Research

FastRL là framework học tăng cường (RL) dạng plug-and-play giúp giải quyết vấn đề chi phí tính toán lớn và dữ liệu rollout đồng nhất trong GRPO. Bằng cách kết hợp cắt tỉa quỹ đạo theo độ lợi và độ đa dạng gradient cùng với cơ chế lấy mẫu thích ứng, FastRL giúp tăng tốc huấn luyện trung bình 2.07x và tăng 1.64% độ chính xác trên các benchmark suy luận thị giác.

Nghiên cứu từ tác giả Nathalie Baracaldo (kết nối với bài nói chuyện tại USENIX Security 2026 Enigma) đề xuất một phương pháp luận phân tích có hệ thống các giải pháp định nghĩa và thực thi chính sách trong ứng dụng GenAI. Bài báo chỉ ra rằng tốc độ phát triển năng lực AI đang bỏ xa các cơ chế an toàn và bảo mật, gây ra nhiều sự cố thực tế. Đồng thời, việc thiếu một định nghĩa thống nhất về 'chính sách' giữa các bên đã dẫn đến các giải pháp rời rạc, không đáp ứng yêu cầu tuân thủ. Tác giả đánh giá toàn diện hiện trạng ('the good, the bad, the ugly') và đưa ra các khuyến nghị hành động nhằm thống nhất từ khâu căn chỉnh mô hình (alignment) đến kiểm soát truy cập (access control).

VPRune là giải pháp cắt tỉa visual token trước LLM (pre-LLM) không cần huấn luyện lại (training-free) dành cho các mô hình thị giác-ngôn ngữ lớn (LVLM). Phương pháp này khắc phục ba hạn chế gây suy giảm hiệu năng khi nén token gồm: định kiến chọn lọc theo văn bản, mất mát thông tin từ token bị loại và méo mó vị trí không gian. VPRune kết hợp chọn lọc đa dạng thuần thị giác, tái chế token theo độ tương đồng và phục hồi bảo toàn vị trí, giúp giảm độ trễ suy luận end-to-end rõ rệt trên thiết bị biên mà vẫn duy trì độ chính xác cao.

Nghiên cứu giới thiệu Artificial Structure Function Search (ASF-S), một khung cắt tỉa có cấu trúc (structured pruning) mới cho mạng nơ-ron sâu nhằm khắc phục hạn chế của các phương pháp phỏng đoán cảm tính truyền thống. ASF-S sử dụng tiêu chí Principle Gradient Importance (PGI) lấy cảm hứng từ cấu trúc - chức năng não bộ và định nghĩa kết nối chức năng nhân tạo (AFC) để bảo tồn tổ chức tô pô của lớp đầu ra. Kết quả cho thấy mô hình giảm được 70% tham số mà vẫn phục hồi hoàn toàn độ chính xác ban đầu mà không cần huấn luyện lại các lớp đã cắt tỉa.

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.

Nghiên cứu kiểm tra năng lực biểu diễn trạng thái không gian trong các mô hình nền tảng thị giác (VFMs) qua 4 cấp độ: cấu trúc không gian, tính bền vững của vật thể ngoài tầm nhìn, cập nhật dự đoán không gian và khả năng phục vụ hành động. Phân tích trên 10 biểu diễn bằng các bộ dò đặc trưng đóng băng (frozen-feature probes) dưới quan sát góc nhìn thứ nhất cho thấy: giải mã tốt cảnh nhìn thấy không đồng nghĩa với việc duy trì được vật thể hay dự đoán tương lai chính xác; hành động dự đoán phản hồi với mục tiêu nhưng không bảo đảm tiến trình hành động liên tục tin cậy; tính bền vững và hành động dựa vào tư thế camera, trong khi dự đoán đặc trưng lại dựa vào khung cảnh nhìn thấy. Kết quả kêu gọi đánh giá VFMs dựa trên khả năng duy trì và cập nhật trạng thái không gian phục vụ hành động thực tế.

