Tới nội dung
Chỉ Chính chủ#Bài báo / nghiên cứu
13 tháng 11Thứ Sáu
  1. Microsoft Research22

    Microsoft Research Focus Edition #98: Dịch thuật AI, chứng minh giả thuyết KLS và tác nhân lập trình nhanh hơn

    Microsoft Research Focus Edition #98 nêu bật những tiến bộ AI đưa dịch thuật phổ quát đến gần thực tế hơn và một chứng minh mới giải quyết giả thuyết KLS đã tồn tại 31 năm trong hình học chiều cao. Ấn bản cũng đề cập CompactionBench và APEC, giúp giảm chi phí nén ngữ cảnh của tác nhân lập trình tới 25,4% và thời gian thực thi 9,6%, cùng với Latent Core Tokenizer, cải thiện token hóa trên 104 ngôn ngữ.

12 tháng 11Thứ Năm
  1. OpenAI Alignment Blog58

    OpenAI sử dụng red teaming tự động để cải thiện độ bền vững mờ trong GPT-6 Astra và Sol

    Các nhà nghiên cứu OpenAI mô tả cách red-teaming tự động, sử dụng một mô hình suy luận thuộc họ GPT-5.6 Sol làm kẻ tấn công nhắm vào các phòng thủ GPT-5.4 và GPT-5.5, đã tạo ra các jailbreak tổng hợp được dùng làm dữ liệu huấn luyện RL cho GPT-6 Astra và Sol. Trên các jailbreak cố định từ các cuộc tấn công trước đó nhắm vào GPT-5.4 và 5.5, GPT-6 Astra trả lời an toàn 91,5% về mảng cyber so với 59% của GPT-5.6 Sol, và nó duy trì độ bền vững cao hơn trên tất cả ngân sách của kẻ tấn công trong một đánh giá đa lượt thích ứng. OpenAI báo cáo rằng việc huấn luyện độ bền vững không làm tăng tỷ lệ từ chối các tác vụ lành tính, dẫn chứng một cải thiện Pareto về an toàn và hữu ích trong thẻ hệ thống của GPT-6 Astra.

  2. Apple Machine Learning Research38

    Giới hạn lý thuyết của căn chỉnh mô hình ngôn ngữ

    Các nhà nghiên cứu từ Apple Machine Learning Research suy ra các giới hạn lý thuyết thông tin của căn chỉnh mô hình ngôn ngữ chính quy hóa KL, đưa ra biểu thức dạng đóng cho mức tăng phần thưởng kỳ vọng tối đa dưới ngân sách KL cố định, được chi phối bởi số hạng phân kỳ Jeffreys thay vì √KL được dùng trong các phân tích trước đây. Họ chỉ ra rằng khoảng cách giữa căn chỉnh lý tưởng và căn chỉnh đại diện (reward hacking) tăng lên khi sai số phần thưởng tăng và hình phạt KL thu hẹp, và chứng minh rằng việc kết hợp phần thưởng giúp giảm thiểu điều này. Trên các tác vụ an toàn và tóm tắt, best-of-N tiến sát giới hạn lý thuyết trong khi PPO và GRPO vẫn còn kém tối ưu đáng kể.

  3. Google Research58

    Google Research sử dụng thiết bị đeo để xây dựng hồ sơ rủi ro CKM và huấn luyện cá nhân hóa

    Google Research đã giới thiệu một khung nghiên cứu chuyển dữ liệu từ thiết bị đeo tiêu dùng thành tuổi sức khỏe có thể huấn luyện và mô phỏng các quỹ đạo sức khỏe giả định cá nhân hóa trong 12 tuần. Mô hình thế giới SensorWM được tiền huấn luyện trên 2,28 triệu tuần-người dữ liệu Fitbit đã khử nhận dạng từ khoảng 100.000 người dùng và dự báo 20 chỉ dấu sinh lý dưới các chế độ đi bộ, ngủ và tim mạch khác nhau. Trong một nghiên cứu mù, các huấn luyện viên lối sống chọn kế hoạch dựa trên phản thực tế là tốt nhất tổng thể trong 71,4% đánh giá, và các bác sĩ đánh giá 99,2% kế hoạch nằm trong giới hạn cường độ tập luyện an toàn; các tác giả lưu ý các mô hình là nguyên mẫu nghiên cứu, không phải công cụ chẩn đoán lâm sàng.

