inclusionAI đã phát hành Duo-1.0-distill-quant, trọng số Realization chưng cất bốn bước được lượng tử hóa FP8 cho mô hình thế giới đa phương thức song công toàn phần Duo 1.0. Các trọng số này được phủ lên gói inclusionAI/Duo-1.0-causal-base, gói này cung cấp Intent, codec, mô hình giọng nói và xương sống Realization dùng chung, và yêu cầu môi trường chạy hỗ trợ định dạng ModelOpt FP8 được đóng gói. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.
inclusionAI đã phát hành Duo-1.0-distill, trọng số Realization chưng cất bốn bước cho Duo 1.0, một mô hình thế giới đa phương thức song công toàn phần dành cho tương tác âm thanh-hình ảnh theo thời gian thực. Các trọng số này được phát hành dưới dạng lớp phủ PyTorch Distributed Checkpoint trên gói inclusionAI/Duo-1.0-causal-base, sử dụng bộ lấy mẫu Euler với 4 bước và flow shift 5.0. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.
Sing VL S1, một mô hình quyết định đa phương thức 4 tỷ tham số được xây dựng trên Qwen3.5, nay đã có bản phát hành GGUF cho suy luận CPU với llama.cpp. Nó được phát hành với các bộ giải mã BF16 (8,42 GB), Q8_0 (4,48 GB) và Q4_K_M (2,71 GB) cùng một bộ chiếu thị giác F16 dùng chung, với ngữ cảnh mặc định 4096 token. Kiểm định GGUF bao gồm 9 ví dụ và 11 câu hỏi; điểm số công khai đầy đủ cho các biến thể GGUF vẫn đang chờ.
IBM đã phát hành hai mô hình xem trước thử nghiệm, granite-4.1-3b-LLMON-preview và granite-4.1-8b-LLMON-preview, được phát triển từ các checkpoint cơ sở Granite 4.1 và được huấn luyện để tiếp nhận và tạo ra LLMON, một ngôn ngữ đánh dấu bản địa của LLM đánh dấu chỉ dẫn, dữ liệu và yêu cầu bằng các dấu phân cách token đặc biệt dành riêng. Trên bộ đánh giá OPI, các mô hình tránh được nhiều hơn 47% các cuộc tấn công chèn prompt gián tiếp so với mô hình tiên tiến nhất được thử nghiệm và nhiều hơn 95% so với mô hình mã nguồn mở tốt nhất, đồng thời hoạt động ngang bằng với Granite 4.1 Instruct trên các bộ đánh giá tiêu chuẩn. Bản phát hành bao gồm một bộ công cụ GitHub với các bộ chuyển đổi JSON sang LLMON không mất dữ liệu, và các tác giả lưu ý rằng bản xem trước dành cho mục đích khám phá, không phải để sử dụng trong môi trường sản xuất.
Vì sao đáng chú ý: IBM đã huấn luyện một mô hình xem trước trên Granite 4.1 có thể đọc và ghi các thẻ LLMON, sử dụng việc tách biệt rõ ràng giữa chỉ dẫn và dữ liệu để giảm tỷ lệ thành công của các cuộc tấn công chèn prompt gián tiếp trên bộ đánh giá OPI xuống gần bằng không trong khi vẫn duy trì các khả năng chung.
AWS đã mã nguồn mở UAEF (Universal Agent Evaluation Framework), một hệ thống độc lập với framework sử dụng các adapter để chuẩn hóa dấu vết tác nhân từ LangGraph, LangChain, Strands Agents, Amazon Bedrock AgentCore và Langfuse thành một AgentTrace chuẩn duy nhất, sau đó chấm điểm chúng bằng 36 chỉ số tích hợp trên 7 khía cạnh. Kết quả được lưu trữ theo từng thử nghiệm trong Amazon DynamoDB và Amazon S3, để các nhóm có thể so sánh các phiên bản tác nhân với một đường cơ sở, đánh dấu các hồi quy với ngưỡng mặc định 5 phần trăm, và tạo báo cáo thống kê cùng các thông tin chi tiết do LLM viết. Bài viết cho biết khách hàng trên 12 tổ chức trong lĩnh vực viễn thông, chăm sóc sức khỏe và dịch vụ tài chính đã sử dụng UAEF trước khi phát hành, và mã Apache 2.0, thư viện Python, triển khai CDK cùng các notebook theo từng framework nằm trong kho GitHub awslabs/uaef.
