AI Brief — Today

Một nhân viên hợp đồng của Accenture bị phát hiện đã kết nối công cụ Claude AI agent cá nhân vào hệ thống mạng quân sự của Lầu Năm Góc (Pentagon). Sự việc phơi bày rủi ro an ninh nghiêm trọng khi nhân sự kỹ thuật tự ý đưa các agent AI thương mại chưa được kiểm định vào môi trường nội bộ tối mật, tạo tiền lệ nguy hiểm về rò rỉ dữ liệu và xâm phạm bảo mật quốc phòng.

Nghiên cứu đề xuất ZETA, kiến trúc phân tách chính sách định tuyến khỏi không gian hành động trong các agent phân tích ảnh khoa học theo nguyên lý 'Route First, See Later'. Thay vì để agent gộp chung quá trình hiểu ý định với thực thi thị giác (gây khó khăn trong việc xác định lỗi do suy luận hay do công cụ), ZETA xác định ý định khoa học trước và xử lý đo lường theo dạng hình học tất định. Trên benchmark 51 truy vấn với Qwen 3.8, phương pháp giúp tăng độ chính xác định tuyến phân đoạn từ 6,2% lên 75,0% và phát hiện từ 60,0% lên 100%, tạo nền tảng kiểm toán minh bạch cho các vision agent chuyên dụng.

AgentAM là tác nhân LLM giúp kỹ sư quy trình tối ưu hóa quá trình in 3D kim loại (LPBF) cho thép không gỉ SS316L qua ngôn ngữ tự nhiên nhờ giao thức Model Context Protocol (MCP). Hệ thống sử dụng mô hình surrogate đa thức huấn luyện từ 279 mô phỏng CFD đơn tia để dự đoán kích thước bể nóng chảy (R² ≥ 0.95), thể tích văng tóe (R² = 0.83) và phân loại khuyết tật hình học với độ chính xác 93,4%. AgentAM tích hợp bộ tối ưu nhận biết biên độ (margin-aware) giúp dời điểm tối ưu khỏi ranh giới khuyết tật, nâng xác suất duy trì trạng thái tốt từ 0.94 lên 1.00 khi có trôi dạt quy trình 2%. Trên benchmark 145 prompt, tác nhân truyền đúng tham số 98,5% và bám sát điểm tối ưu vét cạn trong khoảng 1,0%.

Nghiên cứu giới thiệu Best-of-Depth (BoD), một phương pháp huấn luyện mới dành cho Looped Transformers giúp tận dụng tính toán lặp lại tại thời điểm suy luận. Thay vì chỉ huấn luyện ở độ sâu cuối cùng (vốn bỏ qua các trạng thái trung gian hữu ích), BoD coi toàn bộ quỹ đạo hồi quy như một tập ứng viên và tối thiểu hóa prediction loss xuyên suốt các độ sâu lặp mà không cần thay đổi kiến trúc hay gán nhãn theo độ sâu. Kết quả thực nghiệm cho thấy BoD tăng độ bao phủ nghiệm N-Queens từ 45,75% lên 91,03%, có khả năng tìm kiếm nghiệm vượt ngoài độ sâu huấn luyện và nâng cao tỷ lệ sinh mã nguồn thành công khi fine-tune trên mô hình ngôn ngữ dạng looped.

Bản phát hành llm 0.37 bổ sung hỗ trợ cho các mô hình mới (gpt-6.1-sol, gpt-6.1-terra), lệnh mới `llm openai endpoint add` để cấu hình endpoint tương thích OpenAI, và chuyển mô hình mặc định sang gpt-6-luna giúp giảm một nửa chi phí. Ngoài ra, công cụ nâng cấp khả năng embedding hỗ trợ đa dạng định dạng nhị phân cho các mô hình đa phương thức như Gemini Embedding 2, đồng thời chia sẻ phương pháp dùng AI (Opus 5.5, GPT-6 Astra) để phân loại và tiếp nhận đóng góp mã nguồn mở.

Nghiên cứu đánh giá độ chuẩn định độ bất định (uncertainty calibration) trong các mô hình nền tảng chuỗi thời gian (TSFMs) dạng xác suất. Nhóm tác giả đề xuất hệ thống phân loại cách TSFMs biểu diễn độ bất định và xây dựng khung đánh giá đa chu kỳ phân biệt giữa chuẩn định gộp (pooled), theo chu kỳ (horizon-wise) và có điều kiện (conditional). Kết quả thực nghiệm cho thấy các mô hình hiện tại mắc các lỗi lệch chuẩn định mang tính hệ thống mà các chỉ số thông thường dễ bỏ qua, đồng thời làm rõ khả năng và giới hạn của các phương pháp hiệu chỉnh hậu nghiệm (post-hoc recalibration).