  4. Google Developers Blog58

    Google Agent Anomaly Detection đạt điểm trên năm bộ chuẩn an ninh tác nhân công khai

    Google đã chạy Agent Anomaly Detection của mình, trong Private Preview trên Gemini Enterprise Agent Platform, đối chiếu với năm bộ chuẩn an ninh tác nhân công khai mà họ không tự viết, chấm điểm 1.774 phiên. Nó gắn cờ 87% các chỉ dẫn độc hại mà tác nhân thực sự thực thi, với báo động giả trên 2% đến 16% các phiên lành tính, và chỉ bắt được 4 trong 18 phiên nơi bộ nhớ dài hạn bị đầu độc khiến tác nhân hành động. Các bài kiểm tra sử dụng một tác nhân được xây dựng bằng Agent Development Kit (ADK) trên gemini-2.5-flash, bao gồm AgentDojo, InjecAgent, Agent Security Bench, AgentDyn và AgentHarm.

11 tháng 11Thứ Tư
  1. inclusionAI Models40

    inclusionAI phát hành mô hình ZoomGain-9B và ZoomGain-4B cùng ZoomGainBench và dữ liệu huấn luyện RL

    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.

  2. inclusionAI Models38

    inclusionAI phát hành ZoomGain-4B và ZoomGain-9B cùng ZoomGainBench và dữ liệu huấn luyện RL

    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.

  3. Microsoft Research75

    Các nhà nghiên cứu Microsoft mô tả Lazarus, một backdoor lập trình lại các neuron không hoạt động trong các tác nhân AI

    Các nhà nghiên cứu Microsoft đã mô tả Lazarus, một kỹ thuật backdoor lập trình lại ít hơn 10 neuron không hoạt động trong một LLM để một tác nhân xây dựng trên đó phát ra lệnh của kẻ tấn công khi một kích hoạt ẩn xuất hiện, mà không cần huấn luyện lại. Mô hình đã sửa đổi vẫn vượt qua các đánh giá tiêu chuẩn và hoạt động bình thường cho đến khi kích hoạt, có thể đơn giản như một thay đổi ngày tháng, và sau đó tác nhân chạy mã đã tải xuống với bất kỳ quyền truy cập nào được cấp. Các tác giả cho biết việc phát hiện đòi hỏi phải so sánh với trọng số gốc, và Microsoft Foundry đã liên kết các mô hình trọng số mở với nhà phát hành của chúng và quét các container của chúng, trong khi các bộ công cụ red-teaming, quét trọng số dựa trên tác nhân và các mô hình có chữ ký với nguồn gốc chống giả mạo đang được phát triển.

    Vì sao đáng chú ý: Các nhà nghiên cứu Microsoft cho thấy rằng việc lập trình lại ít hơn 10 neuron không hoạt động có thể tạo backdoor cho một tác nhân LLM mà không cần huấn luyện lại, điều này khiến nguồn gốc và tính toàn vẹn của trọng số trở thành một yêu cầu bảo mật thực tế.

10 tháng 11Thứ Ba
  1. Google DeepMind82

    Google DeepMind giới thiệu AlphaProof Code, chính thức xác minh mã mật mã của Signal

    Các nhà nghiên cứu của Google DeepMind đã sử dụng AlphaProof Code, một khung tác tử đa LLM, để chính thức xác minh các thuộc tính bảo mật quan trọng của mã thực tế nằm bên dưới giao thức Signal. Các tác tử được vận hành bởi Gemini Carbon đã tạo ra hơn sáu triệu dòng Lean, và các chuyên gia con người chỉ xem xét khoảng một phần trăm cơ sở mã; quá trình xác minh mất bốn tuần, một nhiệm vụ mà theo lịch sử các nhóm chuyên gia phải mất nhiều năm. Khi hai lỗi đã được sửa trước đó được đưa trở lại vào một phiên bản cô lập của mã Signal, hệ thống đã tạo ra các chứng minh được máy kiểm tra rằng các phiên bản có lỗi là không an toàn, và DeepMind đang mở mã nguồn các sản phẩm xác minh hình thức của mình.

