Research

Nghiên cứu trên Gemma-3 và Qwen3.5 chỉ ra rằng nguyên nhân chính khiến mô hình thị giác-ngôn ngữ (VLM) phân loại sai meme độc hại là do lỗi định tuyến (misrouted) bằng chứng ra đầu ra chứ không phải do thiếu biểu diễn nội bộ. Bằng cách sử dụng sparse autoencoders, probe theo vai trò và can thiệp nhân quả trên 6 benchmark, nhóm tác giả chứng minh sparse readout vượt trội rõ rệt so với dự đoán gốc (Qwen đạt macro-F1 0.740 so với 0.432; Gemma đạt 0.714 so với 0.532). Kỹ thuật calibration-only routing giúp khôi phục tới 93.3% khoảng cách hiệu năng và probe-distilled LoRA cải thiện đáng kể dự đoán gốc.

Nghiên cứu giới thiệu HOPE (Higher-Order Pruning of Experts), một phương pháp cắt tỉa chuyên gia bậc hai dành cho các mô hình ngôn ngữ Mixture-of-Experts (MoE). Khác với các phương pháp hiện tại coi các chuyên gia hoạt động độc lập và cộng tính, HOPE mô hình hóa bản chất tương tác hợp tác giữa các chuyên gia nhằm cực tiểu hóa cận trên của sai số cắt tỉa. Thử nghiệm trên 3 mô hình MoE biên giới (lên tới 122B tham số) cho thấy HOPE vượt trội hơn các phương pháp cơ sở, đạt thứ hạng trung bình 1.58/5 ở mức cắt tỉa 50% (so với 2.42 của REAP) và tăng tới +6.1% hiệu năng trên tác vụ agentic coding.

Nghiên cứu đề xuất Probabilistic Linear Explanations (PLE), một khung giải thích hình thức dựa trên các mô hình tuyến tính thưa và được neo (anchored), áp dụng đồng thời cho phân loại nhị phân và hồi quy liên tục. Bằng cách ánh xạ dữ liệu lên siêu lập phương Boolean, phương pháp này tổng quát hóa các hướng tiếp cận dựa trên tập con, thu nhận cả độ lớn và hướng đóng góp của đặc trưng trong khi vẫn đảm bảo ngân sách độ thưa k. Nghiên cứu chứng minh việc tối thiểu hóa sai số liên quan (relevance error) trên mạng nơ-ron là NP^PP-hard, đồng thời thiết lập cận lý thuyết liên hệ nó với sai số độ trung thực (fidelity error). Hai giải thuật được đưa ra gồm: Quy hoạch số nguyên hỗn hợp (MIP) cho nghiệm tối ưu thực nghiệm và Ngưỡng cứng lặp (IHT) thời gian đa thức với bảo đảm xấp xỉ, vượt trội hơn LIME và MAPLE về tính chuẩn xác và thỏa mãn ràng buộc.

Nghiên cứu giới thiệu Comparison-based Preference Optimization (ComPO), một phương pháp căn chỉnh sở thích bậc không (zeroth-order) dựa trên comparison oracles cho mô hình ngôn ngữ lớn (LLM). ComPO giải quyết vấn đề dịch chuyển likelihood (likelihood displacement) bằng cách trích xuất thông tin định hướng từ các cặp sở thích có biên likelihood nhỏ mà không cần tối ưu hóa trực tiếp hàm mất mát khả vi. Bài báo thiết lập bảo chứng hội tụ toán học cho sơ đồ offline, đồng thời phát triển phiên bản online với kiểm soát reverse-KL đối với mô hình tham chiếu. Thực nghiệm trên Mistral, Llama, Gemma-2, Qwen3 và Gemma-3 chứng minh ComPO cải thiện tỷ lệ thắng có kiểm soát độ dài và giảm thiểu hiệu quả hiện tượng dịch chuyển likelihood so với các phương pháp căn chỉnh trực tiếp hiện hành.

Nghiên cứu phân tách hai trục thiết kế cốt lõi của thuật toán tokenisation (BPE và UnigramLM) gồm mục tiêu tối ưu (nén vs. log-likelihood) và quy trình tìm kiếm (ghép từ dưới lên vs. cắt tỉa từ trên xuống). Bằng việc đề xuất hai thuật toán mới BottomUpLL và TopDownComp để hoàn thiện không gian thiết kế 2x2, nghiên cứu chỉ ra rằng quy trình tìm kiếm từ dưới lên (bottom-up) chính là yếu tố quyết định giúp đạt bits-per-byte thấp hơn, trong khi mục tiêu tối ưu hóa không tạo ra sự khác biệt mang tính chi phối.

