#评测/基准

LiveKit thử nghiệm Gemini 4 Hydrogen so với 3.8 Flash trong một voice agent với các công cụ bị cố ý làm hỏng

LiveKit đã chạy Gemini 4 Hydrogen và Gemini 3.8 Flash qua cùng một plugin Google trong một voice agent trợ lý du lịch với các công cụ bị cố ý làm lỗi, và Hydrogen tạo ra 0 báo cáo đặt chỗ sai trên 54 bản ghi, so với 2 của 3.8 Flash. Với Hydrogen ở mức high và 3.8 Flash ở mức mặc định, câu đầu tiên của Hydrogen đến sớm hơn 1,2 giây (4,0 giây so với 5,2 giây), và ở mức low trên cả hai thì sớm hơn 1,7 giây (2,8 giây so với 4,6 giây). Tác giả khuyến nghị dùng mức thinking medium hoặc high cho voice agent, lưu ý mức xhigh có trung vị 7,8 giây đến câu đầu tiên và trường hợp xấu nhất là 52 giây.

NukeTorch: Bốn máy MacBook Pro M5 Max phục vụ NVIDIA GR00T nhanh hơn 2,45 lần so với kết quả H100 công bố nhanh nhất

Engine NukeTorch của Fenon AI đã chạy chính sách robot GR00T N1.7 của NVIDIA trên bốn máy MacBook Pro M5 Max đạt 152,07 action chunk mỗi giây với 192 client, nhanh hơn 2,45 lần so với con số H100 công bố nhanh nhất và nhanh hơn 4,24 lần so với con số NVIDIA tự công bố. Với một yêu cầu đơn lẻ, H100 vẫn thắng ở 16,08 ms so với 44,34 ms, và bốn máy Mac có giá niêm yết $19,996 so với ít nhất $25,000 cho một card H100. Phiên bản một máy Mac là bản tải miễn phí, trong khi bản nhiều máy yêu cầu giấy phép đánh giá.

Phân tích Trí tuệ, Hiệu suất và Giá của Gemini 4 Hydrogen (High)

Một phân tích về Gemini 4 Hydrogen (High) so sánh trí tuệ, hiệu suất và giá của nó, sử dụng các chỉ số năng lực đo lường hiệu suất mô hình trên các năng lực và ngành cụ thể. So sánh bao gồm mức sử dụng token, chi phí và cửa sổ ngữ cảnh, cùng với các chỉ số hiệu suất bao gồm thời gian mỗi tác vụ tính bằng phút, tốc độ đầu ra tính bằng token mỗi giây, và thời gian đến token trả lời đầu tiên và token đầu tiên tính bằng giây.

Google phát hành Gemini 4 Hydrogen, tuyên bố nhanh gấp 2,5 lần Gemini 3.8 Flash

Google đã phát hành Gemini 4 Hydrogen, một mô hình trọng số đóng từ Google DeepMind, được định vị dưới Gemini 4 Carbon và Argon như một lựa chọn hàng ngày cho lập trình và các quy trình tác tử. Mô hình cung cấp cửa sổ hợp nhất 1.048.576 token, bốn mức suy nghĩ với mức cao là mặc định, và giá API là 1,50/7,50 USD cho mỗi 1 triệu token đầu vào/đầu ra, đồng nhất trên toàn bộ cửa sổ. Google báo cáo 57% trên Terminal-Bench 4.1 so với 18,2% của Gemini 3.8 Flash và 51 trên Chỉ số Trí tuệ Artificial Analysis, nhưng mô hình chỉ xếp thứ 5 trên Agent Arena; khi kết hợp với Carbon trong Antigravity, mô hình đã sử dụng ít hơn 24% hạn mức và hoàn thành nhanh hơn 19% so với chỉ dùng Carbon.

Cùng sự việc; tuyển chọn có“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

Stanford CS 329Z: Khóa học Engineering AI Agents bao gồm thiết kế agent, RAG, công cụ và hệ thống đa agent

CS 329Z của Stanford, Engineering AI Agents, đi qua cấu trúc của các hệ thống agent — lõi LLM, lập luận, bộ nhớ, công cụ và môi trường — và khoảng cách giữa các hệ thống AI tổng hợp và agent thực sự. Khóa học bao gồm các pipeline RAG, sử dụng công cụ và gọi hàm với MCP, điều phối DSPy và LangGraph, kiến trúc bộ nhớ như MemGPT, và các mẫu điều phối đa agent. Khóa học kết thúc với các phương pháp tối ưu hóa bao gồm GEPA, PPO và GRPO, cùng một bài giảng khách mời từ những người tạo ra Terminal-Bench.