Vì sao đáng chú ý: Nhóm AWS đã mã nguồn mở UAEF, sử dụng các adapter để thống nhất quỹ đạo tác nhân từ các framework khác nhau thành một định dạng duy nhất, sau đó chấm điểm chúng trên 7 khía cạnh bằng 36 chỉ số, cung cấp một lớp đánh giá có thể tái sử dụng để so sánh các phiên bản tác nhân across frameworks.
AWS đã công bố một kiến trúc tham chiếu, trong đó một bộ điều phối doanh nghiệp dựa trên LangChain trên Amazon ECS gọi một tác nhân SaaS tuân thủ dựa trên Strands Agents trên Amazon Bedrock AgentCore thông qua giao thức A2A, với hai bên nằm trong các tài khoản AWS riêng biệt và không chia sẻ bí mật. Mỗi bên xác thực bằng token từ nhóm người dùng Amazon Cognito của riêng mình, và tác nhân SaaS gọi lại một tác nhân ngữ cảnh doanh nghiệp để lấy siêu dữ liệu tài khoản, do đó các tác nhân hoạt động như những bên ngang hàng thay vì máy khách và máy chủ. Hệ thống được triển khai từ ba sổ tay Jupyter, cung cấp năm ngăn xếp CloudFormation và chạy một bài kiểm tra đầu cuối cùng bảy kiểm tra ranh giới tin cậy.
AWS hướng dẫn các nhóm Java cách xây dựng tác nhân AI tự hành bằng Spring AI và AgentCore của Amazon Bedrock, với tích hợp spring-ai-agentcore. Hai hệ thống tham chiếu được trình bày chi tiết: một trợ lý du lịch đơn tác nhân có gọi công cụ và bộ nhớ, và một nền tảng xử lý tài liệu thông minh đa tác nhân với năm tác nhân chuyên biệt, một công cụ quy tắc và cảnh báo. Ngăn xếp yêu cầu JDK 21, Spring Boot 4.1 với Spring AI 2.0, và triển khai qua runtime AgentCore trên container ARM64.
Hugging Face đã công bố các script và container fine-tune cho TRELLIS.2, một mô hình tạo sinh 3D, có thể chạy cục bộ hoặc trên Hugging Face Jobs. Hướng dẫn sử dụng LoRA adapter thông qua thư viện PEFT chỉ trên sparse-structure flow DiT và shape flow DiT, giữ nguyên giai đoạn material. Trên tập con 188 đối tượng giày dép của bộ dữ liệu GSO, mô hình tiền huấn luyện thường render sai đế giày, và đây là mục tiêu mà fine-tune LoRA nhắm tới.
Một engine mã nguồn mở tính toán khác biệt ngữ nghĩa của các chính sách hình thức bằng cách dùng phản hợp nhất trên một e-graph, hiển thị cấu trúc chung một lần và giữ lại cả hai phiên bản của mỗi phần khác biệt. Nó nhắm tới các đầu ra tự hình thức hóa trong các chính sách SMT-LIB, Cedar, Dogwood, OpenShell và CEL, nơi một LLM viết ra tạo tác nhưng không tham gia vào việc tính toán khác biệt.
Bản tổng hợp tháng 10 năm 2026 của AWS bổ sung Claude Haiku 5.5, mà Anthropic cho biết có chi phí thấp hơn khoảng 75 phần trăm so với Claude Haiku 4.5 cho hầu hết các tác vụ, cùng với OpenAI GPT-6.1 Terra trên Amazon Bedrock với tối đa 1 triệu token đầu vào và giá thấp hơn ít nhất 50 phần trăm so với GPT-6.1 Sol và GPT-5.6 Terra. AgentCore CLI đạt phiên bản 1.0, và AgentCore Gateway bổ sung tính năng dự phòng mô hình và quy trình Step Functions như các công cụ agent.
