Research

Nghiên cứu giải thích cơ chế tối ưu hóa của hiện tượng Học tiềm ẩn (Subliminal Learning - SL), trong đó mô hình học sinh tiếp thu năng lực của tác vụ hạ nguồn chỉ bằng cách khớp các đầu ra phụ trợ (ghost outputs) không liên quan từ giáo viên mà không cần nhãn, đầu ra tác vụ hay dữ liệu huấn luyện gốc. Nhóm tác giả xây dựng khung lý thuyết động lực học học tập với nhân liên tác vụ dạng chuỗi (chained cross-task kernel) để giải mã ba phát hiện thực nghiệm: (1) toán tử truyền tải có cấu trúc bán xác định dương (PSD) dưới khởi tạo chung giúp tối ưu hóa ghost-output căn chỉnh với mục tiêu thực sự; (2) số chiều của ghost output tạo thành nút thắt cổ chai về hạng (rank bottleneck); và (3) đầu vào entropy cao (nhiễu ngẫu nhiên) đóng vai trò đầu dò băng rộng tối đa hóa độ chồng lấn của nhân liên tác vụ.

Bài báo giới thiệu Message-Passing Graph Persistence (MGP), phương pháp bổ sung bộ mô tả tô-pô kết hợp truyền tin vào quá trình lọc đồ thị nhằm vượt qua giới hạn biểu diễn 1-WL của GNN truyền thống, giúp embedding học được đồng thời với sự kiện đồng hóa bền vững (persistent homology).

Bài báo tầm nhìn lập luận rằng học phân tán và căn chỉnh phi tập trung cần trở thành mô hình cốt lõi trong giai đoạn post-training của LLM thay vì chỉ là phần bổ trợ riêng tư. Phản bác giả định gom dữ liệu preference tập trung của RLHF/DPO, tác giả đưa ra ba trụ cột (chủ quyền dữ liệu, tính đa nguyên đại diện, độ bền vững quy mô) cùng các định hướng giải quyết thách thức kỹ thuật như reference drift và đánh đổi DP-utility.

Therapy-FIS là bộ dữ liệu công khai đầu tiên phục vụ đánh giá tự động Kỹ năng Tương tác Cá nhân (Facilitative Interpersonal Skills - FIS) trong tâm lý trị liệu. Bộ dữ liệu tích hợp tín hiệu hình ảnh khuôn mặt, âm thanh và văn bản từ 890 video phản hồi của nhà trị liệu đối với 8 tình huống bệnh nhân mô phỏng chuẩn hóa, đi kèm nhãn 8 thang điểm FIS và điểm tổng thể. Nhóm tác giả cũng thiết lập benchmark với hai tác vụ đánh giá hiệu suất và đề xuất mô hình baseline DyadicFIS đạt điểm CCC macro cao nhất (0.2807 và 0.3299).

Nghiên cứu giới thiệu khung kiểm toán hộp trắng post-hoc đầu tiên dành cho các cơ chế đấu giá neural (neural auction mechanisms) trên nền tảng Web. Sử dụng Sparse Autoencoders (SAE) trên mô hình CITransNet, phương pháp phân rã các biểu diễn ẩn thành các đặc trưng có thể diễn giải gắn liền với mục tiêu kinh tế, được kiểm chứng bằng can thiệp nhân quả. Khung này cho phép phân tích động cơ báo giá sai lệch, đối chiếu với cơ chế đấu giá tối ưu của Myerson và chẩn đoán từng phiên đấu giá cụ thể.