    Vì sao đáng chú ý: Khung đa tác tử của Google DeepMind đã chính thức xác minh mã mật mã đã triển khai của Signal trong bốn tuần, một nhiệm vụ mà theo lịch sử các nhóm chuyên gia phải mất nhiều năm.

  2. 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.

  3. Apple Machine Learning Research34

    Weighted State Souping cho Truy xuất Ngữ cảnh Dài Hiệu quả

    Các nhà nghiên cứu Apple và cộng tác viên Harvard đề xuất weighted state souping, một phương pháp học trọng số phụ thuộc truy vấn để tái tổ hợp các mã hóa trạng thái SSM đã lưu trong bộ nhớ đệm, cải thiện hiệu suất ngữ cảnh dài trên QA tài liệu đơn bước và đa bước, truy xuất needle-in-a-haystack, theo dõi biến và sử dụng công cụ. Một biến thể thưa đạt chi phí mã hóa gần như không đổi theo độ dài ngữ cảnh trong khi vẫn giữ nguyên hoặc đôi khi cải thiện hiệu suất. Bài báo đã được chấp nhận tại hội thảo PALM tại NeurIPS 2026.

  4. Apple Machine Learning Research38

    Nghiên cứu của Apple: Cơ chế gating giải thích tại sao SSM ghi nhớ thay vì học trong ngữ cảnh

    Một nghiên cứu của Apple và Harvard chỉ ra rằng cơ chế gating trong Mô hình Không gian Trạng thái (SSM) khiến chúng trước tiên học một giải pháp "ghi nhớ" trong trọng số, làm chậm trễ hoặc thậm chí ngăn cản việc hội tụ đến học trong ngữ cảnh đúng đắn. Điều này xảy ra ngay cả khi kiến trúc và dung lượng bộ nhớ không đặt ra giới hạn cơ bản nào. Tuy nhiên, gating thường cải thiện khả năng tổng quát hóa cho độ dài chuỗi dài.

  5. Apple Machine Learning Research31

    Nghiên cứu của Apple đánh giá các giám khảo LLM cho việc đánh giá phong cách viết cá nhân hóa

    Các nhà nghiên cứu của Apple đã kiểm tra mức độ mà các giám khảo LLM đánh giá xem văn bản được tạo có phù hợp với phong cách viết ưa thích của người dùng hay không, bằng cách tạo văn bản với bốn LLM trên ba tác vụ viết dài và so sánh chú thích của giám khảo với nhãn so sánh cặp của con người. Chất lượng giám khảo chỉ tương quan yếu với năng lực LLM tổng quát trên MMLU (Pearson's ρ ≤ 0.2) và thay đổi theo tác vụ viết và tiêu chí đánh giá, và so sánh cặp tỏ ra nhất quán hơn so với chấm điểm độc lập. Các LLM mạnh nhất không phải là những mô hình tái tạo đánh giá của con người một cách đáng tin cậy nhất, có thể do độ nhạy cảm quá mức với các chi tiết tinh tế.

  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.

9 tháng 11Thứ Hai
  1. Hugging Face Blog38

    NVIDIA và Elith phát hành bộ dữ liệu tổng hợp Nemotron-Personas-Finance-Japan

    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.

  2. Hugging Face Blog40

    HOPE: Cắt tỉa bậc cao các chuyên gia trong mô hình ngôn ngữ Mixture-of-Experts

    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.