Nghiên cứu thực nghiệm có kiểm soát về các chính sách mở mặt nạ (learned unmasking) trong Masked Diffusion LLMs. Nghiên cứu chỉ ra rằng việc gán nhãn theo đầu ra cuối cùng quá lỏng lẻo ở NFE thấp, còn hidden states hỗ trợ tốt cho confidence. Chỉ cần giảm ~10% NFE là đủ bù đắp chi phí overhead của policy (tới 7.5M tham số). Từ đó, nhóm tác giả đề xuất huấn luyện policy 856K tham số theo mục tiêu co cụm quỹ đạo (trajectory-contraction targets) kết hợp confidence và hidden states, giúp LLaDA-8B-Instruct đạt biên đánh đổi accuracy-NFE tối ưu và thông lượng cao nhất trên GSM8K, đồng thời chuyển giao hiệu quả sang Dream-7B-Instruct.

Nghiên cứu làm rõ hiện tượng chuyển pha trong bài toán dự đoán chủ động đa tác tử (multi-agent performative prediction), nơi dự đoán của mô hình làm thay đổi phân phối dữ liệu huấn luyện tương lai qua mạng lưới tương tác. Tác giả đề xuất ma trận phản xạ Γ dựa trên độ nhạy gradient và độ cong để đo lường mức độ ảnh hưởng qua lại giữa các tác tử, thay vì dùng một hằng số co vô hướng như trước đây. Kết quả chỉ ra ngưỡng chuyển pha xảy ra khi bán kính phổ ρ(Γ) = 1: dưới ngưỡng (ρ(Γ) < 1), tái huấn luyện lặp lại hội tụ hình học về trạng thái cân bằng ổn định duy nhất với tổn thất tích lũy bị chặn đều; trên ngưỡng (ρ(Γ) > 1), các tác tử học thông tin cục bộ gặp tắc nghẽn tồi tệ nhất với tổn thất thặng dư kỳ vọng tăng tuyến tính.

LiFi (LiDAR From images) là một khung làm việc chuyên biệt sử dụng mô hình khuếch tán tiềm ẩn để tạo dữ liệu đám mây điểm LiDAR chuẩn xác về cả hình học lẫn ngữ nghĩa từ ảnh camera đa góc nhìn. Hệ thống phân tách thành hai nhánh dẫn hướng bổ trợ: nhánh hình học (ứng dụng thuật toán reverse sampling, bộ mã hóa nhận biết độ bất định kết hợp DepthAnything3) và nhánh ngữ nghĩa (thông qua mô-đun tương tác đa góc nhìn), đi cùng chiến lược balanced CFG hai nhánh nhằm tối ưu khả năng sinh có điều kiện và chất lượng dữ liệu 3D.

LoT (Level-of-Token) Diffusion là khung làm việc tối ưu hóa hiệu năng cho các mô hình Diffusion Transformer (DiT) sinh ảnh và video bằng cách sử dụng bố cục token đa độ phân giải. Thay vì phân bổ tài nguyên tính toán đồng đều cho mọi vùng không gian, LoT cấp phát token kích thước nhỏ (độ phân giải mịn) cho các khu vực giàu chi tiết và token kích thước lớn (độ phân giải thô) cho các vùng nền hoặc ít chi tiết. Nhờ tham số hóa dòng bất đối xứng theo patch và cơ chế nhúng token đa độ phân giải, phương pháp này duy trì khả năng dự đoán luồng đầy đủ độ phân giải trong khi giảm thiểu độ dài chuỗi token cần xử lý, giúp tăng tốc độ sinh đáng kể mà vẫn bảo toàn tri thức từ mô hình tiền huấn luyện.

Nghiên cứu giới thiệu European Crisis Management Ontology (ECMO), một ontology dạng module dựa trên chuẩn OWL phục vụ việc giảm thiểu rủi ro và ứng phó khủng hoảng đa ngành. ECMO bao gồm module lõi (ECMO-CORE) mô hình hóa hiểm họa, sự kiện, mức độ phơi nhiễm, tác động và biện pháp ứng phó bằng kỹ thuật OWL2 punning, cùng module y tế công cộng liên kết với SNOMED CT và ICD-11. Nghiên cứu đã chứng minh tính thực tiễn qua pipeline tự động trích xuất tin tức dịch tễ từ hệ thống EIOS của JRC để xây dựng Knowledge Graph. Tài nguyên được phát hành mở theo giấy phép CC BY 4.0.