Nghiên cứu đề xuất pipeline kết hợp mô hình tạo video và âm thanh để giải quyết hạn chế thiếu thông tin lực của các phương pháp điều khiển robot dựa trên video. Bằng cách dùng độ lớn âm thanh tiếp xúc được sinh ra để tạo biên dạng lực mong muốn theo thời gian, hệ thống cho phép robot Franka Panda thực thi thành công các tác vụ tiếp xúc phức tạp qua bộ điều áp lực vòng kín, đồng thời đóng vai trò làm bộ máy sinh dữ liệu huấn luyện policy robot.

rMuscle là một framework suy luận thời gian thực cho các mô hình Vision-Language-Action (VLA) trong robot học, lấy cảm hứng từ cơ chế trí nhớ cơ bắp (muscle memory) của con người. Tận dụng đặc điểm công việc lặp lại trong nhà máy có tính tương đồng cao về trạng thái nội tại của mô hình, rMuscle giới thiệu cơ chế bộ nhớ đệm hai giai đoạn: Context Cache (tái sử dụng đầu ra visual-token để giảm khối lượng tính toán) và Action Cache (tái sử dụng mẫu kích hoạt neuron để giảm truy cập trọng số). Kết hợp cùng kỹ thuật tính toán lại trực tuyến, truy xuất cửa sổ trượt và chia sẻ mặt nạ khử nhiễu, rMuscle đạt tốc độ tăng từ 1.29x đến 1.42x trên RTX 4090 và Jetson Thor mà vẫn duy trì tỷ lệ thành công ban đầu trên robot thực tế.

Nghiên cứu chỉ ra sự thiếu đồng nhất trong phong cách viết báo cáo X-quang của các bác sĩ làm sai lệch kết quả đánh giá và thứ hạng các mô hình AI sinh báo cáo (RRG). Tác giả đề xuất hệ thống phân loại biến thể báo cáo, phương pháp viết lại tham chiếu ReRef bảo toàn chẩn đoán lâm sàng, và cung cấp bộ dữ liệu thẩm định MIMIC-CXR-Ext-ReRef gồm 120 cặp báo cáo để nâng cao độ tin cậy khi đánh giá mô hình.

Calif Research công bố bản demo WeWorm, sâu máy tính zero-click đầu tiên lây lan qua cuộc gọi WeChat trên cả iOS và Android mà không cần người dùng tương tác. Đáng chú ý, nhóm nghiên cứu đã ứng dụng AI để tìm lỗ hổng và phát triển mã khai thác RCE chỉ trong khoảng 2 ngày, hoàn thiện toàn bộ sâu trong 1 tuần—rút ngắn quy trình vốn từng mất nhiều tháng của một đội ngũ lớn.

MUSE là bộ benchmark mới được thiết kế để đánh giá các mô hình thị giác - ngôn ngữ lớn (LVLM) về khả năng hiểu hình ảnh nghệ thuật trong giáo dục tình huống (như học ngôn ngữ tương tác). Benchmark gồm 12 tác vụ bao quát từ nhận thức thị giác, cảm xúc, ngữ nghĩa đến văn hóa đa dạng (tập trung vào Singapore, Đông Nam Á và phương Tây), sử dụng kỹ thuật tách biệt gán nhãn và tạo câu hỏi để tối ưu hóa việc kiểm soát độ khó. Kết quả cho thấy các mô hình hiện tại còn bộc lộ nhiều hạn chế lớn về diễn giải cảm xúc và suy luận bố cục.

Nghiên cứu chỉ ra rằng kẻ tấn công có thể lợi dụng sự nhập nhằng trong các bản ghi syndrome thụ động của mã toric để biến khuyến nghị từ cố vấn AI thành các cập nhật sửa lỗi lượng tử (QEC) gây hại. Để khắc phục, nhóm tác giả đề xuất sử dụng phép đo hiệu chuẩn logic trên trạng thái đã biết kết hợp với bộ đánh giá độc lập dựa trên giới hạn độ trôi nhằm chứng nhận an toàn cho các cập nhật phục hồi trước khi áp dụng.

Công bố giải pháp do AI tạo ra cho Bài toán Thiên niên kỷ Navier–Stokes, đi kèm bài viết giải trình chi tiết và chứng minh hình thức được kiểm chứng bằng ngôn ngữ Lean.

Nghiên cứu cắt ngang trên 761 chuyên gia y tế tại Nigeria (12/2025 - 03/2026) cho thấy mức độ nhận biết về AI rất cao (92,6%) nhưng kiến thức và mức độ sẵn sàng thực tế còn hạn chế: 40,9% có kiến thức thấp/rất thấp và chỉ 63,0% cảm thấy sẵn sàng áp dụng lâm sàng. Dù vậy, 92,5% mong muốn được đào tạo và 78,7% ủng hộ đưa AI vào chương trình đại học. Các rào cản chính gồm thiếu đào tạo (84,7%), hạ tầng yếu (71,1%), chi phí cao (61,0%), sợ mất việc (60,6%), đạo đức (52,9%) và bảo mật dữ liệu (52,7%). Kết quả nhấn mạnh khoảng cách lớn giữa nhận thức và năng lực thực tế, đòi hỏi đầu tư hạ tầng và đào tạo chuẩn hóa cho các nước đang phát triển.