Tether AI Research đã phát hành BotPsy, một mô hình tác tử 0.8 tỷ tham số xây dựng trên Qwen3.5-0.8B dành cho việc sử dụng công cụ trợ lý cá nhân trên thiết bị. Mô hình này gần như nhân đôi điểm số tác tử của mô hình gốc, với BFCL v4 tăng từ 23,4 lên 44,0 và τ-bench từ 23,2 lên 51,5, đồng thời vượt qua mọi mô hình lên tới 1,2 tỷ tham số được thử nghiệm trên sáu bộ đánh giá sử dụng công cụ. Mô hình cũng giảm phản hồi không an toàn xuống 21% từ 36% và sử dụng ít hơn khoảng 3 lần token suy luận trên GPQA Diamond.
inclusionAI đã phát hành LemonDecider 4B v3, một mô hình quyết định được tinh chỉnh từ Qwen3.5-4B, trả về xác suất lựa chọn, có/không hoặc thứ tự thông qua một lượt lan truyền xuôi kết hợp duy nhất thay vì sinh ra các token trả lời. Mô hình được huấn luyện trên khoảng 1,20M dòng quyết định/hỏi đáp và đạt 61,67 trên bộ công khai Decision Index 0.4, với độ trễ yêu cầu trung vị là 49,9 ms.
inclusionAI đã phát hành các checkpoint mô hình thị giác-ngôn ngữ ZoomGain-9B và ZoomGain-4B, cùng với bộ đánh giá ZoomGainBench và dữ liệu huấn luyện RL ZoomGain. ZoomGain khai thác khoảng cách nhận thức từ toàn cục đến thu phóng để xây dựng giám sát thị giác chi tiết, và ZoomGain-9B đạt hiệu suất vượt trội trên nhiều bộ đánh giá nhận thức chi tiết và tổng quát. ZoomGainBench chứa 1.000 câu hỏi trên 941 hình ảnh, trong khi bộ dữ liệu RL có 9.000 bản ghi huấn luyện và 7.713 hình ảnh nguồn.
inclusionAI đã phát hành bài báo arXiv, bộ đánh giá ZoomGainBench, tập dữ liệu huấn luyện RL và các checkpoint mô hình ZoomGain-4B/ZoomGain-9B. Mô hình tốt nhất trong 28 mô hình đạt 61,08 trên ZoomGainBench, trong khi ZoomGain-9B đạt hiệu suất vượt trội trên nhiều benchmark nhận thức tổng quát và chi tiết. ZoomGain khai thác khoảng cách nhận thức từ toàn cục đến thu phóng để xây dựng giám sát thị giác chi tiết cho các mô hình ngôn ngữ-thị giác.
LangChain trình bày chi tiết cách bộ khung Deep Agents mã nguồn mở của họ sử dụng middleware để chống lại hiện tượng suy giảm ngữ cảnh trong các phiên chạy agent dài. Kết quả công cụ vượt khoảng 20.000 token và tin nhắn người dùng vượt 50.000 token được chuyển sang tệp với chỉ một bản xem trước được hiển thị, trong khi tính năng tóm tắt cô đọng các tin nhắn cũ hơn khi mức sử dụng đạt 85% cửa sổ ngữ cảnh. Skills, subagents và một tệp bộ nhớ dài hạn dạng markdown giữ cửa sổ của agent chính ở mức nhỏ và cho phép bộ nhớ được duy trì qua các mô hình và nhà cung cấp.
Vì sao đáng chú ý: LangChain giải thích cách bộ khung Deep Agents mã nguồn mở của họ sử dụng middleware để chuyển tải, tóm tắt và cô lập ngữ cảnh, mang đến một mẫu tái sử dụng được cho các agent trong các tác vụ dài.
inclusionAI đã phát hành trọng số định dạng GGUF cho ZoomGain-9B, được chuyển đổi bằng llama.cpp, bao gồm mô hình ngôn ngữ và bộ mã hóa hình ảnh/projector (mmproj) ở FP16, Q8_0 và Q4_K_M. Đầu vào hình ảnh yêu cầu ghép mô hình ngôn ngữ với tệp mmproj tương ứng, và kho lưu trữ tài liệu hóa suy luận CLI qua llama-mtmd-cli và thiết lập trò chuyện web qua llama-server. Cần bản dựng llama.cpp có hỗ trợ đa phương thức Qwen3.5, và việc lượng tử hóa có thể ảnh hưởng đến độ chính xác.