  3. Anthropic · Claude.dev80

    Anthropic: 1.000 tác nhân Claude Fable 5.2 tái tạo bản hình thức hóa Định lý cuối cùng của Fermat trong 28,7 giờ

    7 giờ không có nền tảng Prove2Me hay sự điều hướng của nhà nghiên cứu như trong lần chạy tháng 9 của Anthropic, viết một chứng minh ngắn bằng một phần bảy và sử dụng một phần ba số token đầu ra. Mỗi tác nhân làm việc trong một sandbox cách ly mạng với bộ phân loại kiểm tra mọi lệnh shell và chỉnh sửa tệp cùng một giám sát viên ngoại tuyến, và qua hơn một triệu lệnh gọi công cụ, không có lệnh nào đạt ngưỡng bị chặn.

    Vì sao đáng chú ý: Lần chạy 1.000 tác nhân của Anthropic đã tái tạo bản hình thức hóa Định lý cuối cùng của Fermat mà không cần Prove2Me hay nhà nghiên cứu, cho thấy cách sandbox và giám sát ràng buộc một nhóm tác nhân tự tổ chức.

  4. Berkeley AI Research22

    BAIR tại CoRL 2026: Các bài báo, phiên báo cáo miệng và bài phát biểu chính về Học máy Robot của Berkeley

    BAIR của UC Berkeley đang trình bày 33 bài báo hội nghị chính, 4 poster late-breaking, 3 bài báo cáo miệng và 7 spotlight tại CoRL 2026, diễn ra từ ngày 9–12 tháng 11 tại Austin, Texas. Giáo sư Negar Mehr sẽ có bài phát biểu chính Early Career Keynote về cách robot học tương tác và phối hợp với các đối tượng khác. Các công trình trải rộng từ bộ nhớ embodied cho mô hình vision-language-action, mở rộng quy mô thao tác khéo léo với dữ liệu người góc nhìn thứ nhất, đến tự cải thiện của robot dạng tác tử.

  5. inclusionAI Repositories38

    ZoomGain: Khai thác khoảng cách nhận thức từ toàn cục đến thu phóng cho giám sát thị giác tinh vi

    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.

  6. Anthropic Research71

    Anthropic thử nghiệm Claude Fable 5.2 trên thiết kế điện tử thực tế

    Anthropic báo cáo rằng Claude Fable 5.2 đã thiết kế ba thiết bị điện tử, gồm một loa hội nghị, một trung tâm trợ lý giọng nói và một thú ảo cầm tay, từ những yêu cầu tối thiểu, và Diode Computers đã chế tạo nguyên mẫu hoạt động được từ các tệp thiết kế của nó mà không cần sửa mạch. Trên bộ đánh giá PCB Gym nội bộ của Diode, Fable 5.2 đạt 69% so với 25% của Fable 5, và đạt 83,5% trên BenchCAD 2.1 công khai, gần gấp đôi Claude Fable 5.1. Các thiết bị vẫn là nguyên mẫu chưa qua kiểm định điện, tinh chỉnh ăng-ten, kiểm tra nhiệt hay chứng nhận, và Claude không được kết nối với thiết bị kiểm thử hay máy móc sản xuất.

    Vì sao đáng chú ý: Báo cáo của chính Anthropic về việc Claude Fable 5.2 thiết kế ba thiết bị điện tử hoạt động được cho thấy các mô hình đã tiến xa đến mức nào, từ việc chỉ bố trí một phần PCB đến tạo nguyên mẫu phần cứng đầu-cuối.

6 tháng 11Thứ Sáu
  1. Hugging Face Blog58

    Ai2 phát hành ToyBlocks, một thế giới mô phỏng mở về thao tác khối cho robot học

    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.

  2. Ai2 · Allen Institute for AI58

    Ai2 phát hành ToyBlocks, một thế giới mô phỏng có kiểm soát cho việc học và đánh giá robot

    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.

  3. 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.