Nghiên cứu giải thích hiện tượng double descent trong học máy bằng cơ học thống kê và nguyên lý tác dụng tối thiểu. Quá trình huấn luyện gradient ngẫu nhiên được xem như hạt chuyển động trên bề mặt hàm mất mát ở nhiệt độ hiệu dụng T tuân theo phân phối Boltzmann. Do thời gian khuếch tán hữu hạn tạo ra cơ chế suy giảm trọng số hiệu dụng (effective weight decay), định lý phân bố đều năng lượng chỉ ra rằng việc tăng số tham số d sẽ làm giảm nhiệt độ T, kéo nghiệm về quỹ đạo dừng có chuẩn L2 thấp hơn, qua đó tự động tăng cường khả năng điều chuẩn.

Phòng thí nghiệm của César de la Fuente sử dụng Codex và ChatGPT để khai phá bộ gen của các sinh vật sống và sinh vật đã tuyệt chủng nhằm tìm kiếm các phân tử ứng viên kháng khuẩn chống lại các bệnh nhiễm trùng kháng thuốc.

Bản đồ tổng hợp 68 chương trình và cơ hội việc làm trong lĩnh vực nghiên cứu an toàn AI, được chia thành 9 phần bao gồm chương trình nghiên cứu, tổ chức nghiên cứu, đánh giá & red-teaming, chính sách & quản trị, chuyển đổi nghề nghiệp, tài trợ, khóa học, danh mục và tài liệu đọc. Dữ liệu về thời hạn và mức trợ cấp đã được xác minh từ nguồn sơ cấp.

Nghiên cứu giới thiệu phương pháp 'Quantization-Aware Healing', tạo ra mô hình nén 4-bit có hiệu năng vượt trội hơn phiên bản gốc ở độ chính xác đầy đủ (full-precision), vượt qua giới hạn suy giảm chất lượng thường thấy khi lượng tử hóa.

Nghiên cứu mới trên SSRN chỉ ra rằng việc bổ sung AI đóng vai trò đồng nghiệp (AI Co-Workers) vào các cuộc họp của con người giúp cải thiện đáng kể độ chính xác trong thảo luận và ra quyết định. Dữ liệu hiện tại chỉ cung cấp tiêu đề và liên kết học thuật, chưa có thông số chi tiết về phương sai hay phương pháp luận thực nghiệm.

OpenAI triển khai chương trình tài trợ 5 triệu USD nhằm hỗ trợ các nghiên cứu độc lập về tác động của AI tạo sinh đối với sự phát triển, sức khỏe tinh thần và sự an toàn của thanh thiếu niên.

Nghiên cứu thử nghiệm ngẫu nhiên trên hơn 1.000 sinh viên kiểm tra tác động kết hợp của ChatGPT và đào tạo tư duy phản biện đối với hiệu suất làm bài tập đại học, tính độc bản và khả năng mở rộng tư duy.

Bài viết từ The Verge phản ánh sự bùng nổ nhanh chóng của lĩnh vực nghiên cứu an toàn AI (AI safety), tập trung vào các tổ chức đánh giá độc lập và các phòng thí nghiệm hàng đầu như METR, Redwood Research, OpenAI và Anthropic.

Nhà toán học Terence Tao cảnh báo rằng nguồn bài toán mở giá trị đang bị AI khai thác theo kiểu 'không thể tái tạo', dẫn đến nguy cơ cạn kiệt. Việc AI có thể nhanh chóng giải quyết bài toán chỉ từ tin đồn đang tạo động lực tiêu cực khiến các nhà khoa học ngừng chia sẻ ý tưởng công khai, đe dọa trực tiếp đến truyền thống khoa học mở và sự phát triển dài hạn của ngành toán.

Dự án đúc kết các bài học từ việc tái lập (reproduce) 2.200 bài báo khoa học từ hội nghị học máy ICML (International Conference on Machine Learning). - Sự thật xác minh: Trọng tâm là tái hiện kết quả thực nghiệm của 2.200 công trình nghiên cứu tại ICML. - Suy luận hợp lý: Đánh giá thực trạng khả năng tái lập trong nghiên cứu AI/ML, chỉ ra các lỗ hổng về mã nguồn, dữ liệu và môi trường chạy thử nghiệm. - Điểm chưa rõ (Unknowns): Tỷ lệ tái lập thành công cụ thể, phương pháp kiểm thử chi tiết và danh tính nhóm thực hiện không được cung cấp trong văn bản nguồn.

Một nhà nghiên cứu tại MIT đã sử dụng mô hình GPT-5.6 Sol kết hợp với Codex để tự động hóa quá trình vận hành thí nghiệm điện toán lượng tử, phân tích kết quả và hiệu chuẩn các qubit một cách tự chủ.