Sovereign: một router học cách tin tưởng mô hình nào mà không cần nhãn

Solibra đã xây dựng Sovereign, một router nằm giữa ứng dụng và các nhà cung cấp mô hình, học cách chọn mô hình cho từng yêu cầu dựa trên điểm đánh giá chính công việc đã hoàn thành của nó, không có đáp án và không có kiến thức trước về các mô hình. Trên tám benchmark công khai chạy với Claude Opus 5.5 và Claude Haiku 5.5, Sovereign chi ít hơn Opus từ 43% đến 81% trên mọi benchmark, đạt hoặc vượt độ chính xác của Opus trên USACO, LiveCodeBench và SATBench, và chính xác hơn Haiku ở mọi nơi, lên tới 55 điểm trên USACO. Trên USACO, độ chính xác của nó tăng từ 88% trong 25 tác vụ đầu lên 97,7% vào cuối, vượt Opus vào khoảng tác vụ thứ 150, và bộ chấm điểm của nó đồng ý với đáp án ẩn 95% số lần.

OpenRouter thử nghiệm 11 reranker trên bộ benchmark RAG 274 câu hỏi

OpenRouter đã benchmark 11 reranker trên một bộ dữ liệu RAG tổng hợp gồm 274 câu hỏi và phát hiện rằng việc rerank 30 ứng viên hàng đầu từ tìm kiếm vector bằng voyageai/rerank-3-lite đã nâng precision@1 từ 81,0% lên 97,1% với chi phí khoảng 0,10 USD cho mỗi 1.000 truy vấn. Hướng dẫn khuyến nghị truy xuất khoảng 30 chunk, rerank chúng, và chỉ gửi 3 chunk hàng đầu đến LLM, điều này trong thử nghiệm của họ đã nâng độ chính xác câu trả lời lên 99,3% đồng thời giảm chi phí trả lời từ 0,22 USD xuống 0,16 USD cho mỗi 1.000 câu hỏi. Nó cũng chỉ ra các chế độ lỗi: bỏ qua tham số input_type mất 7 đến 12 điểm precision@1, và cohere/rerank-v3.5 âm thầm bỏ qua nội dung vượt quá giới hạn 4.096 token của nó.

Bao nhiêu phần trong số công cụ AI được gắn sao nhiều nhất trên GitHub là do các tác nhân lập trình viết ra?

Một phân tích toàn bộ lịch sử git của 52 kho lưu trữ công cụ AI được gắn sao nhiều nhất trên GitHub, bao gồm 324.088 commit, cho thấy ở kho lưu trữ trung vị, 16,9% số commit trong 180 ngày hoạt động gần nhất mang dấu hiệu AI, và 21 trong số 52 kho đạt từ 25% trở lên. Số sao và tỷ lệ commit có dấu hiệu AI không cho thấy mối liên hệ nào có thể phát hiện được (Spearman ρ = -0,05, p = 0,72), và 85,3% trong số 36.892 commit có dấu hiệu đến từ Claude, công cụ của nó mặc định thêm một trailer. Tác giả lưu ý rằng việc sử dụng AI nhiều tập trung ở các dự án bắt đầu từ năm 2025 trở đi, nên mẫu không thể tách biệt việc sử dụng AI khỏi tính gần đây, và mọi tỷ lệ phần trăm AI đều là giới hạn dưới.

Các mô hình AI biết các nguyên tắc WPS nhưng không áp dụng được, theo kết quả đánh giá chuẩn

Bảng xếp hạng WPS AI của Our Secure Future, được xây dựng trên nền tảng Weval của Collective Intelligence Project, phát hiện các LLM một cách có hệ thống bỏ qua khía cạnh giới trong phân tích hòa bình và an ninh dù chúng có thể đọc thuộc UNSCR 1325. Khoảng trống năng lực WPS xuất hiện dưới dạng thiếu sót thụ động, khi các mô hình loại bỏ phụ nữ và trẻ em gái khỏi các đánh giá thường quy, và đầu hàng chủ động, khi chúng giúp các nhà ra quyết định lách chính sách.

