Tới nội dung
Chỉ Chính chủ#Mã nguồn mở / repo
  1. Hugging Face Blog69

    IBM phát hành các mô hình xem trước LLMON được xây dựng trên Granite 4.1 3B và 8B

    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.

  2. AWS Machine Learning Blog60

    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.

    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.

  1. LangChain Blog60

    LangChain giải thích cách Deep Agents quản lý ngữ cảnh mà không cần giữ mọi thứ trong cửa sổ ngữ cảnh

    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.

  2. MiniMax Blog75

    MiniMax phát hành H3-Image, mô hình trọng số mở tạo ảnh 4K trong dưới 10 giây

    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.

  3. Google Developers Blog75

    Google phát hành A2UI 1.0, một giao thức mở ổn định cho UI gốc do agent tạo ra

    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.

  1. Amazon Science62

    Amazon phát hành mô hình nền tảng dạng bảng Mitra-v2 với tiền huấn luyện tổng hợp mở rộng

    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.

  2. Google Developers Blog72

    Google AI Edge Gallery bổ sung nhận dạng giọng nói và chuyển văn bản thành giọng nói trên thiết bị

    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.

  1. NVIDIA Blog70

    NVIDIA ra mắt mô hình hành động thế giới GR00T 2 và Isaac Lab 3.0 tại CoRL

    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.

  2. Zyphra Research78

    Zyphra phát hành ZONOS3-Mini, mô hình TTS nhân bản giọng nói zero-shot theo giấy phép Apache 2.0 chạy trên thiết bị

    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.

  3. Google Developers Blog60

    Google Cloud MaxText bổ sung song song hóa ngữ cảnh cho huấn luyện ngữ cảnh dài trên TPU

    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.

  1. vLLM Blog77

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

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

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

  1. Preferred Networks News71

    PFN phát hành PLaMo 3 Translate, LLM dịch thuật trọng số mở cho thiết bị biên

    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.

  1. Mistral AI86

    Mistral phát hành trọng số mở cho Mistral Large 4 (Le Chonk), mô hình đa phương thức 1 nghìn tỷ tham số

    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.

  1. Modal Blog71

    Modal phát hành Spindle, một máy chủ huấn luyện mã nguồn mở tương thích với Tinker

    Modal đã phát hành Spindle, một máy chủ huấn luyện mã nguồn mở tương thích với Tinker, chạy trong workspace Modal của khách hàng, cho phép các nhóm tùy chỉnh stack và trả tiền cho thời gian GPU thay vì token. Spindle hỗ trợ huấn luyện toàn bộ tham số và multi-LoRA trên các mô hình mở, và Modal báo cáo rằng việc chia sẻ một trainer cho 8 khách hàng đã cắt giảm chi phí trên mỗi 1M token đầu ra tới 80% so với Tinker trên một job GRPO DAPO-math. Modal cho biết Spindle vẫn đang trong giai đoạn beta và định vị nó giữa thư viện huấn luyện Dojo và các primitive cụm thô của mình.

    Vì sao đáng chú ý: Máy chủ Spindle mã nguồn mở của Modal mang đến cho các nhóm một lựa chọn thay thế tương thích với Tinker, đánh đổi giá theo token lấy thời gian GPU, với việc chia sẻ multi-LoRA được báo cáo giúp cắt giảm chi phí tới 80%.

  2. MiniMax Blog62

    MiniMax Code ra mắt môi trường chạy Mini App với MCP được lưu trữ và kho mã nguồn mở

    MiniMax đã ra mắt Mini App trong ứng dụng máy tính MiniMax Code, một ứng dụng định dạng plugin với giao diện người dùng và phần backend Node.js, giúp công việc của Agent được giữ trên một trang luôn hoạt động thay vì bị phân tán qua các cuộc hội thoại. Bản phát hành bao gồm môi trường chạy với thư mục dữ liệu liên tục, MCP được lưu trữ, Agent API, Host Connectors và phê duyệt công cụ trong trang, cùng với /miniapp-creator để đi từ một yêu cầu một câu đến một trang hoạt động và các Mini App chính thức trong chợ plugin. MiniMax Bot bản thân là một Mini App, và mã nguồn của nó cùng với các Mini App do cộng đồng xây dựng hiện nằm trong kho mã nguồn mở MiniMax-Code-MiniApps; Mini App có sẵn trong các phiên cục bộ trên macOS và Windows.

    Vì sao đáng chú ý: MiniMax Code đã chuyển công việc của Agent từ luồng hội thoại sang một trang thường trú, đồng thời công khai môi trường chạy và kho mã nguồn mở của Mini App, cung cấp một kiến trúc có thể tham khảo cho hình thức công cụ Agent.

  1. Mistral AI71

    Mistral ra mắt mô hình nền tảng chuỗi thời gian Timestral, đứng đầu GIFT-Eval, TIME và fev-bench

    Mistral đã ra mắt Timestral, họ mô hình nền tảng chuỗi thời gian đầu tiên của mình, với bốn kích thước từ 5M đến 209M tham số. Mô hình lớn nhất xếp hạng nhất trên cả ba bộ đánh giá công khai chính là GIFT-Eval, TIME và fev-bench, trong số các mô hình zero-shot đã được huấn luyện trước từ một checkpoint duy nhất mà không cần ensemble, chỉ sử dụng hai phần ba số tham số so với mô hình tốt nhất trước đó. Timestral tạo ra dự báo đa biến theo xác suất với 21 phân vị, hỗ trợ các biến đồng biến chỉ trong quá khứ và biến đồng biến đã biết trong tương lai, chạy trên CPU mà không cần GPU, và có sẵn thông qua Mistral Forge để tinh chỉnh, cùng với kho lưu trữ GitHub và báo cáo kỹ thuật được công bố theo giấy phép MIT đã sửa đổi.