MiniMax phát hành H3-Image, một mô hình tạo ảnh trọng số mở được xây dựng trên H3, hỗ trợ tạo ảnh từ văn bản, tạo ảnh dựa trên tham chiếu và chỉnh sửa ảnh, có thể tạo ra ảnh 4096 × 4096 trong dưới 10 giây. Công ty cho biết mô hình xử lý tối đa 16 ảnh tham chiếu, tuyên bố khả năng tuân thủ lời nhắc đạt mức tiên tiến nhất trong các mô hình trọng số mở, và báo cáo tốc độ nhanh gấp tới 5 lần so với các lựa chọn thay thế phổ biến. H3-Image có sẵn qua Nền tảng API MiniMax, MiniMax Code và Hailuo AI, với giá bằng 50–70% các sản phẩm tương đương, giảm 50% cho các yêu cầu 4K trở lên trong tuần ra mắt.
Vì sao đáng chú ý: MiniMax phát hành H3-Image trọng số mở, tuyên bố tạo ảnh 4K trong dưới 10 giây và giá bằng 50–70% các sản phẩm phổ biến tương đương, mang đến cho nhà phát triển một lựa chọn mở mới cho công việc hình ảnh độ phân giải cao.
Google đã phát hành A2UI 1.0, phiên bản ổn định đầu tiên của giao thức mở cho phép các AI agent trả lời bằng màn hình tương tác được hiển thị bởi các thành phần gốc của chính từng ứng dụng. Phiên bản 1.0 bổ sung gọi hàm hai chiều, hỗ trợ trợ năng và siêu dữ liệu mở rộng, cùng các trình kết xuất mã nguồn mở cho React, Angular, Lit, Flutter, SwiftUI và Jetpack Compose (trình kết xuất Compose đang ở 0.9.1 và 1.0 sẽ sớm ra mắt) và SDK agent cho Python, TypeScript và Dart. Atlassian đang đưa A2UI vào Jira, Alation kết xuất các nguồn cấp dữ liệu của mình bằng nó trong Claude, và ByteDance đã phát hành trình kết xuất Lynx vào tháng 6 năm 2026, hiện hỗ trợ 0.9.
Vì sao đáng chú ý: Giao thức A2UI 1.0 ổn định của Google cho phép agent trả về màn hình tương tác gốc thay vì những khối văn bản, với trình kết xuất cho web, Android và iOS cùng những đơn vị áp dụng sớm gồm Atlassian và ByteDance.
Amazon giới thiệu Mitra-v2, mô hình nền tảng dạng bảng thế hệ thứ hai cho phân loại và hồi quy, được phát hành kèm các mô hình đã tinh chỉnh cùng mã suy luận và tinh chỉnh theo giấy phép Apache-2.0 trên Hugging Face. Mô hình được tiền huấn luyện trên các bảng tổng hợp có số hàng gấp 10 lần và số cột gấp khoảng ba lần so với Mitra-v1, sử dụng prior SCM lai mới và bộ tối ưu lai trong khi giữ nguyên kiến trúc Transformer. Trên TabArena, một benchmark công khai gồm 51 bộ dữ liệu thực tế, Mitra-v2 dẫn đầu nhóm mô hình đơn, vượt Mitra-v1 trên 32 trong số 33 bộ dữ liệu mà cả hai chạy gốc, và hoàn thành cả 51 bộ trong giới hạn một giờ; Mitra-v2 đã tinh chỉnh cũng đứng đầu trên ScoringBench.
Vì sao đáng chú ý: Mitra-v2 cho thấy việc mở rộng dữ liệu tiền huấn luyện tổng hợp, thay vì làm sâu mạng, đưa một mô hình nền tảng dạng bảng lên đỉnh nhóm mô hình đơn của TabArena.
LiveKit đã phát hành LiveKit Portal cho ROS 2, một nút ROS 2 độc lập kết nối đồ thị ROS với một phòng LiveKit để các thành viên ROS và không phải ROS có thể trao đổi topic, gọi dịch vụ và video qua WebRTC mà không cần mở DDS ra mạng ngoài. Nó hỗ trợ bốn đường dữ liệu—topic qua DataTracks, dịch vụ qua RPC, hình ảnh dưới dạng VideoTracks và nguồn video trực tiếp—với các quy tắc YAML cho hướng, giới hạn tốc độ và mã hóa lược đồ. Một bản demo chuyển tải SLAM lập thể và tái tạo cảnh từ một rover Jetson Orin Nano sang một máy tính để bàn RTX 5090.