Gemini 4 Hydrogen (Xhigh): Phân tích trí tuệ, hiệu năng và giá

Một phân tích về Gemini 4 Hydrogen (Xhigh) bao gồm các chỉ số trí tuệ và năng lực của nó trên các năng lực và ngành cụ thể, cùng với chi phí sử dụng token và cửa sổ ngữ cảnh. Hiệu năng được đo bằng thời gian mỗi tác vụ tính bằng phút, tốc độ đầu ra tính bằng token mỗi giây, và thời gian đến token trả lời đầu tiên và token đầu tiên tính bằng giây.

Tìm kiếm AI đang đề xuất các trang web bán lẻ giả mạo

Một nghiên cứu dựa trên 6.795 câu trả lời từ các phiên bản tiêu dùng đã đăng xuất của ChatGPT, Gemini và Perplexity phát hiện ra rằng tìm kiếm AI đang đề xuất các trang web bán lẻ giả mạo. Nghiên cứu được thực hiện với Gauge, một công ty tìm kiếm AI giúp các thương hiệu xuất hiện trong nhiều câu trả lời AI hơn.

Terminal-Bench 4.1 ra mắt với bộ xác minh được gia cố chống reward hacking

Terminal-Bench 4.1 được phát hành với các bộ xác minh cải tiến được thiết kế để chống lại reward hacking, và việc chấm lại TB 4.0 bằng các bộ xác minh mới không tốn thêm $0 chi phí suy luận. Chỉ khoảng 1,16% trong số 11.550 lượt thử nghiệm thay đổi điểm số, và điểm số cập nhật của cả 35 tác nhân vẫn nằm trong khoảng tin cậy 95% ban đầu của TB 4.0.

Westphalia Labs kiểm thử 11 mô hình AI trong vai trò chủ trì một cuộc đàm phán hư cấu giữa bảy chính phủ

Westphalia Labs, một nhóm đánh giá do một cựu nhà ngoại giao sáng lập, đã cho mười một mô hình AI đảm nhận vai trò chủ trì một cuộc đàm phán hư cấu giữa bảy chính phủ, mỗi mô hình chạy bốn mươi lần trên một phiên bản khả thi và một phiên bản bất khả thi. Chỉ GPT-6.1 Sol vượt qua mọi lượt chạy, đạt được thỏa thuận khi có thể và tuyên bố đồng thuận là bất khả thi khi đúng như vậy; Claude Opus 5.5, Grok 4.7 và DeepSeek V4.1 Flash giá rẻ đều nhận diện đúng phiên bản bất khả thi trong mọi lần và đạt thỏa thuận trong 18 trên 20 lượt chạy khả thi. Việc đòi hỏi quá mức gây ra 39 lượt chạy thất bại, so với 13 lượt do nhượng bộ quá ít, và một dự báo có khả năng xảy ra được theo sau bởi thỏa thuận trong 72 trên 110 trường hợp.

The Singularity Clock v1.4.0 theo dõi các mốc thời gian AGI, Singularity và ASI

The Singularity Clock v1.4.0 là một công cụ đo lường công khai dự báo AGI vào khoảng tháng 4 năm 2027, Singularity vào khoảng tháng 12 năm 2029 và ASI vào khoảng tháng 12 năm 2031, tất cả đều giữ nguyên kể từ tháng 11. 14 tín hiệu của nó bao gồm METR task horizon ở mức 11,4 giờ (+38% so với quý trước), SWE-bench Verified ở mức 88,2%, Humanity's Last Exam ở mức 38,9% và ARC-AGI-2 ở mức 62,4%. Dự án báo cáo tỷ lệ vận tốc năng lực trên an toàn là 1,77× và công bố phương pháp luận cùng mã nguồn trên GitHub theo giấy phép CC-BY-4.0.

Các mốc thời gian AI đột ngột dịch chuyển? Xem xét lại sự tăng tốc của Anthropic và biên giới phẳng lặng

Một bài đánh giá báo cáo của METR về tăng tốc R&D AI tại Anthropic và các phân tích tiếp theo cho thấy xu hướng tăng trưởng năng lực của Anthropic đã thay đổi vào khoảng tháng 10 năm 2025, gần Opus 4.5, nhưng các phòng thí nghiệm đối thủ không tăng tốc và biên giới tổng thể vẫn giữ xu hướng trước đó. Tác giả cân nhắc giữa tăng trưởng tính toán, vốn tăng khoảng 5,7 lần tại Anthropic trong năm 2025 so với 4,5 lần tại OpenAI và 3,8 lần tại Google DeepMind, với việc AI xây dựng AI, nơi METR quy cho khoảng 80% mức tăng tốc bằng dữ liệu đã biên tập mà người ngoài không thể xác minh. Tùy thuộc vào kịch bản nào đúng, khả năng có một nhà nghiên cứu AI siêu phàm vào năm 2027 dao động từ khoảng 70% theo con số tiêu đề của METR đến khoảng 20% nếu chỉ dùng số liệu công khai của Epoch và quỹ đạo trước đó của lĩnh vực.

