Research

Nghiên cứu làm rõ thời điểm trợ lý AI giúp nâng cao hoặc làm suy giảm chất lượng ra quyết định của con người dựa trên độ trùng lặp bằng chứng và cách con người kết hợp tín hiệu. Bài báo đề xuất mô hình hành vi với hai yếu tố cốt lõi: nhận thức về sự trùng lặp (correlation neglect) và mức độ tin tưởng (trust). Phân tích đưa ra giản đồ pha xác định ba trạng thái: bổ trợ, suy giảm và tự động hóa. Khi người dùng bỏ qua sự trùng lặp, họ có thể bị giảm độ chính xác trước một AI mạnh hơn do đếm trùng bằng chứng. Thiếu tin tưởng đôi khi bù trừ cho hiện tượng này. Thử nghiệm trên ChatBench cho thấy AI giúp tăng độ chính xác 21 điểm nhưng con người chỉ áp dụng khoảng 1/4 trọng số Bayes tối ưu; GPT-4o rơi vào vùng tự động hóa trong khi Llama-3.1-8b nằm ở ranh giới bổ trợ.

Nghiên cứu thực nghiệm độc lập về Direct Nash Optimization (DNO), cụ thể là biến thể thực tế DNO-Prct dùng để căn chỉnh mô hình ngôn ngữ lớn theo hàm sở thích tổng quát thông qua xấp xỉ cân bằng Nash. Quy trình lặp gồm: lấy mẫu on-policy, LLM chấm điểm mẫu cùng câu trả lời chuẩn (gold response) của teacher, chọn cặp sở thích với biên độ lớn (large-margin) và cập nhật tương phản kiểu DPO. Đánh giá trên Llama 3.1 8B Instruct và Mistral 7B Instruct v0.1 cho thấy sau 3 vòng lặp, tỷ lệ thắng kiểm soát độ dài (LC win rate) trên AlpacaEval 2.0 (với GPT-4o làm giám khảo) tăng mạnh từ 31,7% lên 45,3% đối với Llama và 6,8% lên 18,4% đối với Mistral, giúp mô hình 8B vượt qua cả Llama 3.1 70B Instruct. Đáng chú ý, việc dùng annotator mã nguồn mở cùng họ vẫn giữ được 62% - 82% mức cải thiện so với GPT-4o. Phân tích cắt bỏ (ablation) chứng minh gold response và data look-back là hai thành phần then chốt (giảm 6-10 điểm LC nếu thiếu).

Nghiên cứu đánh giá kỹ thuật lập trình không gian trọng số (weight-space programming) khi sử dụng Claude Opus 5.5 để kiểm toán mù và sửa lỗi các mạng nơ-ron nhỏ (433 - 4.801 tham số) dùng trong lập kế hoạch xạ trị đầu - cổ. Mô hình chỉ dựa vào giao thức lâm sàng và trọng số thô để phát hiện quy tắc bị hỏng trong 16/18 mạng và sửa lỗi bằng cách điều chỉnh trung vị 3 tham số (thay vì thay đổi gần như toàn bộ tham số như fine-tuning). Dù có khả năng định vị lỗi làm im lặng đầu vào hoặc lệch ngưỡng, phương pháp này chưa thể chứng nhận tính đúng đắn toàn diện và kiểm thử hộp đen vẫn phát hiện lỗi nhanh hơn.

SIFR là khung làm việc hai luồng (dual-stream) nhận biết tần số cho bài toán phân vùng ngữ nghĩa tổng quát hóa miền (DGSS). Thay vì kết hợp thô các đặc trưng từ CLIP và DINOv2 đóng băng, SIFR sử dụng mô hình hóa phổ để hợp nhất bất biến (spectral-guided invariant fusion), giúp loại bỏ nhiễu nhạy cảm với miền trong khi bảo toàn cấu trúc và thông tin ngữ nghĩa. Ngoài ra, mô-đun tinh chỉnh bộ giải mã quang phổ ổn định đặc trưng đa tỉ lệ thông qua chuẩn hóa thống kê tần số thấp và chọn lọc tần số thích ứng, giảm thiểu sai lệch miền khi phân vùng trên các miền dữ liệu chưa từng thấy.