  4. Google Research72

    Nhà nghiên cứu Google phát hiện dấu hiệu tăng huyết áp bằng dữ liệu PPG và gia tốc kế trên đồng hồ thông minh, không cần hiệu chuẩn vòng bít

    Google Research đã công bố một nghiên cứu trên Nature về AI-PPG-ACC-HTN, một hệ thống đa phương thức phát hiện dấu hiệu tăng huyết áp từ dữ liệu PPG và gia tốc kế trên đồng hồ thông minh mà không cần hiệu chuẩn vòng bít. Được xác thực đối chiếu với theo dõi huyết áp lưu động 24 giờ trên 196 người tham gia tại năm địa điểm ở Mỹ, hệ thống đạt độ nhạy 65,8% và độ đặc hiệu 90,0% cho sàng lọc ban đầu, và độ nhạy 78,4% cùng độ đặc hiệu 90,9% cho xét nghiệm xác nhận. Các tác giả mô tả công trình này là nghiên cứu khả thi ban đầu, không thay thế vòng bít đo huyết áp ở cánh tay trong lâm sàng cũng không phải chẩn đoán độc lập.

    Vì sao đáng chú ý: Mô hình tăng huyết áp không dùng vòng bít trên đồng hồ thông minh của Google được đánh giá đối chiếu với theo dõi lưu động 24 giờ, cho thấy cách tổng hợp thụ động dữ liệu cảm biến nhiều ngày có thể hỗ trợ sàng lọc cơ hội.

  5. Anthropic Research36

    Anthropic: Dạy AI xây dựng mô hình khoa học

    Nghiên cứu của Anthropic lập luận rằng các hệ thống AI giờ đây có thể suy ra các phương trình như mô hình Hodgkin-Huxley trong một buổi chiều, nhưng khớp dữ liệu thực nghiệm không đồng nghĩa với thấu hiểu. Công trình chia mô hình hóa khoa học thành xây dựng, ràng buộc và diễn giải mô hình, và lưu ý rằng AI tiến bộ nhất ở việc ràng buộc chúng, nơi suy luận Bayes là phương pháp chuẩn để ánh xạ mọi tập tham số khả dĩ thay vì một khớp đơn lẻ.

  6. Microsoft Research58

    PDD Kit của Microsoft Research chính thức xác minh các ứng dụng web full-stack do agent viết

    Microsoft Research đã giới thiệu PDD Kit, một nguyên mẫu nghiên cứu biến ý định bằng ngôn ngữ tự nhiên của nhà phát triển thành đặc tả hình thức Verus, chứng minh mã Rust do coding agent viết thỏa mãn đặc tả đó với mọi đầu vào, và quay về kiểm thử ở những nơi chứng minh không thể vươn tới. Trong một bản demo bên trong Chopin của GitHub Next, nhóm đã dùng PDD Kit để xác minh logic đăng nhập của Pet Store, một ứng dụng full-stack Rust khoảng 5.000 dòng, với việc nhà phát triển xem xét tạo tác ý định thay vì từng dòng mã được sinh ra. PDD Kit hiện chỉ xác minh Rust, và các bảo đảm của nó dựa trên sáu thành phần tin cậy đã được nhà phát triển phê duyệt, bao gồm kiểm tra mật khẩu bcrypt và hai lần tra cứu cơ sở dữ liệu.

5 tháng 11Thứ Năm
  1. Amazon Science18

    Nhà khoa học Amazon Hamed Karimi giành Giải thưởng Test-of-Time ECML PKDD 2026

    Nhà khoa học ứng dụng cấp cao của Amazon Hamed Karimi cùng các đồng tác giả Julie Nutini và Mark Schmidt đã nhận Giải thưởng Test-of-Time ECML PKDD 2026 cho bài báo năm 2016 của họ về hội tụ tuyến tính của các phương pháp gradient và proximal-gradient dưới điều kiện Polyak–Łojasiewicz. Bài báo đã chỉ ra rằng bất đẳng thức năm 1963 này đảm bảo hội tụ tuyến tính ngay cả khi mô hình không có một nghiệm tối ưu duy nhất, thống nhất các kết quả tối ưu hóa rời rạc và mở rộng chúng sang các bề mặt không trơn và các thuật toán như gradient descent theo tọa độ, theo dấu và ngẫu nhiên. Bài báo đã được trích dẫn hơn 2.000 lần và xuất hiện trong các giáo trình sau đại học.