Launder-Bench là benchmark đầu tiên ở cấp độ repository đánh giá khả năng truy vết nguồn gốc mã nguồn khi bị coding agent viết lại toàn diện (agentic code laundering). Được xây dựng từ 282 repository thực tế với giao thức tái cấu trúc giấu nguồn và kiểm thử hành vi thực thi, benchmark cung cấp hai tập dữ liệu đánh giá: Launder-Bench-Pair (1.128 cặp kiểm tra xem hai repo có chung nguồn gốc hay không) và Launder-Bench-Attr (229 trường hợp gán nguồn ứng viên, có cơ chế từ chối khi thiếu bằng chứng). Kết quả thử nghiệm cho thấy các phương pháp hiện tại gặp thách thức rất lớn: công cụ phân tích tĩnh mạnh nhất chỉ đạt AUROC 0.66, trong khi các repository encoder chỉ đạt 1-2% điểm quy kết nguồn gốc đã hiệu chuẩn (calibrated attribution credit).

SatOps-Decision là mô hình ra quyết định phân biệt độ trễ thấp đầu tiên cho vận hành vệ tinh, sử dụng bộ mã hóa Laya thích ứng cục bộ để đưa ra quyết định chỉ trong một forward pass. Mô hình đạt độ trễ trung vị 90.3 ms (nhanh hơn 4.3 - 5.5 lần so với mô hình sinh) cùng độ chính xác 85.3%, tiệm cận hiệu năng của các mô hình Jev chạy trên đám mây.

TERRA là khung thích ứng trực tuyến (online adaptation) giúp rover tự hành vượt qua khoảng cách sim-to-real trên địa hình biến dạng nguy hiểm (như cát lún, sườn dốc). Thay vì thử-sai ngẫu nhiên tốn kém, TERRA tinh chỉnh world model bằng hàm dự đoán có trọng số phần thưởng và sử dụng một loss predictor để hướng dẫn MPC tập trung khám phá các trạng thái phát sinh lỗi ảnh hưởng lớn đến hiệu năng. Kết quả thử nghiệm đạt tỷ lệ leo dốc 90% sau 5 lần thử trong mô phỏng và phục hồi khả năng di chuyển với hệ thống treo chủ động trên robot thực ERNEST chỉ sau 3-5 lần thử trên dốc cát giả lập Sao Hỏa.

Google DeepMind giới thiệu SynthID Bio, công nghệ gắn watermark và nhận diện các protein được tạo bởi AI. Giải pháp mở rộng nền tảng SynthID sang sinh học tính toán nhằm giải quyết bài toán an toàn sinh học và xác thực nguồn gốc protein nhân tạo.

Nghiên cứu giới thiệu Scenario-Actor, một khung lựa chọn nhiệt độ lấy mẫu (sampling temperature) thông minh và có thể diễn giải hình học cho mô hình ngôn ngữ lớn (LLM). Thay vì sử dụng tham số cố định toàn cục hay hiệu chỉnh theo token, Scenario-Actor trích xuất các cấu trúc ngữ cảnh từ trạng thái ẩn của Transformer để tạo scenario embedding, từ đó tự động điều chỉnh nhiệt độ giải mã phù hợp với tình huống giao tiếp. Đánh giá thực nghiệm trên Llama-3.1-8B-Instruct cho thấy phương pháp này cải thiện đáng kể khả năng hoàn thành mục tiêu trong tương tác xã hội và năng lực tuân thủ chỉ dẫn mở.

Bi-FORK là khung sinh (generative framework) cho các hệ thống vật lý phân nhánh nhiều chiều, khắc phục giới hạn của mô hình surrogate truyền thống vốn chỉ xử lý quan hệ một-một. Phương pháp kết hợp latent flow matching để đảm bảo tính nhất quán không-thời gian và repulsive guidance để khôi phục các nhánh nghiệm riêng biệt trong một lượt sinh duy nhất, mở rộng quy mô lên tới 260.000 điểm.