Nghiên cứu hồi cứu so sánh JEV (mô hình ra quyết định phi tạo sinh trả về xác suất lựa chọn gốc) với Qwen Flash (mô hình ngôn ngữ có ràng buộc schema) trên 2.048 cặp bệnh nhân - tiêu chí từ TrialGPT, MIMIC-III và MIMIC-IV dưới chính sách Zero Data Retention. JEV đạt macro-F1 tương đương trên TrialGPT và MIMIC-IV nhưng vượt trội rõ rệt trên MIMIC-III (0.768 so với 0.534) nhờ khả năng phát hiện thiếu thông tin tốt hơn (recall 56.3% vs 9.9%). Đồng thời, JEV giảm 53%-74% chi phí và giảm độ trễ xuống còn 1.18-1.40 giây, phù hợp làm tầng sàng lọc ban đầu kết hợp đánh giá của con người.

ALLMTS (Automated LLM-based Medical Triage System) là hệ thống phân loại bệnh nhân từ xa tự động, giải quyết nhược điểm lớn của LLM khi phân loại trực tiếp là thường nâng mức độ nghiêm trọng không cần thiết (over-triage) và không thể giải trình theo tiêu chuẩn lâm sàng. ALLMTS kết hợp LLM với các hướng dẫn y tế thương mại chuẩn: LLM lựa chọn hướng dẫn phù hợp và trả lời các câu hỏi đánh giá, sau đó quyết định xử trí được suy ra tất định theo quy tắc duyệt của điều dưỡng. Thử nghiệm trên 566 kịch bản chuyên gia thẩm định cho thấy ALLMTS đạt độ chính xác 0,95 (vượt xa 0,47 của baseline LLM thuần) và giảm tỷ lệ over-triage từ 0,50 xuống còn tối đa 0,02.

Nghiên cứu công bố phương pháp kiểm thử có kiểm soát nhằm phân tích cách các mô hình ra quyết định xử lý quy tắc và trạng thái quan sát. Kết quả chỉ ra rằng độ chính xác tổng hợp không phản ánh chính xác nguồn gốc thay đổi câu trả lời, đồng thời các cách diễn đạt tương đương về mặt ngữ nghĩa lại dẫn tới những quyết định trái ngược nhau, cho thấy mô hình phụ thuộc nhiều vào cách trình bày cú pháp hơn là bản chất logic của quy tắc.

LatComm là giao diện giao tiếp không gian ẩn (latent communication) giúp nén ngữ cảnh có thể tái sử dụng giữa các LLM khác nhau. Bằng cách tách biệt khâu mã hóa (mã hóa ngữ cảnh một lần thành gói kích thước cố định qua LLM encoder đóng băng) và khâu đọc (LLM receiver đóng băng dùng cross-attention có cổng gating từ prompt), LatComm vừa nhỏ gọn, tái sử dụng được qua nhiều câu hỏi, vừa tương thích giữa các LLM. Trên QuALITY, phương pháp giúp giảm kích thước đầu vào 57 lần và trả lời nhanh hơn gấp 3 lần.

Nghiên cứu giới thiệu khung phân loại 3 chiều (3D Characterization Framework) cho việc ra quyết định tuần tự trong AI, gồm: 1) chiếu theo tiến trình quyết định Markov (MDP), 2) mức độ tự chủ qua tri thức tiên nghiệm của con người, và 3) chi phí kỹ năng cùng tính toán. Khung này được dùng để so sánh các cách tiếp cận dựa trên đồ thị (Neurosolver), học tăng cường (FBRL) và mô hình ngôn ngữ lớn (AutoToS, DA-ToS) trên bài toán Tháp Hà Nội. Kết quả chỉ ra phương pháp dùng LLM có không gian hành động ít ràng buộc, chuyển độ phức tạp sang khâu xác minh khi suy luận, khiến chi phí bộ nhớ và thời gian chạy cao hơn đáng kể so với Neurosolver và FBRL.