Google phát hành Gemini 4 Hydrogen, đạt điểm cao hơn Argon lớn hơn bốn tuần sau khi Argon ra mắt

Google đã phát hành Gemini 4 Hydrogen, một mô hình đa dụng nhanh dành cho nhà phát triển và người dùng hàng ngày, với giá 1,50 USD mỗi triệu token đầu vào và 7,50 USD mỗi triệu token đầu ra cùng cửa sổ ngữ cảnh một triệu token. Google cho biết Hydrogen đạt 51 điểm trên Chỉ số Trí tuệ Artificial Analysis ở mức suy luận cao mặc định và 54 điểm ở mức xhigh mới, so với 50 điểm của Gemini 4 Argon lớn hơn. Kiểm thử độc lập của Artificial Analysis cho thấy Hydrogen gần tương đương Claude Sonnet 5.5 ở mức suy luận tối đa, nhưng yếu hơn ở công việc terminal tác tử, đạt 54 phần trăm trên Terminal-Bench 4.0 so với 64 phần trăm của Claude Sonnet 5.5.

Cùng sự việc; tuyển chọn có“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

Phát triển dựa trên đánh giá là gì? Cách cải thiện AI Agent

LangChain giải thích phát triển dựa trên đánh giá (EDD), một quy trình ba bước để xây dựng AI Agent: xác định thế nào là tốt, viết đánh giá trước khi xây dựng, và so sánh kết quả sau mỗi thay đổi. Vì agent có tính không xác định, đánh giá sẽ chấm điểm các lần chạy trên một tập dữ liệu ví dụ và có thể dùng LLM-as-a-judge, với các lần chạy agent thực tế trong LangSmith làm nguồn đầu vào kiểm thử.

Nghiên cứu phát hiện ChatGPT, Gemini và Perplexity giới thiệu các trang web bán lẻ giả mạo

Một nghiên cứu của công ty bảo vệ quyền sở hữu trí tuệ Podqi phát hiện rằng ChatGPT, Gemini và Perplexity đều đã trích dẫn hoặc hiển thị các trang web bán lẻ rủi ro, được định nghĩa là các cửa hàng giả mạo, tên miền thương hiệu cũ được đăng ký lại hoặc các trang web đã chết, trong các câu trả lời cho câu hỏi mua sắm về 151 thương hiệu. Trong 6.795 câu trả lời được thu thập trong hai đợt thử nghiệm vào tháng 9, Perplexity đã hiển thị các trang web rủi ro trong 15 phần trăm câu trả lời, ChatGPT trong 8 phần trăm và Gemini trong 4 phần trăm, trong khi ChatGPT đã cảnh báo về trang web rủi ro mà nó hiển thị 24 phần trăm số lần. Các truy vấn về các thương hiệu nhỏ hơn tạo ra các trang web rủi ro thường xuyên gấp khoảng hai lần so với các truy vấn về các công ty lớn hơn, và các lời nhắc về trang web thương hiệu khu vực kích hoạt chúng thường xuyên hơn, với việc Perplexity có lần đã gọi sai trang là trang web chính thức của Stüssy.

Amazon Bedrock AgentCore Evaluations: trình đánh giá tích hợp, DeepEval và AutoEval

Amazon Bedrock AgentCore Evaluations hiện cho phép các nhóm chạy các trình đánh giá tích hợp của AWS song song với các chỉ số DeepEval và AutoEval được quản lý, cùng các trình đánh giá tùy chỉnh bắt nguồn từ một trong hai. Danh mục tích hợp bao gồm 15 trình đánh giá trên chất lượng phản hồi, hoàn thành mục tiêu, sử dụng công cụ, kỹ năng và an toàn, với ba kiểm tra quỹ đạo cho các đường dẫn công cụ dự kiến. DeepEval bổ sung các chỉ số đa lượt như ConversationCompleteness và KnowledgeRetention, trong khi AutoEval đóng góp các tín hiệu chuyên biệt bao gồm bảo mật.

