voice đồng thời hiển thị các chỉ số chi phí, độ trễ và chất lượng, trong khi Simulations chạy các AI tester với kết quả đạt/không đạt và Campaigns quay số danh sách lên tới 10.000 liên hệ.

23 tháng 9Thứ Tư
  1. Vapi Blog38

    Vapi thử nghiệm Jev như một hàng rào bảo vệ thời gian thực cho AI giọng nói

    Vapi đã chạy các thử nghiệm ban đầu sử dụng mô hình "System One" Jev trong chương trình truy cập sớm của TypeSafe AI như một hàng rào bảo vệ chấm điểm liệu phản hồi của trợ lý giọng nói có vi phạm quy tắc do nhà phát triển định nghĩa trước khi được phát ra hay không. Trong một thử nghiệm ban đầu, Jev đã phát hiện ít nhất ba trong bốn phản hồi vi phạm, mặc dù Vapi cho biết đây không phải là bảo đảm tuân thủ 100% mà chỉ là một lớp kiểm tra bổ sung bên trên các hàng rào bảo vệ bằng prompt.