Nghiên cứu đề xuất khung tiến hóa Lamarckian (Lamarck's Driving School) nhằm tự động khám phá chiến lược phân phối kịch bản huấn luyện cho xe tự hành thông qua cơ chế cạnh tranh thay vì dựa trên các tiêu chí đại diện chủ quan (như độ chân thực hay rủi ro). Phương pháp giải bài toán tối ưu hóa hai cấp đa giai đoạn bằng thuật toán tiến hóa Lamarckian, cho phép phân phối kịch bản và năng lực mô hình đồng tiến hóa. Kết quả giúp giảm tới 25,07% tổn thất hiệu năng và chắt lọc được chiến lược huấn luyện dạng nhẹ giúp giảm 19,13% tổn thất, có mã nguồn công khai trên GitHub.

NL2Hull là khung làm việc hỗ trợ ra quyết định thiết kế thân tàu dựa trên ngôn ngữ tự nhiên, chuyển đổi bài toán chỉnh sửa hình học thân tàu thành dạng quyết định rời rạc có ràng buộc. Khung làm việc sử dụng CFFD Engine biểu diễn đường nước bằng NURBS, biến dạng FFD trên các điểm điều khiển và kiểm tra ràng buộc hình học. Tác giả giới thiệu tập dữ liệu SDD Dataset (134.558 bản ghi), benchmark SDDBench (5.000 bản ghi, 43.496 câu hỏi) và mô hình Chip đạt độ chính xác 95,90% cùng độ khớp FFD 99,32%.

Nghiên cứu đề xuất khung học tăng cường phân cấp (HRL) giúp robot hai chân thiếu dẫn động (4 khớp chủ động mỗi chân, không có roll ở hông và cổ chân) di chuyển tránh vật cản mà không mất thăng bằng. Chính sách cấp cao (HL) quan sát tư thế, 36 tia raycast, vật cản động và mục tiêu để xuất lệnh vận tốc thân xe mỗi 10 bước; chính sách cấp thấp (LL) điều khiển góc khớp qua PD. Cả hai được huấn luyện đồng thời bằng SAC trong PyBullet, đạt tỷ lệ đến đích 98% (tĩnh) và 88% (động), vượt trội so với các thuật toán quy hoạch đường đi cổ điển.

Nghiên cứu giới thiệu phương pháp tinh chỉnh tự giám sát dựa trên độ tin cậy (confidence training) giúp các mô hình suy luận giảm tới 25% lượng token sinh ra mà vẫn giữ nguyên độ chính xác. Chỉ với 600 bài toán huấn luyện dự đoán độ tin cậy ở các bước trung gian, mô hình tự động rút ngắn chuỗi suy luận trong quá trình sinh chuẩn mà không cần áp đặt hàm phạt độ dài hay cơ chế dừng sớm.

Adaptive Semantic Branching (ASB) là quy trình suy luận không cần huấn luyện (training-free) giúp mở rộng không gian ứng viên giải pháp bằng cách khai thác sự bất đồng giữa các quỹ đạo suy luận. Phương pháp nhóm các quỹ đạo lấy mẫu độc lập theo đáp án cuối, gióng hàng các bước bằng quy hoạch động đơn điệu và dùng mục tiêu persistent-divergence để xác định điểm phân kỳ. Tại điểm này, ASB giữ tiền tố của quỹ đạo nguồn, ghép một cửa sổ suy luận ngắn từ quỹ đạo cho (donor) rồi tái sinh lời giải mới. Trên 500 bài toán MATH với Qwen2.5-7B-Instruct, ASB tăng độ phủ oracle candidate từ 89,0% lên 91,0%, cứu lại đáp án đúng cho 10/55 bài toán thất bại ban đầu với trung bình 8,152 lượt gọi/bài toán.