AWS mã nguồn mở UAEF, một hệ thống đánh giá độc lập với framework cho các tác nhân AI

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.

Agent DLC: Kỹ thuật AI Agent từ Nguyên mẫu đến Sản xuất

AWS giới thiệu Agent Development Lifecycle (Agent DLC), một khung với một vòng đời, hai vòng lặp và một tiêu chuẩn rõ ràng duy nhất để đánh giá mọi thay đổi của agent. Nó giải quyết ba thuộc tính của agent khiến CI/CD thông thường bị phá vỡ: tính không xác định, prompt như mã nguồn và các phụ thuộc di chuyển độc lập. Một trợ lý chính sách nhân sự tham chiếu cho thấy độ chính xác truy xuất ở cấp độ đoạn là 1,00 trên cả ba câu hỏi kiểm tra trong khi độ chính xác ở cấp độ sự kiện giảm xuống 0,09 và độ phủ truy xuất đạt 0,00 ở một câu hỏi.

Cách đánh giá LLM: Hướng dẫn chấm điểm bằng mã từ OpenRouter

OpenRouter đã công bố hướng dẫn đánh giá LLM trên dữ liệu đầu vào của chính ứng dụng, chấm điểm đầu ra bằng mã và so sánh độ chính xác, chi phí tính phí và thời gian yêu cầu. Trên 60 tác vụ tổng hợp, GPT-6.1 Sol đã vượt qua 180/180 lần thử qua ba lần lặp lại, trong khi DeepSeek có chi phí phản hồi thấp nhất với 157/180 lần vượt qua. Mức độ đồng thuận với bảng xếp hạng công khai là yếu, với hệ số tương quan Spearman là 0.109.

Google phát hành API mô hình quyết định Gemini Decision 1 với đầu vào đa phương thức

Google đã phát hành Gemini Decision 1, một API mô hình quyết định hỗ trợ các câu hỏi có/không, lựa chọn và chấm điểm theo tiêu chí, gia nhập nhóm mô hình quyết định cùng với Jev và OpenAI. Giá là 10 xu cho mỗi triệu token đầu vào với đầu ra miễn phí, và khác với đầu vào chỉ văn bản của Jev, nó chấp nhận văn bản, hình ảnh, âm thanh, video và PDF. Trong một thử nghiệm trên video robot, Gemini trả về các xác suất như 0.9234 cho robot và 0.0498 cho rồng thay vì 1.0 hoặc 0.0 như Jev và OpenAI trả về.

Epoch Brief: GLM 5.3 tự động xây dựng exploit Firefox từ lỗ hổng bản vá với chi phí khoảng 1.000 USD mỗi cái

Các nhà nghiên cứu của Epoch AI báo cáo rằng trong các thí nghiệm sandbox ngoại tuyến, mô hình trọng số mở GLM 5.3 đã tự động xâm nhập sáu phiên bản Firefox gần đây, một trình duyệt có hơn 200 triệu người dùng hoạt động, với chi phí khoảng 1.000 USD mỗi exploit bằng cách kỹ nghệ đảo ngược các cuộc tấn công từ những bản vá chưa đến tay người dùng. Mô hình đã tạo ra các trang web có thể đọc tệp từ máy tính của khách truy cập và gửi chúng đến kẻ tấn công mà không cần con người can thiệp; nhóm nghiên cứu không thể tái tạo điều này với Chrome. Bản tóm tắt tương tự cũng ghi nhận rằng Claude Fable 5.2 của Anthropic, phát hành ngày 9 tháng 11, đã lập kỷ lục mới của Chỉ số Năng lực Epoch là 174, cao hơn mức 169 của GPT-6 Astra.

inclusionAI phát hành mô hình quyết định LemonDecider 4B v3 dựa trên Qwen3.5-4B

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.

OpenRouter kiểm tra tác động của lượng tử hóa fp8 và fp4 đến chất lượng và giá của LLM

OpenRouter đã chạy 280 tác vụ có đáp án chính xác trên sáu endpoint của Qwen3.8 27B vào ngày 20 tháng 10 năm 2026 và không phát hiện sự khác biệt về độ chính xác giữa fp16, fp8 và fp4, với cả sáu endpoint đạt điểm từ 98,3% đến 99,2%. Trên 1.455 endpoint, 59,5% không báo cáo độ chính xác nào và fp8 là định dạng được gắn nhãn phổ biến nhất với 23,6%. Độ chính xác thấp hơn có giá rẻ hơn đối với hầu hết các mô hình nhưng không phải tất cả, và việc lựa chọn nhà cung cấp ảnh hưởng đến giá nhiều hơn so với độ chính xác, với endpoint cùng độ chính xác đắt nhất có giá trung vị gấp 1,72 lần so với rẻ nhất.