Sonar-MoE là kỹ thuật huấn luyện mô hình Mixture-of-Experts (MoE) tối ưu bộ nhớ thông qua cơ chế cập nhật trọng số expert ngay trong quá trình backward pass (optimizer-in-backward). Thay vì lưu giữ toàn bộ gradient của expert đến bước tối ưu hóa, Sonar-MoE giải phóng bộ nhớ ngay sau khi cập nhật từng tầng batched tensor, giúp GPU chỉ giữ gradient của tối đa một tầng expert. Thử nghiệm trên OLMoE-1B-7B và Granite-3.1-3B-A800M (bf16) cho thấy phương pháp này giảm 19% - 22% peak memory, rút ngắn 17% - 23% thời gian mỗi step và giữ nguyên chất lượng mô hình (held-out loss chênh lệch dưới 0.003).

SCOPE (Skill-Composed Progressive Exploration) là khung học tập từ ngắn hạn đến dài hạn dành cho LLM web agent, giải quyết rào cản phần thưởng thưa thớt (sparse rewards) trong các tác vụ tương tác web phức tạp. Thay vì khám phá ngây thơ (naive exploration), SCOPE chia nhỏ quá trình học thành chu kỳ 3 bước: Khám phá kỹ năng cục bộ (Skill Discovery), Điều phối thành chuỗi kỹ năng cấp cao (Skill Orchestration), và Mở rộng kỹ năng từ trải nghiệm thất bại (Skill Expansion). Các chuỗi kỹ năng này sau đó được nén vào trọng số mô hình bằng on-policy distillation, giúp tăng 3.9% - 18.6% hiệu suất trên WebArena, WebVoyager và WebShop.

LUCA là môi trường thế giới mô phỏng có thể tùy biến, được thiết kế để đánh giá độc lập quy trình suy luận thực nghiệm của AI agent dựa trên ground truth hoàn chỉnh. Thay vì chỉ đo lường kết quả cuối, LUCA phân tách riêng biệt các khả năng: lựa chọn thí nghiệm có giới hạn ngân sách, dự đoán can thiệp, chẩn đoán lỗi và giải cứu hệ thống. Thử nghiệm trên 7 frontier LLM cho thấy các mô hình thường giải cứu thành công hệ thống dù chẩn đoán sai lỗi; chẩn đoán chênh lệch tới 7 lần giữa các model dù dự đoán chỉ lệch 1,4 lần. Đáng chú ý, nhiều agent thực hiện đúng thí nghiệm cần thiết để phân biệt nguyên nhân nhưng lại thất bại trong việc tận dụng bằng chứng thu được.

FedReason đề xuất sử dụng LLM (như Claude Opus 5.5) làm bộ siêu tổng hợp (meta-aggregator) trong học liên kết. Cứ mỗi 10 vòng, LLM phân tích trọng số thông qua sandbox trên máy chủ, đánh giá ứng viên trên tập proxy 500 ảnh và tạo mã Python tổng hợp linh hoạt. Phương pháp giúp cải thiện độ chính xác so với FedAvg, loại bỏ hoàn toàn client độc hại ngay vòng đầu tiên và giữ chi phí API ở mức thấp (~0.79 USD/60 vòng) trong khi vẫn đảm bảo bảo mật trọng số.

ZeroRAG là kiến trúc định tuyến phân tán cho hệ thống RAG, cho phép định tuyến truy vấn theo ngữ nghĩa giữa các node ngang hàng (P2P) mà không cần cấu trúc dữ liệu toàn cục hay bộ điều phối tập trung. Tài liệu được lưu trữ tại chính node sở hữu; mỗi node chỉ giữ trạng thái nhẹ gồm thông tin láng giềng và cache truy vấn. ZeroRAG sử dụng kỹ thuật best-first walk để tự động tái liên kết mạng theo ngữ nghĩa, cải thiện recall theo thời gian, đạt độ chính xác câu trả lời gần tương đương kho tập trung, tự phục hồi sau sự cố và mở rộng tới 100.000 peers.

EvoWorld là khung kiến trúc kết hợp giữa mô hình thị giác-ngôn ngữ (VLM) đóng vai trò 'bộ não' và bộ kết xuất video tự hồi quy (renderer) để giải quyết bài toán tiến hóa nhân quả ngoài tầm nhìn (Out-of-Sight Causal Evolution). Khác với các mô hình khuếch tán chỉ tập trung vào độ chân thực điểm ảnh, EvoWorld cho phép duy trì trạng thái thế giới và suy luận phản ứng nhân quả của thực thể khi có sự kiện diễn ra. Nghiên cứu đồng thời công bố bộ dữ liệu EvoWorld-Data và benchmark EvoWorld-Bench để đánh giá năng lực này.