RACE là phương pháp đánh giá rollout-free mới giúp xếp hạng checkpoint chính sách robot dựa trên tập quỹ đạo thành công có sẵn mà không cần chạy thử nghiệm tốn kém trên robot thật. Phương pháp khắc phục hạn chế của validation loss bằng cách chuẩn hóa sai lệch hành động theo ngưỡng phụ thuộc trạng thái và áp dụng tích lũy dạng tích dồn (running product), từ đó giảm ảnh hưởng của các bước sau nếu robot đã bị chệch hướng sớm. Thực nghiệm trên mô phỏng và phần cứng thực tế chứng minh RACE phản ánh chính xác tỷ lệ hoàn thành tác vụ hơn so với các phương pháp cơ sở.

Nghiên cứu đề xuất UAPA (Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation), một phương pháp plug-and-play nhằm giải quyết vấn đề thích ứng mô hình tại thời điểm kiểm thử (TTA) trong môi trường mở, nơi các mẫu in-distribution bị dịch chuyển phân phối (csID) và mẫu out-of-distribution (csOOD) cùng xuất hiện. UAPA ngăn chặn các gradient có hại từ mẫu csOOD làm suy giảm chất lượng phân loại các lớp đã biết thông qua ba thành phần: cơ chế phân tách ID/OOD dựa trên độ bất định và prototype, tinh chỉnh prototype động bằng bộ đệm đặc trưng csID, và kỹ thuật đối sánh entropy giữa csID và csOOD. Trên thực nghiệm, UAPA cải thiện điểm số OSCR trung bình lần lượt 2,08 và 1,28 điểm phần trăm trên benchmark CIFAR và Tiny-ImageNet-C.

Nghiên cứu đề xuất Bidirectional Centered Score Matching (BCSM), một mục tiêu chưng cất nội vị trí hiệu quả cho các mô hình khuếch tán rời rạc (discrete diffusion models). Bằng cách xây dựng tập hoạt động hai chiều O(K) và phân rã các so sánh từng cặp từ O(|V|²) về O(K), kết hợp với căn chỉnh chuyển tiếp xuyên bước thời gian, BCSM giúp giảm tới 6 lần số bước suy luận (NFE) đồng thời cải thiện 16.9% trên HumanEval và 15.1% trên MMMU khi suy luận đơn bước.

Nghiên cứu phát hiện hiện tượng 'Evidence Bypass' trong On-Policy Distillation (OPD): dù cải thiện độ chính xác câu trả lời trên tài liệu gốc (+3,4% trên QASPER với Qwen3-4B), OPD lại làm giảm khả năng bám sát bằng chứng khi tài liệu bị can thiệp thay đổi nội dung (-5,3% độ chính xác phản thực tế, tăng bypass 15,7%). Để khắc phục, nhóm tác giả đề xuất Evidence-Paired OPD (EP-OPD) sử dụng cặp tài liệu đối ứng kèm hàm margin loss, giúp khôi phục 54-66% độ suy giảm phản thực tế mà vẫn bảo toàn 80-85% mức tăng độ chính xác gốc.

Nghiên cứu đề xuất phương pháp Pix2Point phát hiện mốc giải phẫu cột sống trên ảnh X-ray bằng cách chuyển đổi bài toán từ hồi quy heatmap truyền thống sang học biểu diễn tương phản cấp độ pixel kết hợp khớp nguyên mẫu (prototype matching). Bằng việc bổ sung mô hình tiên nghiệm hình dáng khả vi (learnable shape priors), phương pháp giải quyết tình trạng nhập nhằng vị trí mốc giữa các đốt sống ngay cả khi sử dụng backbone U-Net thông thường. Mô hình đạt hiệu năng ngang tầm SOTA trên tập dữ liệu AASCE và hai tập dữ liệu nội bộ, đồng thời được công khai mã nguồn và trọng số.