Kiến trúc sư trưởng JioStar Vijay Seshadri bàn về khám phá bằng AI ở quy mô 500 triệu người dùng

Kiến trúc sư trưởng JioStar Vijay Seshadri chia sẻ bài học về vận hành khám phá bằng AI ở quy mô 500 triệu người dùng, bao gồm đánh giá, rào chắn bảo vệ và đưa AI vào sản xuất. Bài viết do OpenAI công bố tập trung vào các thực tiễn vận hành đằng sau triển khai AI quy mô lớn.

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.

inclusionAI phát hành SingVL S1 4B - mô hình quyết định đa phương thức trên Qwen3.5

inclusionAI đã phát hành SingVL S1, một mô hình quyết định đa phương thức 4B được xây dựng trên Qwen3.5, có khả năng trả lời các câu hỏi có tên trên văn bản hoặc JSON và tối đa bốn hình ảnh trong một lần chạy xuôi duy nhất của Transformers. Mô hình hỗ trợ câu hỏi lựa chọn, có/không (noul) và câu hỏi chấm điểm từ 2–10 mức, đạt 73,94 trên Public Vision Index và 69,76 trên Public Text Index. Mô hình đi kèm mã suy luận Python và một máy chủ HTTP FastAPI.

Naive-N0.5-Flash của NaiveAI tuyên bố đạt 2.100 token mỗi giây: khả năng lập trình của nó ra sao?

Latent Space đã thử nghiệm Naive-N0.5-Flash trọng số mở của NaiveAI, một mô hình lập trình phát triển từ MiMo-V2.5 của Xiaomi và được ghép với engine suy luận NaiveRT, so với DeepSeek V4.1 Flash 1017 và GLM 5.3 Flash. Trong các lần chạy của tác giả, nó đạt đỉnh gần 2.000 token mỗi giây và duy trì khoảng 1.000 trong các tác vụ suy nghĩ nặng, với thời gian phản hồi trung vị là 3,1 giây so với 5,3 và 10,1 giây của hai mô hình so sánh. Trên các câu hỏi HLE khó, nó trung bình khoảng 108.500 token hoàn thành khi bật chế độ suy nghĩ, gấp khoảng chín lần GLM 5.3 Flash và 11 lần DeepSeek V4.1 Flash 1017, và tác giả lưu ý mẫu là 10 câu hỏi mỗi mức độ khó mà không chấm điểm độ chính xác.

Meta AI ra mắt Muse Ember, mô hình nhỏ nhất và hiệu quả nhất của họ

Meta AI đã ra mắt Muse Ember, được mô tả là mô hình nhỏ nhất và hiệu quả nhất của họ, hướng đến gọi công cụ, các tác vụ con lập trình, định tuyến, trích xuất và phân tích tài liệu dài. Với prompt ngắn, giá là 0,10 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra, ngang với GPT-6 Luna và Claude Haiku 5.5, trong khi mức giá cho prompt dài là 0,30 USD đầu vào và 1,50 USD đầu ra trên 200k token đặt nó ở giữa hai mô hình kia. Simon Willison lưu ý mô hình nằm trên đường Pareto của biểu đồ Intelligence Index so với Cost per Task của Artificial Analysis, và sáu mức suy luận của nó tạo ra SVG hình bồ nông có chất lượng tương đương Muse Wonder với mức giá gấp 40 lần.

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.

OpenRouter đánh giá 15 mô hình thị giác và Mistral OCR trên tài liệu quét

OpenRouter đã thử nghiệm 15 mô hình thị giác, Mistral OCR và Tesseract trên tám bản quét suy giảm tự tạo, và Claude Opus 5.5 chính xác nhất với 262 trong 264 giá trị khóa đúng với chi phí 16,42 đô la cho 1.000 trang, trong khi Mistral OCR có giá trị tốt nhất với 258 trong 264 với giá 2,02 đô la. Trên một hóa đơn mờ, GPT-6 Luna và GPT-6.1 Sol đã bịa ra chữ số thẻ, tên máy chủ và mật khẩu wifi, những lỗi mà tỷ lệ lỗi ký tự không phát hiện được. Bài viết bao gồm mã để phiên âm bản quét, tắt suy luận, kiểm tra chéo hai mô hình từ các phòng thí nghiệm khác nhau và chạy Mistral OCR thông qua plugin phân tích tệp.