Nghiên cứu 'Compile as Hypothesis' đánh giá các bộ biên dịch prompt tự động (genome search, profile-guided mutation, GEPA, ESPO) trên các mô hình lý luận mạnh. Kết quả thực nghiệm cho thấy tìm kiếm có cấu trúc không mang lại cải thiện độ chính xác có ý nghĩa thống kê, nhưng discrete structural genome giúp ngăn chặn hiện tượng sụp đổ hạt giống (seed-collapse) về mức đáy của judge. Nhóm tác giả đề xuất hệ thống phân loại dư địa 3 chiều: tối ưu prompt chỉ khắc phục được lỗi giao thức và định dạng, không thể bù đắp cho việc thiếu hụt tri thức hay cắt cụt token. Nghiên cứu cũng giới thiệu cổng kiểm soát AutoAPC-Select, bóc tách mức tăng hiệu năng trên gpt-6 và phát hiện tình trạng tráo đổi backend ngầm (silent backend-mixing) của các API thương mại trong thời gian gặp sự cố.

AmbiHTMLBench là bộ benchmark gồm 1.115 trang tài liệu phức tạp nhằm đánh giá toàn diện khả năng chuyển đổi tài liệu trực quan (Visually Rich Documents) sang mã HTML có thể thực thi, giải quyết hạn chế làm mất cấu trúc không gian và bảng biểu của định dạng Markdown. Benchmark áp dụng cơ chế đánh giá kép: khách quan (độ chính xác bảng, lỗi văn bản, tính nhất quán bố cục 2D) và chủ quan (LLM judge đối chiếu với đánh giá của con người). Kết quả trên 10 mô hình đa phương thức cho thấy điểm khách quan cao nhất đạt 0.8092, đồng thời mô hình chuyên gia tham số nhỏ sau khi tinh chỉnh chuyên biệt đạt hiệu năng tái tạo tài liệu sang HTML rất khả quan.

StepBack là phương pháp lấy mẫu lại cục bộ ở cấp bước suy luận nhằm tối ưu hóa chi phí test-time reasoning cho mô hình ngôn ngữ. Từ một tập nhỏ các chuỗi nháp, StepBack dùng tín hiệu nhẹ để định vị bước lỗi đầu tiên, chỉ lấy mẫu lại bước lỗi đó cùng phần hậu tố và tiến hành bỏ phiếu đa số. Phương pháp này duy trì độ chính xác tương đương Self-Consistency trên 7 benchmark toán và multi-hop QA nhưng giảm tới 41,26% lượng token tiêu thụ, đồng thời tương thích tốt với các kỹ thuật suy luận thích ứng.

CardioLM là bộ mô hình ngôn ngữ nhỏ đa ngôn ngữ dành cho chuyên khoa tim mạch, đi cùng tập dữ liệu chuẩn hóa CardioCCC gồm 508 ca bệnh bao phủ 7 ngôn ngữ. Nghiên cứu chỉ ra rằng việc tiếp tục tiền huấn luyện chuyên khoa (domain-specific pretraining) chỉ mang lại mức tăng F1 biên không đáng kể (tối đa 0.04), trong khi huấn luyện đa ngôn ngữ chung (multilingual joint training với XLM-RoBERTa-large) đạt kết quả vượt trội (tăng tới 0.13 F1) và tối ưu hóa quy trình triển khai lâm sàng xuyên biên giới.

IMUDINO là mô hình nền tảng (foundation model) đầu tiên cho cảm biến quán tính đạt hiệu năng cạnh tranh trên nhiều tác vụ khác nhau gồm nhận dạng hoạt động người (HAR), theo dõi sức khỏe, ghi nhận chuyển động (mocap) và định vị quán tính (odometry). Bằng cách chuyển giao kiến trúc tự giám sát DINO cùng các phép biến đổi chuyển động bảo toàn ngữ nghĩa và mã hóa vị trí nhận biết tần số, mô hình giải quyết hạn chế cố định tần số lấy mẫu và độ dài dữ liệu của các phương pháp trước đây.