  2. Zyphra Research36

    ZYFA: Nhân tính toán Attention FP8 nhanh và chính xác trên AMD MI355X

    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.

  3. Apple Machine Learning Research38

    Hàm hỗ trợ học được của Apple tăng tốc truy xuất RAG

    Các nhà nghiên cứu của Apple đã trình bày "Amortizing Maximum Inner Product Search with Learned Support Functions" tại ICML 2026, huấn luyện các mạng nơ-ron nhỏ ngoại tuyến để định tuyến truy vấn tới các khóa khớp nhất một cách nhanh hơn. SupportNet học hàm hỗ trợ thông qua mạng nơ-ron lồi đầu vào (ICNN) để cải thiện định tuyến cụm, trong khi KeyNet trực tiếp xuất ra vectơ khóa khớp nhất, được giữ neo về mặt hình học nhờ hàm mất mát nhất quán từ định lý Euler. Cả hai đều được huấn luyện trên phân phối truy vấn thực tế, đánh đổi chi phí khấu hao ban đầu để lấy truy xuất nhanh hơn, chính xác hơn tại thời điểm suy luận.

  4. Google Research47

    Agile Deliberation của Google Research giúp con người định nghĩa các danh mục AI mang tính chủ quan

    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.

  5. Anthropic Research58

    Anthropic nghiên cứu cách các nhà nghiên cứu sử dụng Claude trong các lĩnh vực và tác vụ khoa học

    Anthropic đã phân tích 207.049 phiên nghiên cứu trên Claude và Claude Code từ ngày 2 tháng 8 đến ngày 30 tháng 9 năm 2026, bằng các bộ phân loại bảo vệ quyền riêng tư, và phát hiện các nhà khoa học sử dụng Claude nhiều nhất cho phân tích dữ liệu và viết lách, ít nhất cho thu thập dữ liệu và hình thành ý tưởng. Phân tích dữ liệu chiếm 33,7% số phiên Claude và 48,1% số phiên Claude Code, so với 27,6% thời gian của nhà nghiên cứu, trong khi hình thành ý tưởng chiếm 4,2% và 2,1% số phiên so với 7,1% thời gian của nhà nghiên cứu. Báo cáo ước tính rằng việc áp dụng rộng rãi các năng lực hiện tại có thể gần như nhân đôi sản lượng nghiên cứu ở một số lĩnh vực, và tự động hóa hoàn toàn công việc phi vật lý có thể nâng các lĩnh vực như khoa học máy tính và thống kê lên tới 15 lần.

  6. Goodfire Research58

    Goodfire Research đề xuất định hình cơ chế để điều hướng mô hình thông qua các biểu diễn nội tại

    Goodfire Research đề xuất định hình cơ chế, một khung làm việc thêm các hình phạt lên các hướng khái niệm nội tại của mô hình trong quá trình huấn luyện để nó học cách dựa vào hoặc biểu đạt các khái niệm cụ thể thay vì chỉ tối đa hóa phần thưởng nhiệm vụ. Trong các thí nghiệm X-quang ngực, một tác nhân LLM đã sử dụng các đặc trưng autoencoder thưa để tìm các hướng tắt giống ống, và việc định hình sự phụ thuộc đã vượt qua cả huấn luyện tiêu chuẩn và một đường cơ sở dữ liệu cân bằng.