CoCHI (Class-oriented Causal Head Intervention) là phương pháp hiệu chỉnh mô hình ngôn ngữ lớn (LLM) bằng cách xác định và can thiệp trực tiếp vào các attention head chịu trách nhiệm về hành vi tự tin sai lệch. Khác với các kỹ thuật hậu xử lý (post-hoc) hay tái huấn luyện thông thường vốn chỉ tác động ở tầng phân phối xác suất đầu ra, CoCHI phân tích các mẫu hình độ chính xác - mức độ tự tin để can thiệp nội bộ trúng đích, giúp giảm thiểu lỗi quá tự tin mà vẫn giữ nguyên độ chính xác trên 5 benchmark trắc nghiệm. Phương pháp mang lại góc nhìn cơ chế (mechanistic perspective) liên kết độ tin cậy với các cấu trúc nhân quả cụ thể bên trong mô hình.

Nghiên cứu giới thiệu Jev-DLC, phương pháp học liên tục ở cấp độ quyết định giúp mô hình thích ứng với sở thích người dùng từ phản hồi dạng định kiểu (chấp nhận hoặc thu hồi hành động) mà không cần lưu lịch sử tương tác thô, không cần gọi thêm mô hình chấm điểm và không cần chạy backward pass. Trên benchmark TCPA-Bench (tập TCPA-Repeat), Jev-DLC đạt độ chính xác 44,83% tổng thể và đạt 56,07% sau ít nhất hai lần phản hồi, vượt trội so với phương pháp phát lại lịch sử Recent-4.

Nghiên cứu giới thiệu MERP (Multi-modal Emotion Recognition Perceiver), khung kiến trúc latent-bottleneck giải quyết vấn đề sụt giảm hiệu năng khi thiếu hụt các luồng dữ liệu (text, visual, audio) trong nhận diện cảm xúc đa phương thức, đa nhãn. MERP ánh xạ chuỗi dữ liệu vào một latent bank kích thước cố định, trích xuất và căn chỉnh bằng chứng theo nhãn qua tái tạo, đồng thời tích hợp class prototype và bộ lọc nhiễu tần số. Mô hình đạt micro-F1 0.563 trên CMU-MOSEI và 0.780 trên M3ED khi mất ngẫu nhiên 20% modality, đặc biệt duy trì 0.473 micro-F1 trong điều kiện chỉ có audio (vượt trội so với 0.022 của baseline LDDU).

LG-Bench là bộ benchmark đánh giá đầu tiên theo cấu trúc đồ thị dành cho khoa học đời sống, bao gồm hơn 10.000 câu hỏi trắc nghiệm chất lượng cao thuộc y học, sinh học và hóa học. Phương pháp này tạo ra đồ thị đánh giá có trọng số bằng thuật toán so khớp hai chiều và tương đồng ngữ nghĩa. Đồng thời, LG-Bench giới thiệu hai chỉ số mới: Global Coherence Score (GCS) để đo tính nhất quán trong các cụm ngữ nghĩa và Knowledge Balance Score (KBS) để phân tích phân bổ lỗi nhằm phát hiện các điểm mù khái niệm của LLM.

LM2LM là phương pháp huấn luyện LLM bằng học tăng cường (RL) để tự động sinh các đề xuất cải tiến mô hình ngôn ngữ. Nhằm vượt qua rào cản chi phí hàng trăm nghìn giờ GPU khi đánh giá thực nghiệm và hiện tượng phần thưởng giả lập không đáng tin cậy khi trôi phân phối, LM2LM sử dụng Research World Model (RWM) đóng băng làm mô hình phần thưởng dự đoán gain từ dữ liệu thực nghiệm in-context, đồng thời định kỳ chạy thực tế các đề xuất tốt nhất để cập nhật lại ngữ cảnh cho RWM. Kết quả trên 8 môi trường cho thấy Qwen3.8-27B dùng LM2LM đánh bại GPT-6-sol (dù GPT-6-sol có 300 mẫu thực nghiệm), giảm 33% chi phí tạo dữ liệu và tổng quát hóa tốt trên họ mô hình mới.