Nghiên cứu đề xuất Counterfactual Foreground Retrieval (CFR), một quy trình đánh giá nhận diện cá thể động vật dựa trên bằng chứng nhằm xác định mô hình sử dụng đặc trưng thực sự hay đường tắt từ bối cảnh/bóng mờ. CFR kiểm tra cùng tác vụ trên ba góc nhìn: toàn ảnh, chỉ tiền cảnh và chỉ đường tắt để lập hồ sơ bằng chứng chi tiết. Dự án phát hành khoảng 0,5 triệu mask cho 34 tập dữ liệu cùng mã nguồn thực thi.

Mallard là công cụ mã nguồn mở (giấy phép MIT) đóng vai trò như 'Git cho kỷ nguyên AI agent', giúp lập trình viên sao lưu, chia sẻ và khôi phục các phiên làm việc với Claude Code và Codex. Thay vì tốn kém chi phí máy ảo đám mây như giải pháp nội bộ của Anthropic, Mallard sử dụng phiên bản Git tinh giản loại bỏ CAS để hoạt động trực tiếp trên các cloud storage thông thường (Cloudflare R2, Dropbox) hoặc Mallard Cloud, mang lại khả năng cộng tác nhóm với chi phí gần như bằng 0.

Basin2Vec là framework tự giám sát (self-supervised) giúp học các vector biểu diễn lưu vực cô đọng từ dữ liệu khí hậu và địa lý tự nhiên mà không cần nhãn dòng chảy thực đo. Mô hình giải quyết bài toán dự báo dòng chảy tại các lưu vực chưa được quan trắc thông qua zero-shot spatial transfer, đạt hiệu suất trung vị gấp 3,5 lần các giải pháp mạnh nhất hiện nay và cải thiện khả năng tổng quát hóa theo thời gian tới 8,3%. Dự án đã mở mã nguồn trên GitHub.

Nghiên cứu chỉ ra việc tự động tạo nhãn chuẩn (ground-truth) để phát hiện ảo giác bằng các thang đo độ tương đồng như BLEURT có sai số rất lớn (tỷ lệ phân loại sai ~47%), do BLEURT đo độ tương đồng thay vì tính xác thực. Thử nghiệm trên 15 judges và 5 ngôn ngữ chứng minh hiệu năng detector phụ thuộc lớn vào judge giám sát, trong đó QGen-9B cho kết quả tin cậy nhất với tỷ lệ lỗi chỉ 12,86%.

DualWorldBench là bộ benchmark thống nhất đánh giá năng lực lập kế hoạch của AI agent đa phương thức dưới các ràng buộc ký hiệu-thời gian và không gian-liên kết. Xoay quanh giao diện lấy-giao hàng (pickup-delivery), benchmark gồm 3 hợp phần: TextWorld (lập kế hoạch ký hiệu), SimWorld (lập kế hoạch đường đi qua văn bản/hình ảnh) và DualWorld-VQA (chẩn đoán nhận thức). Nghiên cứu chỉ ra điểm nghẽn lớn: agent hiện nay có thể hiểu cục bộ tốt nhưng gặp khó khăn nghiêm trọng trong việc tổng hợp dữ liệu để lập kế hoạch toàn cục khả thi và tối ưu.

DiMuRe là khung phục hồi đa cấp có hướng dẫn chẩn đoán dành cho các tác tử robot, giải quyết vấn đề các tác động nhiễu giữa chừng làm vô hiệu hóa điều kiện của hành động kế tiếp. DiMuRe kết hợp tái sử dụng chương trình, các kỹ năng phục hồi định trước (bao gồm gắp vật thể bằng VLA có giới hạn), xác minh cục bộ và sử dụng MLLM sinh mã sửa lỗi khi chương trình gốc kết thúc. Trên benchmark LIBERO-Disturb với 801 trường hợp kiểm thử Encore, DiMuRe giúp nâng tỷ lệ hoàn thành tác vụ từ 58.68% lên tối đa 81.90% với số bước vật lý tối ưu hơn.

Safety4DM là khung làm việc thị giác - ngôn ngữ hướng tới an toàn cho bản đồ động (DM) trong môi trường lái xe hợp tác xe - đường - đám mây (VRC). Nghiên cứu giải quyết 2 thiếu sót lớn: biến quan sát thực tế thành thực thể rủi ro chi tiết trong DM và xây dựng giao diện truy vấn ngôn ngữ tự nhiên. Nhóm nghiên cứu giới thiệu bộ dữ liệu RoadRisk (4 điều kiện đường, 4 mức rủi ro), tinh chỉnh mô hình VLM (Qwen3-VL-4B đạt 89,83% độ chính xác), đề xuất cơ chế nhắc từng bước SafeStep đạt trên 93% độ chính xác truy vấn với các LLM từ 20B, đồng thời cung cấp môi trường mô phỏng SafeVRC-Sim và benchmark SafeDM-QA.