Google đã giới thiệu Nhận dạng giọng nói tự động (ASR) và Chuyển văn bản thành giọng nói (TTS) trên thiết bị trong Google AI Edge Gallery, cho phép các ứng dụng chạy ASR đa ngôn ngữ và TTS biểu cảm hoàn toàn ngoại tuyến song song với các SLM trên thiết bị như Gemini Nano và Gemma 4. Trên Android, các mô hình giọng nói mới của ML Kit phiên âm hơn 100 ngôn ngữ với tốc độ gấp 10 lần thời gian thực, đạt Tỷ lệ lỗi từ (Word Error Rate) từ 8,0% đến 9,0% trên FLEURS, trong khi TTS khuếch tán few-step bắt đầu nói trong khoảng 100 ms và tạo âm thanh 24 kHz với tốc độ lên đến gấp 50 lần thời gian thực. Hỗ trợ đa nền tảng đến qua MediaPipe Tasks và LiteRT với các gói trọng số mở bao gồm Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M và Phonon 31M, được trình diễn trong showcase XR Language Teacher và AI Chat hỗ trợ giọng nói.
Vì sao đáng chú ý: Google bổ sung ASR và TTS hoàn toàn ngoại tuyến vào AI Edge Gallery, với ML Kit báo cáo phiên âm hơn 100 ngôn ngữ ở tốc độ gấp 10 lần thời gian thực và TTS khuếch tán bắt đầu nói trong khoảng 100 ms.
Elith và NVIDIA đã phát hành Nemotron-Personas-Finance-Japan, một bộ dữ liệu persona tổng hợp mở cho lĩnh vực tài chính Nhật Bản được xây dựng trên số liệu thống kê chính thức của chính phủ. Bộ dữ liệu chứa 9M persona (1M bản ghi × 9 persona) trên 50 lĩnh vực và ~1,5B token, được tạo bằng NeMo SDG-PGMs và NeMo Data Designer, và có sẵn theo giấy phép CC BY 4.0 cho mục đích thương mại.
NVIDIA giới thiệu GR00T 2, một mô hình hành động thế giới mở được xây dựng trên Cosmos và huấn luyện trên 100.000 giờ dữ liệu góc nhìn thứ nhất của con người, cùng với Isaac Lab 3.0 và các bộ đánh giá robot mới tại CoRL. GR00T 2 hoàn thành 40 trong số 50 nhiệm vụ được đánh giá ít nhất một lần mà không cần minh họa dành riêng cho nhiệm vụ và đạt tỷ lệ thành công trung bình 71% trên 50 nhiệm vụ với một minh họa mỗi nhiệm vụ, tăng lên 95% với năm minh họa. Isaac Lab 3.0 bổ sung tích hợp vật lý Newton cho các vật thể biến dạng và báo cáo thông lượng huấn luyện cao gấp 2,5 lần so với Isaac Lab 2.3 với PhysX trong một bộ đánh giá thao tác khéo léo dựa trên thị giác.
Vì sao đáng chú ý: Bản phát hành CoRL của NVIDIA cho thấy cách mô phỏng kết hợp với các mô hình hành động thế giới hiện đang nhắm đến công việc lắp ráp tinh xảo, với các chi tiết của GR00T 2 và Isaac Lab 3.0 đáng để so sánh với các ngăn xếp robot trước đây.
Các nhà nghiên cứu giới thiệu HOPE, một phương pháp cắt tỉa chuyên gia bậc hai cho các mô hình ngôn ngữ Mixture-of-Experts, có tính đến tương tác cặp giữa các chuyên gia cùng kích hoạt thay vì chấm điểm từng chuyên gia một cách độc lập. Ở mức cắt tỉa 50%, HOPE đạt thứ hạng trung bình tốt nhất trong số mọi phương pháp, với mức cải thiện lên tới +6,1% trên các tác vụ lập trình dạng agent so với phương pháp cắt tỉa tốt thứ hai. Công trình nhắm vào nút thắt bộ nhớ ở các mô hình như Qwen3.5-122B, nơi các MLP chuyên gia chiếm 95% trong tổng dung lượng khoảng 250 GB.