Nghiên cứu đánh giá 4 phương pháp tiếp cận chính trong khám phá quan hệ nhân quả phi tuyến (differentiable, amortized, score-matching và combinatorial search) và chỉ ra các nút thắt đặc thù của từng họ thuật toán. Để khắc phục việc tính toán điểm số cục bộ bị lặp lại trong combinatorial search, tác giả giới thiệu SPADE – cơ chế tính điểm dựa trên spline giúp biên dịch các thống kê đủ (sufficient statistics) một lần duy nhất để tái sử dụng liên tục trong quá trình tìm kiếm. Dưới điều kiện indegree bị chặn, SPADE giảm độ phức tạp thuật toán từ O(nd^3) xuống O(nd^2 + d^3), cho phép xử lý đồ thị 100 biến trong vài giây và 1.600 biến trong vài phút mà vẫn bảo đảm độ chính xác cấu trúc vượt trội.

CQ4OE là bộ benchmark mới được phát triển nhằm đánh giá có hệ thống khả năng sinh ontology từ các Câu hỏi Năng lực (Competency Questions - CQs) bằng LLM. Benchmark cung cấp ontology chuẩn OWL có truy xuất nguồn gốc (provenance) rõ ràng cho từng CQ và định nghĩa hai tác vụ kiểm thử: CQ2Term (đánh giá trích xuất thuật ngữ trên 99 CQs) và CQ2Onto (đánh giá cấu trúc phân cấp, thuộc tính, tiên đề trên 118 CQs). Kết quả thử nghiệm trên 9 LLM chỉ ra rằng các mô hình ngôn ngữ lớn làm tốt việc thu hồi thuật ngữ nhưng còn hạn chế đáng kể trong việc xây dựng phân cấp và sinh tiên đề logic.

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 đề xuất NEDNet (Network Effect Decomposition Network) nhằm giải quyết bài toán ước lượng hiệu ứng nhân quả trên dữ liệu mạng khi có hiện tượng can thiệp mạng (network interference). Khác với các phương pháp trước đây thường gộp biến can thiệp vào một bộ dự đoán chung, NEDNet tách biệt phản hồi kết quả thành đường cơ sở bất biến và hai nhánh riêng biệt cho can thiệp cá nhân và phơi nhiễm láng giềng, kết hợp ngữ cảnh hóa láng giềng theo nhánh và phân rã chuẩn hóa tham chiếu. Mô hình đạt sai số PEHE thấp nhất trên các tập dữ liệu thực nghiệm BlogCatalog và Flickr.

Nghiên cứu kiểm thử độ bền (stress testing) tầng truy xuất của hệ thống RAG trước tấn công đầu độc tập ngữ liệu liên quan đến truy vấn trên 623 truy vấn BEIR. Kết quả cho thấy chỉ cần 5 tài liệu bị đầu độc đã làm giảm nDCG@10 của retriever truyền thống 40.2-61.5% và đạt tới 100% độ phơi nhiễm mục tiêu trên mô hình dense BGE-small chủ yếu nhờ cơ chế neo truy vấn (query anchoring). Các cơ chế phòng vệ như lọc dựa trên độ trùng lặp gây suy giảm mạnh hiệu năng truy xuất sạch, trong khi thuật toán MMR không làm giảm độ phơi nhiễm.

Nghiên cứu chỉ ra rằng các chuyên gia (experts) trong mô hình Mixture-of-Experts (MoE) có sự dư thừa có cấu trúc, với hạng hiệu dụng và số mode phân phối thấp hơn nhiều so với số lượng expert danh định. Nhóm tác giả đề xuất khung cắt tỉa bảo toàn cấu trúc với hai phương pháp: PEEP (bảo tồn không gian hàm bằng năng lượng chiếu) và DCEP (bảo tồn hình học phân phối bằng sai số bao phủ), tối ưu hóa bằng thuật toán tham lam kết hợp trọng số router. Thử nghiệm trên DeepSeek-V2-Lite và Qwen3-30B-A3B ở tỷ lệ giữ lại 75% và 50% cho thấy hiệu năng vượt trội so với các phương pháp SOTA trên cả tác vụ tổng quát và suy luận toán học.