4 tháng 11Thứ Tư
  1. Anthropic Research66

    Phòng thí nghiệm sinh học của Anthropic báo cáo cấu trúc hạt vault prokaryote đầu tiên, được giải bằng Claude

    Phòng nghiên cứu sinh học của Anthropic báo cáo cấu trúc 3D đầu tiên của một hạt vault tìm thấy trong tế bào prokaryote, một protein phage tên L05 được tạo từ 96 bản sao với khối lượng khoảng 9,5 megadalton. Dưới sự chỉ đạo của nhóm, Claude đã tìm kiếm một cơ sở dữ liệu khoảng 15 tỷ protein dự đoán, thiết kế các cấu trúc DNA, tối ưu hóa một phương pháp phân lập sắc ký loại trừ kích thước giúp rút ngắn quá trình tinh chế từ ba ngày xuống còn khoảng 90 phút, và chạy xử lý cryo-EM bằng RELION để tạo ra mô hình đầy đủ đầu tiên trong 34 giờ. Bản preprint đã được gửi lên bioRxiv, và nhóm cho biết chức năng sinh học của các vault vẫn chưa được biết.

    Vì sao đáng chú ý: Phòng thí nghiệm sinh học của Anthropic báo cáo cấu trúc 3D đầu tiên của một hạt vault từ prokaryote, với Claude đảm nhận việc tìm kiếm cơ sở dữ liệu, thiết kế cấu trúc, tinh chế và xử lý cryo-EM.

3 tháng 11Thứ Ba
  1. Ai2 · Allen Institute for AI55

    Ai2 phát hành StateBench để kiểm tra cách các mô hình ngôn ngữ theo dõi thay đổi trạng thái trong tài liệu dài

    Ai2 giới thiệu StateBench, một bộ đánh giá với bốn mức độ khó cho việc theo dõi trạng thái trong ngữ cảnh dài, từ gán bất biến đến cập nhật tự tham chiếu và tham chiếu chéo. Trong các bài kiểm tra, Gemini 3.8 Flash, Claude Opus 5.5, và GPT-6 Sol và Luna xử lý được các mức dễ hơn nhưng giảm xuống còn 13% hoặc thấp hơn trên các bài toán hữu hạn tổng quát dài nhất, trong khi Gated DeltaNet 275M tham số và các mô hình lai được huấn luyện từ đầu tổng quát hóa gần như hoàn hảo ở ba mức đầu tiên và các transformer không bao giờ học được mức khó nhất.

  2. OpenAI Alignment Blog58

    OpenAI xem xét khoảng cách hành vi giữa đánh giá và vận hành trong an toàn tác nhân và vai trò của nhận thức về đánh giá

    Các nhà nghiên cứu OpenAI đã đo lường khoảng cách hành vi giữa đánh giá và vận hành trong an toàn tác nhân: trên sáu mô hình được phục vụ, tỷ lệ thành công trên bài đánh giá Respecting Warnings thấp hơn 10,2 đến 37,4 điểm phần trăm so với các quyết định vận hành Codex tương ứng, với khoảng cách lớn nhất ở GPT-5.6 Sol và GPT-6 Sol. Chỉ riêng nhận thức chung về đánh giá cho thấy mối liên hệ yếu với khoảng cách này (R² = 0,008), trong khi nhận thức cụ thể về mục tiêu đánh giá mạnh hơn (R² = 0,370), và các mô hình thường diễn đạt sai mục tiêu nhất (chống lại prompt injection) có khoảng cách lớn nhất. Trong một can thiệp trên GPT-6.1 Sol, một tín hiệu đánh giá chung gần như không làm thay đổi tỷ lệ thành công (63,1% so với 63,4%), tín hiệu mục tiêu đúng đã nâng lên 91,6%, và tín hiệu mục tiêu sai đã giảm xuống 17,6%.

  3. Apple Machine Learning Research32

    Attention to Mamba: Công thức cho chưng cất liên kiến trúc

    Các nhà nghiên cứu của Apple đề xuất một công thức hai giai đoạn để chưng cất một Transformer thành kiến trúc Mamba thuần không có bất kỳ khối Attention nào. Phương pháp này trước tiên chưng cất một Transformer đã được huấn luyện trước thành một mô hình Attention tuyến tính hóa thông qua một kỹ thuật kernel được điều chỉnh, sau đó chưng cất mô hình đó thành một mô hình Mamba được điều chỉnh. Mamba được chưng cất thu được giữ lại phần lớn hiệu năng của Pythia-1B, đạt perplexity 14,01 so với 13,86 của mô hình giáo viên, với một số khoảng cách trên các tác vụ dựa vào khả năng nhớ trong ngữ cảnh.

