Research

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).

Nghiên cứu 'Rethinking Neural Thickets Without Weight Perturbations' tái đánh giá giả thuyết Neural Thickets—vốn cho rằng mô hình ngôn ngữ tiền huấn luyện nằm trong vùng lân cận dày đặc các chuyên gia cục bộ trong không gian trọng số. Các tác giả chứng minh việc tăng hiệu năng không cần đến giả thuyết hình học này: chỉ cần làm nhiễu một khối decoder hoặc thêm độ lệch ngẫu nhiên vào logits đầu ra của mô hình hoàn toàn đóng băng (frozen) đã tương đương hoặc vượt trội so với làm nhiễu toàn bộ trọng số. Bản chất của hiện tượng được giải thích qua cơ chế đa dạng hóa đầu ra, chọn lọc dựa trên tập kiểm định và biểu quyết, được chuẩn hóa thành khung Perturb-Select-Vote (PSV). Phân tích bậc nhất cũng khẳng định nhiễu trọng số tác động chủ yếu qua biến dịch logit. Phương pháp Logit PSV cũng đạt hiệu quả cao trong thị giác máy tính khi gặp domain shift (như quan sát Trái Đất), cung cấp giải pháp ensemble tại thời điểm suy luận đơn giản, không cần huấn luyện lại và tiết kiệm tài nguyên.

CLOSURE là kiến trúc phát hiện bất thường trên chuỗi thời gian đa biến (MTS) giải quyết nhược điểm của các mô hình tái tạo truyền thống. Thay vì chỉ dựa vào phần dư tái tạo (residual error), CLOSURE tách việc đánh giá thành hai tác vụ độc lập: khả năng phục hồi (qua mô hình diffusion kết hợp bộ nhớ thời gian) và tính nhất quán chéo kênh (dự đoán từng biến từ các biến còn lại thông qua sparse signed gates). Hai chỉ số này sau đó được hiệu chuẩn trên dữ liệu chuẩn, giúp loại bỏ báo động giả khi chuyển đổi trạng thái vận hành và phát hiện tốt hiện tượng lệch cảm biến.

Nghiên cứu giải quyết thách thức học chính sách khi các mục tiêu xung đột trong học tăng cường đa mục tiêu (MORL). Tác giả đề xuất hệ số xung đột mục tiêu để định lượng cận regret tối ưu trong môi trường online, thuật toán routed ensemble policy learning để định tuyến quỹ đạo tới các chính sách cơ sở phù hợp, và kỹ thuật kernel surrogate trajectory attribution nhằm nắm bắt tương tác phi tuyến giữa các quỹ đạo mẫu. Phương pháp giúp cải thiện 4.3% hiệu năng trên các benchmark Meta-World / MO-Gymnasium và tăng 27% phần thưởng khi áp dụng chọn lọc quỹ đạo dữ liệu.

Nghiên cứu giới thiệu METTA (Memory-Enhanced Test-Time Adaptation), một phương pháp meta-reinforcement learning giải quyết bài toán thích ứng nhanh trên chuỗi tương tác dài. METTA phân tách quá trình thích ứng thành hai thang thời gian: bộ nhớ nơ-ron nhân quả độ phức tạp tuyến tính cho thích ứng cục bộ trong episode, và bản tóm tắt cấp episode cô đọng phục vụ suy luận nhiệm vụ qua nhiều episode. Nhờ đó, mô hình đạt tỷ lệ thành công trên 50% trên Meta-World ML10/45 với chi phí thấp và vượt trội hơn Transformer baselines trên môi trường PointMaze phần thưởng thưa.

ABACUS là khung làm việc kết hợp chương trình tái sử dụng với mô hình phán đoán đóng băng (frozen judgment models) để giải quyết bài toán suy luận đa bước. Thay vì yêu cầu mô hình lớn sinh toàn bộ lời giải, ABACUS sử dụng mô hình teacher thiết kế quy trình offline, để mô hình phán đoán (như Kev) giải quyết các quyết định cục bộ online và ghép lại bằng chương trình. Thử nghiệm trên 3 tác vụ BIG-Bench Hard cho thấy ABACUS đạt độ chính xác 99.67%, tương đương Qwen3.5-4B nhưng tăng tốc độ xử lý trực tuyến gấp 8.43 lần (0.255s so với 2.150s).

Nghiên cứu giới thiệu khung đánh giá an toàn dựa trên rubric và hội đồng 3 LLM judge nhằm đo lường 6 dạng ngôn ngữ rủi ro trong mô hình hỏi đáp y tế cho bệnh nhân. Kết quả thử nghiệm trên 6 mô hình 7-9B (tổng quát và y tế) cho thấy: rủi ro ngôn ngữ gây hại hoàn toàn độc lập về mặt thống kê với tỷ lệ ảo giác thực tế; đồng thời fine-tuning y tế không làm giảm tổng mức rủi ro mà chỉ tái định hình rủi ro (giảm đề cập liều lượng/thuốc cảnh báo cao nhưng có thể làm tăng các phát biểu quá tự tin).