Zyphra đã phát hành ZONOS3-Mini, một mô hình chuyển văn bản thành giọng nói MoE thưa với 100M tham số hoạt động và 800M tổng tham số theo giấy phép Apache 2.0, được huấn luyện trên 112 NVIDIA H100 trong 2,5 ngày. Mô hình đạt thời gian đến âm thanh đầu tiên dưới 570 ms trên trình duyệt với Pixel 9 và dưới 150 ms trên M3 MacBook Air, với các runtime cho WebGPU, SGLang, vLLM và GGML. Mô hình bổ sung khả năng kiểm soát danh tính, giọng điệu, chất lượng, tâm trạng và cách thể hiện, bao gồm điều khiển ở cấp độ từ, và Zyphra báo cáo rằng mô hình đứng đầu trong số các mô hình mở trên benchmark ZTTS2-Eval mới của họ.
Vì sao đáng chú ý: Mô hình TTS MoE nhỏ gọn của Zyphra kết hợp nhân bản giọng nói zero-shot với điều khiển cách thể hiện ở cấp độ từ trong khi chạy thời gian thực trên điện thoại và máy tính xách tay.
ZoomGain xây dựng các câu hỏi về một hình ảnh đầy đủ từ những chi tiết thị giác chỉ trở nên rõ ràng khi thu phóng, sử dụng khoảng cách nhận thức từ toàn cục đến thu phóng này làm giám sát cho các mô hình ngôn ngữ-thị giác. Bản phát hành bao gồm bài báo arXiv, bộ đánh giá ZoomGainBench (1.000 câu hỏi trên 941 hình ảnh bao gồm nhận dạng thuộc tính, đếm và OCR), 9.000 bản ghi huấn luyện RL trên 7.713 hình ảnh nguồn, và các checkpoint ZoomGain-4B và ZoomGain-9B. Mô hình tốt nhất trong số 28 mô hình đạt 61,08 trên ZoomGainBench, trong khi ZoomGain-9B đạt hiệu suất vượt trội trên nhiều bộ đánh giá nhận thức tinh vi và tổng quát.
Google Cloud đã phát hành hỗ trợ huấn luyện ngữ cảnh dài trong MaxText v0.2.4, khung huấn luyện JAX mã nguồn mở của họ, bổ sung bốn chiến lược song song hóa ngữ cảnh trên Cloud TPU: All-gather, A2A (DeepSpeed Ulysses), P2P (Ring Attention) và kết hợp A2A + P2P (USP). Các đánh giá chuẩn với Llama 3.1 8B đạt 70% MFU trên TPU 5p ở độ dài chuỗi lên đến 4 triệu token, và ngữ cảnh mở rộng đến 14 triệu token trên cả TPU 5p và TPU 7, với TPU 7 duy trì 50% MFU dưới 6 triệu token. Bản phát hành có sẵn trên PyPI, trong các Docker image và trên GitHub main, kèm các công thức mẫu cho TPU 7 và TPU 5p.
Vì sao đáng chú ý: Bốn chiến lược song song hóa ngữ cảnh của MaxText trên Cloud TPU, cùng các số liệu MFU đánh giá chuẩn cho Llama 3.1 8B, mang đến cho các nhóm một tham chiếu cụ thể để lựa chọn cách huấn luyện ở độ dài chuỗi hàng triệu token.
Ai2 đã phát hành ToyBlocks, một khung mô phỏng mở được xây dựng xoay quanh một cánh tay robot và các khối trên mặt bàn, là sản phẩm đầu tiên trong FoundationWorlds của họ dành cho việc học và đánh giá robot có kiểm soát. Khung này tự động tạo kỹ năng và bản trình diễn thông qua RL và lập kế hoạch chuyển động trong Isaac Lab, đạt tốc độ lên tới 24 lần thời gian thực trên một GPU, và đi kèm 85.336 bản trình diễn tầm xa bao phủ gần 1.600 giờ và 144 triệu khung hình. Trong các thí nghiệm của mình, tỷ lệ thành công của kỹ năng nguyên tử ManiFlow là 80,0% trong mô phỏng và 81,1% trên Franka FR3 thực tế, trong khi hệ thống Molmo 2 kết hợp ManiFlow thành công trong 55,5% tập mô phỏng và 50,0% tập thực tế.