MentalHealthBench là bộ tiêu chuẩn đánh giá (benchmark) do chuyên gia tham vấn, dùng để đo lường độ an toàn và tính hữu ích của phản hồi AI trong các cuộc hội thoại thực tế về sức khỏe tâm thần.

TransBERT là khung làm việc (framework) tiền huấn luyện mô hình ngôn ngữ chuyên ngành (khoa học đời sống tiếng Pháp) hoàn toàn bằng dữ liệu dịch máy tổng hợp. Nghiên cứu giới thiệu bộ công cụ dịch thuật TransCorpus, công bố tập ngữ liệu TransCorpus-bio-fr (36,4GB), mô hình TransBERT-bio-fr đạt kết quả SOTA ở nhiều tác vụ hạ nguồn, cùng toàn bộ mã nguồn pre-training và fine-tuning.

AgentSTAR là phương pháp tái tạo và theo dõi hình dạng 3D của vật thể từ video đơn sắc (monocular video) thông qua cơ chế phân tích qua tổng hợp (analysis-by-synthesis) dựa trên agent. Thay vì dựa vào việc ước lượng tương đồng điểm ảnh dày đặc (dense pixel correspondences) truyền thống, AgentSTAR suy luận mô hình vật thể 3D có cấu trúc gồm hình học và động học (kinematics), sau đó tối ưu hóa quỹ đạo theo dõi theo thời gian. Trong vòng lặp tối ưu hóa, một agent mô hình thị giác - ngôn ngữ (VLM) liên tục tinh chỉnh hình dạng hoặc tư thế tổng quát qua chu trình render-and-compare, kết hợp suy luận thị giác thô với tối ưu hóa số học để ước lượng trạng thái chính xác. Thiết kế này giúp AgentSTAR duy trì theo dõi ổn định qua các chuyển động biên độ lớn, khớp cử động phức tạp và che khuất nghiêm trọng mà không cần mục tiêu khớp pixel, đạt hiệu năng vượt trội các baseline SOTA trên tập dữ liệu ARCTIC và HOT3D.

Bài báo trên arXiv (mã 2606.16475) cho thấy các hệ thống AI có khả năng thuyết phục vượt trội hơn các chuyên gia con người. Về mặt thực tế đã xác minh, nghiên cứu so sánh năng lực thuyết phục giữa AI và chuyên gia. Về suy luận hợp lý, điều này cho thấy mô hình ngôn ngữ lớn đã đạt bước nhảy vọt trong lập luận logic và tác động tâm lý. Về điểm chưa rõ, trích đoạn chưa cung cấp chi tiết phương pháp thử nghiệm, kích thước mẫu và các mô hình cụ thể được đánh giá.

Nghiên cứu chỉ ra rằng việc gán nhãn ngữ nghĩa cho ô bảng tính giúp cải thiện khả năng hiểu ngữ cảnh khi chunking trong hệ thống RAG, từ đó hỗ trợ LLM tạo câu trả lời tốt hơn dù không tăng độ chính xác truy xuất. Nhóm tác giả đề xuất framework chia nhỏ bảng tính vượt qua các SOTA hiện nay, đồng thời chỉ ra giới hạn trần của phương pháp phân loại ô rời rạc truyền thống do bảng tính là dữ liệu 2D phi cấu trúc có quan hệ liên tục. Để giải quyết triệt để điểm nghẽn đưa bảng tính vào LLM, nghiên cứu khuyến nghị chuyển hướng sang các kỹ thuật giảm chiều dữ liệu nhằm làm phẳng bảng 2D thành văn bản 1D.

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.

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%.

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.