Nghiên cứu chứng minh tính dự đoán hành động (action predictability) đóng vai trò là một inductive bias quan trọng giúp world model bảo toàn động lực học nội tại (intrinsic dynamics) trước các biến thể thị giác gây nhiễu. Tác giả đề xuất Concat IDM, phương pháp dự đoán hành động từ các trạng thái latent nối tiếp bằng nhãn hành động có sẵn trong tập trajectory offline mà không thay đổi planner lúc chạy. Trên benchmark Push-T với 24 diện mạo khác nhau, Concat IDM tăng tỷ lệ thành công của lập kế hoạch từ 9,1% lên 77,2%.

Nghiên cứu đề xuất khung kiểm toán đo lường (measurement-first audit) nhằm xác thực các cáo buộc nhiễm bẩn benchmark trên bảng xếp hạng agentic AI. Khung đánh giá tách biệt ba kênh rò rỉ: tiếp xúc trong huấn luyện, truy xuất khi đánh giá và rò rỉ qua pipeline/scaffold. Đánh giá 9 cấu hình trên Holistic Agent Leaderboard (HAL) cho thấy không có kênh nào an toàn tuyệt đối và xác nhận 4 cấu hình gặp sự cố rò rỉ. Khi tái đánh giá khoảng cách định vị file trên SWE-bench Verified bằng phương pháp đối chứng cùng repository trên GPT-4.1 và DeepSeek-V4-Flash (100 cặp mẫu), mức chênh lệch +10,0 điểm của GPT-4.1 có khoảng tin cậy 95% chứa số 0, khiến kết luận rò rỉ dữ liệu chưa thể xác lập. Đồng thời, bộ chấm điểm tái hiện thất bại ở cổng kiểm định vì thiếu độ nhạy và tạo báo động dương tính giả trên DeepSeek-V4-Flash, bác bỏ các kết luận vội vàng về việc mô hình bị nhiễm dữ liệu benchmark.

DiMOS là khung làm việc không cần huấn luyện lại (training-free) dành cho thiết kế khoa học đa mục tiêu trên nền các mô hình masked diffusion đã đóng băng. Phương pháp này giải quyết hai rào cản lớn trong dẫn đường thời điểm suy luận (inference-time guidance): thiếu gradient từ hàm thưởng hộp đen/ràng buộc nhị phân và không gian nghiệm khả thi hẹp khi phải thỏa mãn đồng thời nhiều mục tiêu. DiMOS sử dụng phần thưởng kết hợp từ các ứng viên để thực hiện tái lấy mẫu cục bộ định hướng Doob (Doob-guided local resampling) không cần gradient, kết hợp tìm kiếm quỹ đạo tiết kiệm ngân sách tính toán. Thử nghiệm trên 6 tác vụ DNA, protein và RNA cho thấy DiMOS đạt tỷ lệ thành công kết hợp cao nhất ở thời gian tạo tương đương, vượt tới 1.98 lần so với baseline mạnh nhất trên DNA và protein trong khi vẫn duy trì tính tự nhiên và độc nhất của chuỗi.

Nghiên cứu trên 10 mô hình ngôn ngữ lớn (ra mắt từ tháng 4/2025 đến tháng 6/2026) từ 9 nhà cung cấp chỉ ra rằng định kiến giới tính rất phổ biến nhưng có chiều hướng và mức độ cực kỳ phân hóa, thậm chí đối lập nhau. Việc kiểm toán định kiến do đó phải là một quy trình liên tục và đa nhà cung cấp thay vì chỉ đánh giá một lần.

Nghiên cứu về 'Token Value Inequality in Efficient Reasoning' đề xuất framework TokenProbe dựa trên phát hiện rằng giá trị của các token trong chuỗi suy luận Chain-of-Thought (CoT) mang tính bất bình đẳng cao. Bằng cách dùng log probability chuẩn hóa cấp token, phương pháp phân biệt core tokens (chứa cấu trúc và nội dung suy luận then chốt) với redundant tokens (token đệm, mang tính thăm dò). Kết hợp với mục tiêu tối ưu hóa GRPO hiệu quả để nén có chọn lọc các token dư thừa, phương pháp giúp giảm 76% số lượng token tiêu thụ mà vẫn bảo toàn chất lượng suy luận, đồng thời vượt qua các baseline mạnh như Gemini-3.1-Pro ở cùng ngân sách độ dài.

PoEM là khung nghiên cứu mới cho phép dự đoán và xấp xỉ kết quả của chính sách RL (reinforcement learning) trên một hàm phần thưởng mới bằng cách kết hợp các mô hình đã post-train trước đó. Phương pháp dựa trên phát hiện rằng các log-policy thường nằm trong không gian con xấp xỉ hạng thấp, giúp tạo ra policy mục tiêu mà không cần tốn chi phí chạy lại quy trình huấn luyện RL từ đầu.

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.