Ai2 đã phát hành ToyBlocks, một khung mô phỏng mở được xây dựng xoay quanh một cánh tay robot và các khối trên mặt bàn, là sản phẩm đầu tiên trong FoundationWorlds của họ dành cho nghiên cứu học robot có kiểm soát. ToyBlocks tự động tạo nhiệm vụ và bản trình diễn thông qua RL và lập kế hoạch chuyển động trong Isaac Lab, đạt tốc độ tạo dữ liệu lên tới 24 lần thời gian thực trên một GPU duy nhất, và đi kèm với 85.336 bản trình diễn tầm xa bao phủ gần 1.600 giờ và 144 triệu khung hình. Trong các thử nghiệm thực tế trên Franka FR3, tỷ lệ thành công của kỹ năng nguyên tử của ManiFlow là 80,0% trong mô phỏng và 81,1% trên phần cứng, trong khi hệ thống Molmo 2 kết hợp ManiFlow thành công trong 55,5% số tập mô phỏng và 50,0% số tập thực tế.
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.
VeRL-Omni v0.3.0 đã được phát hành với các luồng thực thi RL bất đồng bộ và tách rời, V1 trainer là mặc định, và mở rộng phạm vi hậu huấn luyện trên hiểu biết hình ảnh, video, âm thanh và đa phương thức. Bản phát hành bổ sung huấn luyện văn bản và âm thanh Qwen3-Omni hoàn toàn bất đồng bộ, huấn luyện Omni và diffusion bất đồng bộ tách rời với bộ đệm phát lại, và các công thức mới bao gồm MiniMax H3 với DiffusionNFT và MiniCPM-o 4.5 GSPO. Trong một thí nghiệm MiniCPM-o 4.5 AVQA trên 4×H800 80 GB, separate-async 3+1 chậm hơn khoảng 9% mỗi prompt so với colocated 4+0 ở độ dài phản hồi tự nhiên, gần như ngang bằng ở 512 token, và nhanh hơn khoảng 6.7% ở 1024 token.
Zyphra Research đã phát hành ZYFA, các nhân tính toán attention prefill nhân quả BF16 và FP8 cho MI355X của AMD (CDNA4, gfx950), hỗ trợ head dimension 128 và hình dạng MLA của DeepSeek-V2. Trên các activation từ Mistral-7B, Qwen3-8B và DeepSeek-V2-Lite ở 16K token, các nhân FP8 của ZYFA đạt thông lượng 1,16–1,76× so với AITER, và trên đầu vào Gaussian ở 32K token đạt 1,26–1,37× ở head dimension 128 và 1,99× ở hình dạng MLA. Sai số FP8 thấp hơn 62–78% so với AITER ở head dimension 128.
ASpec là một khung huấn luyện thông lượng cao cho các mô hình nháp giải mã suy đoán, được xây dựng từ cơ sở mã TorchSpec với cơ chế attention tối ưu, các kernel hợp nhất và tính toán head/loss chọn lọc. Trên một lần chạy Qwen3-8B 4K, huấn luyện chỉ Draft đạt 15.256,44 token đầu vào/giây trên một GPU, gấp 1,96× TorchSpec, trong khi cửa sổ ổn định trực tuyến 8 GPU đạt 77.721,37 token/giây, gấp 2,28× TorchSpec. Nó hỗ trợ DSpark, DFlash, EAGLE3/4 và các draft MTP gốc, với quickstart Qwen3-8B và Ling tiny.
Google Research giới thiệu Agile Deliberation, một framework biến việc tạo bộ phân loại AI mang tính chủ quan thành một cuộc trò chuyện lặp đi lặp lại, trong đó AI giúp người dùng làm sắc nét các định nghĩa của chính họ. Framework chia nhiệm vụ thành phạm vi khái niệm và lặp lại khái niệm, sử dụng các mô hình ngôn ngữ - thị giác để làm nổi bật các hình ảnh ranh giới và đưa phản hồi vào một vòng tối ưu hóa lời nhắc tự động. Trong 18 phiên người dùng trực tiếp kéo dài 1,5 giờ, phương pháp này giảm mệt mỏi và lo lắng cho người dùng, đồng thời tạo ra các mô hình nhất quán hơn, vượt trội so với các baseline tiêu chuẩn; mã nguồn được mở trên GitHub.