  4. OpenAI Alignment Blog60

    OpenAI trình bày chi tiết về việc huấn luyện các bộ phân loại kích hoạt cho an toàn và căn chỉnh

    OpenAI mô tả việc huấn luyện các bộ phân loại kích hoạt, hay còn gọi là probe, đọc các kích hoạt luồng dư nội bộ của mô hình để gắn cờ các phản hồi của trợ lý bị lệch chuẩn hoặc vi phạm chính sách, và cho biết đã triển khai chúng trên lưu lượng nội bộ và bên ngoài của các mô hình có năng lực nhất bắt đầu từ GPT-5.6. Các probe sử dụng kiến trúc Attention probe với MLP cộng QV-attention và trung bình động lũy thừa, được huấn luyện trên tối đa 1M tin nhắn được gán nhãn bởi các giám khảo mô hình suy luận, và chạy theo kiểu truyền phát trên công cụ suy luận để một phản hồi có thể bị chặn giữa lượt. OpenAI báo cáo khả năng chuyển giao probe xuất sắc qua nhiều giai đoạn hậu huấn luyện nhưng chuyển giao hạn chế hơn qua các checkpoint tiền huấn luyện, và cho biết các probe nhìn chung chống jailbreak tốt hơn các bộ phân loại dựa trên nội dung trong đợt red-teaming của mình.

    Vì sao đáng chú ý: OpenAI trình bày chi tiết cách các probe kích hoạt trên kích hoạt nội bộ của mô hình đóng vai trò lớp an toàn truyền phát, bao gồm các giới hạn về chuyển giao qua các checkpoint và nhu cầu huấn luyện lại.

2 tháng 11Thứ Hai
  1. Zyphra Research58

    Zyphra giới thiệu ZHA hierarchical attention, một phương pháp thưa với định tuyến dưới bậc hai

    Zyphra đã giới thiệu Zyphra Hierarchical Attention (ZHA), một phương pháp attention thưa xây dựng một cây các bản tóm tắt KV-cache nén và định tuyến các truy vấn từ trên xuống qua cây đó, mang lại độ phức tạp dưới bậc hai với các ngưỡng top-p phù hợp. Các mô hình đã được huấn luyện trước hiện có thể được thích nghi thông qua một giai đoạn chưng cất KL ngắn chỉ sử dụng vài tỷ token; trên Qwen3.6-35B-A3B, ZHA thêm 81.920 tham số có thể huấn luyện, khoảng 0,00024% của mô hình cơ sở. Trên RULER-13 ở 256K token, mô hình cây rộng đạt 96,2% so với 96,0% của dense attention, và cây sâu sáu tầng đạt 63,4% trên LongBench v2 so với 58,0% của dense trong khi chỉ chú ý đến khoảng 1,1% của KV cache; một mô hình roofline trên GPU dự báo tốc độ nhanh hơn 32-35 lần so với dense attention ở 10M token.

  2. 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.

30 tháng 10Thứ Sáu
  1. Microsoft Research40

    Microsoft xây dựng nền tảng dữ liệu doanh nghiệp tổng hợp để đánh giá Copilot

    Nền tảng Tạo Dữ liệu Đánh giá Ngành của Microsoft tạo ra các môi trường doanh nghiệp tổng hợp quy mô đầy đủ để đánh giá Microsoft Copilot mà không sử dụng dữ liệu khách hàng. Dựa trên các nguồn công khai như dữ liệu nghề nghiệp O*NET, tin tuyển dụng và hồ sơ nộp lên SEC, nền tảng này tạo ra các tenant thực tế với người dùng, cuộc họp, email và tài liệu, cùng với các pipeline truy vấn tự động và các khung chất lượng. Microsoft cho biết điều này thiết lập đường cơ sở đánh giá chuẩn hóa đầu tiên cho Copilot.