Nghiên cứu đề xuất mô hình Bằng chứng tương tác có thể quay lui (Rewindable Interactive Proofs - RIPs) nhằm giải quyết bài toán giám sát có thể mở rộng (scalable oversight), cho phép một bộ kiểm tra yếu (weak verifier) xác thực tính toán của các hệ thống AI mạnh hơn. Bằng việc tận dụng khả năng lưu snapshot và phục hồi trạng thái mô hình (trên máy ảo hoặc phần cứng tin cậy), verifier có thể tua lại trạng thái của prover trong quá trình tương tác. RIPs loại bỏ giả định cần một prover trung thực mà không cần dùng mật mã và không chịu chi phí tính toán quá lớn: prover trung thực chạy tuyến tính theo phép tính gốc, còn verifier chạy gần tuyến tính theo độ dài đầu vào sau bước tiền xử lý. Thử nghiệm trên MNIST cho thấy RIPs đạt tốc độ vượt trội hơn các hệ thống chứng minh tiên tiến hiện hành.

Nghiên cứu giới thiệu Sanko - một bộ giải proof-number song song theo chiều sâu (parallel depth-first proof-number solver) giúp giải quyết cờ Vây dưới luật Positional Superko (PSK - cấm lặp lại bất kỳ trạng thái toàn bàn cờ nào trước đó). PSK vốn khiến bài toán trở nên cực kỳ khó giải vì tính hợp lệ phụ thuộc vào toàn bộ lịch sử ván cờ, vô hiệu hóa bảng chuyển vị, nhận diện sống chết tĩnh và cắt tỉa nước đi. Sanko khôi phục trọn vẹn cả ba công cụ trên nhờ định lý chuyển giao chứng minh (proof-transfer theorem). Bộ giải chứng minh bàn 5x5 trong 16 phút (thay vì 5,25 giờ trước đây) và chỉ 1,5 phút trên hệ thống 192 luồng; đồng thời xác định giá trị PSK cho 23 kích thước bàn cờ khác (11 bàn chưa từng có lời giải), chỉ ra sai lệch giá trị của luật basic-ko trước đây và công bố toàn bộ mã nguồn cùng dữ liệu tái lập.

Nghiên cứu giới thiệu TraDE (Trajectory-based Disclosure Evaluation), khung đánh giá dựa trên Thuyết Xâm nhập Xã hội nhằm đo lường ảnh hưởng của lịch sử chia sẻ thông tin cá nhân đối với hành vi của AI hội thoại. Kết quả thực nghiệm cho thấy phản hồi của các mô hình phụ thuộc vào lượng chia sẻ sâu tích lũy trước đó và có xu hướng duy trì ngay cả khi người dùng giảm độ cởi mở; đồng thời mô hình thể hiện sự khác biệt lớn nhất so với con người khi người dùng chủ động rút lui chia sẻ.

Nghiên cứu ProteinGeoBench (131 nhiệm vụ cấu trúc protein, hơn 8.700 lượt thử nghiệm trên 26 mô hình) chỉ ra các frontier agent thành thạo tra cứu siêu dữ liệu nhưng yếu trong tính toán hình học tọa độ. 3/4 mô hình frontier đạt điểm tương đương (0,785–0,816), trong khi mô hình thứ tư đạt 0,707. Tác vụ số học chỉ chiếm 28/131 nhưng chiếm một nửa số bài toán mà cả 4 mô hình đều thất bại. Đáng chú ý, kết quả đánh giá bị ảnh hưởng mạnh bởi cấu hình benchmark: chạy 1 lần/tác vụ khiến 23,9% trường hợp xếp sai mô hình dẫn đầu và việc thay đổi harness làm điểm số biến động từ -0,071 đến +0,086.

Chương trình Rosalind Academic Plan được giới thiệu nhằm cung cấp quyền truy cập được tài trợ vào mô hình GPT-Rosalind và các công cụ nghiên cứu cho các phòng thí nghiệm học thuật đủ điều kiện trong lĩnh vực khoa học sự sống.

LabOPBench là bộ benchmark đa phương thức gồm 756 câu hỏi do chuyên gia biên soạn và thẩm định độc lập trong lĩnh vực tổng hợp hữu cơ và khoa học vật liệu, nhằm đánh giá khả năng ra quyết định dựa trên bằng chứng phòng thí nghiệm. Kết quả đánh giá 8 mô hình đa phương thức cho thấy điểm chuẩn hóa chỉ đạt từ 28,8% đến 45,8%. Dù mô hình mạnh nhất vượt qua sinh viên đại học trên tập 100 câu hỏi đối chứng, chúng vẫn xếp sau trình độ nghiên cứu sinh tiến sĩ (PhD). Hai lỗi phổ biến nhất là đọc sai bằng chứng (Evidence Misreading) và xung đột giữa bằng chứng với quyết định (Evidence-Decision Conflict), cho thấy AI hiện nay vẫn gặp khó khăn trong việc biến nhận thức đa phương thức thành quyết định tin cậy trong môi trường thực nghiệm.