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.

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.

Các phòng thí nghiệm tiên phong mua gì: Phân tích dữ liệu chuyên sâu cùng Garrett Lord và đội ngũ Handshake AI

Mảng kinh doanh huấn luyện AI của Handshake đã đi từ lúc ra mắt đến 1 tỷ USD doanh thu gộp hằng năm ước tính chỉ trong khoảng một năm, và bài phân tích chuyên sâu này của Latent Space cùng Garrett Lord và đội ngũ của ông đi qua các môi trường học tăng cường mà các phòng thí nghiệm tiên phong mua. Trong một bản demo tài chính, một agent xử lý email và hồ sơ giao dịch của một ngân hàng mô phỏng mang một con số lợi thế thương mại vào Python và trừ nó đi, một sai lầm cho thấy chỗ mà phán đoán của chuyên gia vẫn vượt trội hơn mô hình. Đội ngũ cũng trình bày VIALS, bộ đánh giá của họ để diễn giải hình ảnh khoa học, và lần theo các lệnh gọi công cụ của một agent qua các mô phỏng an toàn bao gồm CAREBench.

Google DeepMind và Artificial Analysis ra mắt benchmark MKA cho công việc tri thức dạng tác tử trên các tệp hình ảnh phức tạp

Google DeepMind đã hợp tác với Artificial Analysis để ra mắt benchmark Multimodal Knowledge Agent (MKA), giao cho các tác tử nhiệm vụ xem xét các tệp dự án hình ảnh dày đặc như bản vẽ kiến trúc, sơ đồ kỹ thuật và hình ảnh quét lâm sàng để tạo ra slide, bảng tính, PDF, tài liệu Word và hình ảnh có chú thích.

Đánh giá: Khả năng lập trình của Gemini 4 Carbon vượt trội so với khả năng phán đoán của nó

Bài đánh giá thực tế của Every cho thấy Gemini 4 Carbon, được Google DeepMind phát hành hôm nay, là một lập trình viên mạnh hơn nhiều so với Gemini 4 Argon và có thể tạo ra các đối tượng 3D tốt hơn và làm việc hàng giờ với ít sự giám sát. Các nhà thử nghiệm không đồng ý về mức độ giám sát mà nó cần, và bài đánh giá nói rằng Fable 5.2 của Anthropic, được phát hành một ngày trước đó, đã nâng cao kỳ vọng rằng một tác nhân hàng đầu cũng phải chọn đúng công việc, tôn trọng giới hạn và biết khi nào nó hoàn thành. Google đã cấp cho Every quyền truy cập sớm và không có ý kiến đóng góp nào cho bài đánh giá.

Trình tạo biểu tượng AI tốt nhất năm 2026: So sánh 7 công cụ

Recraft được vinh danh là trình tạo biểu tượng AI tốt nhất năm 2026 sau khi so sánh bảy công cụ, chấm điểm bài kiểm tra phong cách nhất quán với năm biểu tượng và xuất SVG gốc. Recraft giữ nguyên độ dày nét và bán kính góc trên các glyph và xuất SVG có thể chỉnh sửa, trong khi Canva chỉ đạt một phần và Adobe Firefly cùng Midjourney đều trượt cả hai tiêu chí với đầu ra dạng raster.

Trình tạo meme AI tốt nhất năm 2026: So sánh 7 công cụ

Bảy trình tạo meme AI — Imgflip, Canva, Supermeme.ai, Recraft, Kapwing, ChatGPT và Magic Hour — đã được thử nghiệm trên gói miễn phí, hình mờ, mẫu, hiển thị chú thích, kích thước xuất và API bằng cùng ba đề bài meme. So sánh cho thấy không có người thắng chung cuộc: Imgflip thắng nhờ mẫu cổ điển, Supermeme.ai nhờ chuyển ý tưởng thành chú thích, Recraft và ChatGPT nhờ hình ảnh gốc, Kapwing nhờ video và GIF, còn Canva khi meme phải khớp với bố cục.