Preferred Networks đã phát hành PLaMo 3 Translate, một LLM chuyên dịch thuật được sử dụng trong dịch vụ PLaMo Translation của họ, dưới dạng mô hình trọng số mở trên Hugging Face vào ngày 5 tháng 11. 8B, 2B, 8B và 31B) và hỗ trợ 53 ngôn ngữ bao gồm tiếng Nhật và tiếng Anh, chạy trên điện thoại thông minh, máy tính xách tay và máy chủ nội bộ mà không cần kết nối đám mây.
Vì sao đáng chú ý: PFN phát hành một LLM chuyên dịch thuật với bốn kích cỡ từ 0.8B đến 31B, cho phép các công ty và cá nhân chạy dịch thuật 53 ngôn ngữ trên thiết bị mà không cần truy cập đám mây.
Mistral AI đã phát hành trọng số mở của Mistral Large 4 (Le Chonk), một mô hình đa phương thức bản địa 1 nghìn tỷ tham số đã vào bản xem trước công khai đầu tháng này và được huấn luyện từ đầu tại châu Âu. Công ty cho biết thêm ba tuần học tăng cường đã đưa nó lên đỉnh về lập trình với trọng số mở, đạt 41% trên Terminal-Bench 4.0 và 48% trên Artificial Analysis Coding Agent Index trong khi sử dụng ít hơn 47% token mỗi tác vụ so với GLM-5.3. Mô hình bổ sung các chế độ suy luận Low, Medium và High, đạt 51% trên Artificial Analysis Cyber Index, và có giá 0,70 USD đầu vào, 0,07 USD đầu vào được lưu cache và 2,10 USD đầu ra trên mỗi triệu token theo giấy phép MIT sửa đổi.
Vì sao đáng chú ý: Mistral mở trọng số cho mô hình hàng đầu 1 nghìn tỷ tham số của mình, kết hợp các cải thiện về điểm chuẩn lập trình và an ninh phòng thủ với ba chế độ suy luận và giá theo token.
Inclusion AI và các cộng tác viên học thuật đã phát hành IDM, một phương pháp chưng cất kết hợp khớp phân phối nội tại với khớp mô-men trong không gian đặc trưng EMA của chính generator, loại bỏ nhu cầu về một bộ mã hóa đặc trưng bên ngoài. Ở 2 NFE, IDM (Z-Image) đạt 94,25% trên LongText-CN và 90,20% trên LongText-EN, và IDM đầy đủ tham số (Z-Image) chạy trong 0,25 giây ở 1 NFE và 0,30 giây ở 2 NFE trên một A100 duy nhất ở BF16. Cùng một checkpoint đã huấn luyện hỗ trợ cả lấy mẫu 1-NFE và 2-NFE, và mã được phát hành theo Apache 2.0, trong khi các checkpoint được ghi là sắp ra mắt.
inclusionAI đã phát hành Ling-3.0-flash-Sante-fp8, phiên bản lượng tử hóa FP8 của mô hình Ling-3.0-flash-Sante chuyên về chăm sóc sức khỏe, giữ nguyên 124B tổng tham số và 5.1B tham số hoạt động mỗi token. Mô hình đạt mức trung bình 73.9 trên các benchmark chăm sóc sức khỏe, tương đương checkpoint BF16, đồng thời giảm bộ nhớ trọng số cho phần cứng hỗ trợ FP8. Mô hình chỉ dành cho nghiên cứu này hỗ trợ ngữ cảnh 256K token và mặc định ở chế độ thinking với khả năng gọi công cụ.
Các nhà nghiên cứu đang điều chỉnh mô hình olmOCR 2 mã nguồn mở của Ai2 để phiên âm các kho lưu trữ lịch sử và khảo cổ. Nhà sử học Maurice Casey đã xây dựng ArtificeOCR, chạy olmOCR 2 cục bộ cùng với Tropy để giúp thư viện ảnh lưu trữ của ông có thể tìm kiếm bằng từ khóa, trong khi dự án CENTURIA của TU Wien đã tinh chỉnh olmOCR 2 bằng LoRA trên 57 bản ghi được chú thích, giảm lỗi phiên âm trên 450 bản ghi kiểm thử từ 15,58% xuống 1,11%.