Nghiên cứu đề xuất giải pháp huấn luyện mô hình sinh (generative model) để tạo ảnh sạch từ các quan sát bị nhiễu mà không cần ảnh gốc sạch (clean ground-truth). Nhóm tác giả kết hợp hồi quy Noise2Noise trên các góc nhìn nhiễu độc lập cho các mức nhiễu cao và áp đặt ràng buộc tính nhất quán (consistency) cho các mức nhiễu thấp hơn ngưỡng đo lường. Phương pháp giải quyết bài toán suy giảm chất lượng khi ngoại suy, chứng minh tính duy nhất về mặt toán học trên nhiều dạng nhiễu phi Gaussian (Poisson, Binomial, Gamma, Negative-Binomial) và thử nghiệm thành công trên CIFAR-10, kính hiển vi đếm photon và radar khẩu độ tổng hợp (SAR).

Nghiên cứu giới thiệu phương pháp Curriculum of Models (CoM) nhằm tự động hóa việc phát hiện prompt bẻ khóa (jailbreak) trên các mô hình ngôn ngữ an toàn. CoM giải quyết bài toán phần thưởng thưa thớt trong học tăng cường bằng cách huấn luyện mô hình dò tìm (investigator) qua chuỗi phiên bản của mô hình đích, bắt đầu từ phiên bản dễ thỏa hiệp và nâng dần độ khó lên mô hình đích hoàn chỉnh. Thử nghiệm trên gemma-4-31b-it và gpt-oss-120b với các tác vụ nhạy cảm (CBRN, chất nổ, ma túy) cho thấy CoM tìm kiếm jailbreak tin cậy hơn so với phương pháp PRBO và huấn luyện trực tiếp trên tác vụ đơn lẻ, đồng thời có thể khái quát hóa sang các hành vi chưa gặp.

Nghiên cứu khảo sát việc tích hợp công cụ (tools) vào mô hình ngôn ngữ có giúp ổn định hóa các so sánh giữa các mô hình trước sự thay đổi câu từ (prompt wording) hay không. Tác giả đề xuất giao thức đối sánh phân tách 5 bước: đọc câu trả lời, lập luận, quyết định gọi công cụ, kết quả từ công cụ và phản hồi khi không gọi; thử nghiệm trên 6 mô hình mở ở 5 lĩnh vực với 5 cách diễn đạt. Kết quả cho thấy công cụ giúp tăng độ chính xác nhưng lại làm tăng độ nhạy cảm từ ngữ trong nhiều phép so sánh cặp đôi, phụ thuộc vào tần suất gọi công cụ, giao diện (native tool-calling) và hướng dẫn prompt. Tác giả khuyến nghị các bài benchmark cần đo lường thêm tần suất gọi công cụ và độ ổn định so sánh qua nhiều cách diễn đạt bên cạnh độ chính xác.

CoopUQ là khung điều hướng xã hội đa robot kết hợp dự báo bản đồ chiếm chỗ có nhận thức độ bất định và học tăng cường đa tác tử có ràng buộc (constrained MARL). Phương pháp này giúp đội robot di chuyển an toàn và hiệu quả trong môi trường đông người, đặc biệt khắc phục hiện tượng điểm mù che khuất và các kịch bản phân phối lệch chuẩn (OOD).

KV-Surgeon là phương pháp nén KV-cache ngoại tuyến (offline KV-cache compaction) có cơ chế bù đắp (compensation-aware) nhằm giảm chi phí truy vấn lặp lại trên ngữ cảnh cố định. Khác với các phương pháp trước đây chỉ đánh giá độc lập từng mục cần xóa và bỏ qua tương tác phi tuyến do chuẩn hóa softmax gây ra, KV-Surgeon sử dụng dữ liệu hiệu chuẩn để xây dựng hàm đại diện bậc hai (quadratic surrogate) có nghiệm dạng đóng. Điều này cho phép đưa ra quyết định loại bỏ tham lam tối ưu đồng thời bù đắp giá trị trong các mục còn lại. Đánh giá trên QuALITY, LongHealth và Long Code Arena trên các mô hình dense và MoE từ 4B đến 30B tham số cho thấy KV-Surgeon vượt trội trên đường biên Pareto chi phí - độ chính xác. Ở mức nén 50x, phương pháp cải thiện độ chính xác hỏi đáp lên tới 4 điểm so với SOTA attention matching (Zweiger et al., 2026), đồng thời có thêm biến thể nhanh hơn vượt SOTA cũ với chỉ 2/5 chi phí.