    Vì sao đáng chú ý: Họ mô hình nền tảng chuỗi thời gian đầu tiên của Mistral tuyên bố đứng đầu xếp hạng zero-shot trên GIFT-Eval, TIME và fev-bench với checkpoint 209M tham số, cung cấp tài liệu tham khảo về đánh đổi kích thước-độ chính xác cho công việc dự báo.

  2. inclusionAI Repositories67

    inclusionAI phát hành các mô hình âm thanh Ming-3.0-audio-flash và Ming-3.0-audio-tiny

    inclusionAI đã phát hành Ming-3.0-audio-flash, một mô hình âm thanh Mixture-of-Experts 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với Ming-3.0-audio-tiny nhỏ gọn với 9,3 tỷ tham số và 2,7 tỷ tham số được kích hoạt. Mô hình flash bao phủ nhận dạng giọng nói tiếng Trung và tiếng Anh trên các phương ngữ và môi trường nhiều người nói ồn ào, hiểu âm thanh dài, nhận thức âm thanh không phải giọng nói và âm nhạc, suy luận âm thanh, và hội thoại nói đầu-cuối với đầu ra giọng nói tổng hợp tùy chọn. Nó đi kèm với các đường suy luận vLLM-Omni, SGLang và Transformers theo Giấy phép MIT, với các cấu hình Flash mặc định sử dụng song song tensor trên bốn GPU H800 80 GB ở ngữ cảnh 128K.

    Vì sao đáng chú ý: Bản phát hành mô tả chi tiết một mô hình âm thanh MoE 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với một biến thể tiny 9,3 tỷ, cung cấp một tham chiếu cụ thể cho việc định cỡ và triển khai mô hình ngôn ngữ-âm thanh mở.

  3. Goodfire Research62

    Bài luận nghiên cứu của Goodfire lập luận rằng mạng nơ-ron vốn đã trong sáng và superposition đã bị hiểu sai

    Một nhà nghiên cứu của Goodfire lập luận rằng bằng chứng kinh điển về tính đa nghĩa và superposition trong mạng nơ-ron đã bị hiểu sai, và thứ trông như sự đóng gói tùy tiện thực chất phần lớn là một mô-típ mà ông gọi là tổng quát hóa đệ quy. Huấn luyện lại InceptionV1 với các cải tiến kiến trúc thông thường và không thay đổi kích thước mô hình hay dữ liệu huấn luyện đã khiến 99-100% nơ-ron ở lớp cuối của nó trở nên dễ diễn giải, và các đợt kiểm toán sơ bộ Qwen3-32B ước tính khoảng 90% các cực nơ-ron có một nhiệm vụ chính. Bài luận kết luận mạng nơ-ron sử dụng một nguyên lý học thay vì hai, nên khả năng diễn giải có thể tiến hành bằng cách nghiên cứu trực tiếp nơ-ron và mạch thay vì trước tiên huấn luyện các mô hình phân rã như sparse autoencoder.

    Vì sao đáng chú ý: Một cách diễn giải lại trực tiếp bằng chứng kinh điển về tính đa nghĩa của lĩnh vực, lập luận rằng mạng nơ-ron tổng quát hóa một cách đệ quy thay vì đóng gói các khái niệm không liên quan, điều này sẽ khiến việc nghiên cứu cơ chế trực tiếp trở nên khả thi.

  1. Amazon Science75

    Các nhà nghiên cứu của Amazon Web Services đề xuất phương pháp priming để chuyển đổi Transformer đã huấn luyện trước thành mô hình không gian trạng thái lai mà không cần huấn luyện lại toàn bộ

    Các nhà nghiên cứu của Amazon Web Services giới thiệu priming, một phương pháp tái sử dụng trọng số Transformer đã huấn luyện trước để cắt giảm chi phí huấn luyện trước của kiến trúc không gian trạng thái lai xuống hơn 99%, chỉ sử dụng dưới 0,5% ngân sách token huấn luyện trước của mô hình nguồn. Trong các so sánh có kiểm soát, Gated KalmaNet vượt trội hơn Gated DeltaNet và Mamba-2, và một mô hình lai dựa trên GKA 32B đạt kết quả tương đương Transformer nguồn trên các bài đánh giá suy luận trong khi giải mã nhanh gấp đôi ở ngữ cảnh 128.000 token. Nhóm đã phát hành các mô hình lai đã priming 8B và 32B, mã huấn luyện, Triton kernel và plugin phục vụ vLLM theo Giấy phép Apache 2.0.

    Vì sao đáng chú ý: Các nhà nghiên cứu của Amazon Web Services cho thấy việc tái sử dụng trọng số Transformer đã huấn luyện trước có thể cắt giảm chi phí huấn luyện trước kiến trúc lai xuống hơn 99%, giúp việc so sánh có kiểm soát các lớp không gian trạng thái trở nên khả thi.

  1. 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.