Thuật toán SHPRR (Sequential Halving with Proportional Regret Rationing) giải quyết bài toán Xác định nhánh tốt nhất (Best Arm Identification - BAI) dưới đồng thời hai ràng buộc: số mẫu cố định và ngân sách hối tiếc (regret budget) so với baseline tin cậy. Nhờ phát hiện lý thuyết rằng chi phí regret giảm dần qua các pha của Sequential Halving, SHPRR phân bổ ngân sách regret tập trung vào các giai đoạn đầu (front-loading) khi còn nhiều nhánh, giúp tối ưu hóa đáng kể xác suất tìm ra nhánh tốt nhất so với việc phân bổ đều.

ThinkWorld là khung học tập cho các mô hình Thị giác - Ngôn ngữ - Hành động (VLA), kết nối suy luận hành động với động lực học thế giới và củng cố suy luận này bằng học tăng cường kết hợp tưởng tượng thế giới. Framework mô hình hóa suy nghĩ hành động thành Chuỗi Động Lực (Chain-of-Dynamics - CoD) gồm các token chuyển động rời rạc làm cầu nối biểu diễn giữa các dạng thể hiện robot khác nhau. Nhờ dự đoán tương lai và củng cố các CoD khớp với kết quả quan sát, ThinkWorld cho phép tận dụng video con người không gán nhãn hành động làm dữ liệu giám sát trực tiếp từ các bước chuyển trạng thái, giúp chuyển giao thành công sang robot thực và tổng quát hóa tốt trên môi trường mới.

Nghiên cứu giới thiệu BatchBench, một bảng xếp hạng (leaderboard) đo lường và đánh giá độ bền vững của các hệ thống AI trước hiện tượng dịch chuyển miền (domain shift) và hiệu ứng mẻ thử nghiệm (batch effects) trong hình ảnh y sinh. BatchBench được xây dựng trên JUMP-CP, một trong những bộ dữ liệu hình ảnh y sinh công khai lớn nhất hiện nay thu được từ kỹ thuật Cell Painting, cung cấp môi trường thử nghiệm chuẩn mực để đánh giá khả năng khái quát hóa của AI trên các mẻ dữ liệu mới.

Nghiên cứu giới thiệu một bộ giải ẩn dựa trên đồ thị có khả năng vi phân toàn phần (fully differentiable graph-based implicit solver) cho các phương trình vi phân đạo hàm riêng (PDE) trên lưới phi cấu trúc. Phương pháp này tích hợp nghiệm của các hệ phương trình lớn như các ràng buộc tối ưu, giải quyết hiệu quả cả mô hình hóa thuận (tuyến tính và phi tuyến) lẫn bài toán nghịch (ước lượng hệ số, vế phải) và làm thô đồ thị để tăng tốc tính toán, mang lại tiềm năng ứng dụng cao trong địa vật lý và mô phỏng kỹ thuật.

Nghiên cứu từ UC Berkeley chỉ ra rằng việc sử dụng AI chỉ trong 10 phút có thể làm xói mòn khả năng kiên trì của con người khi thực hiện các tác vụ khó khăn, cảnh báo sự suy giảm nhanh chóng của sức bền nhận thức khi phụ thuộc vào công nghệ.

Nghiên cứu giới thiệu RESCUE, một khung đánh giá phản thực tế (counterfactual framework) nhằm xác định xem cảnh báo từ bộ giám sát thời gian chạy (runtime monitor) của mô hình VLA (Vision-Language-Action) có thực sự hỗ trợ can thiệp hiệu quả hay không, thay vì chỉ đo độ chính xác phân loại lỗi thông thường. Bằng cách khôi phục trạng thái mô phỏng và chính sách tại các checkpoint, RESCUE so sánh các phương án hành động và đo lường chi phí hoàn thành nhiệm vụ kỳ vọng. Thử nghiệm trên OpenVLA-OFT và π0.5 với 128.340 nhánh phản thực tế chỉ ra rằng khả năng phục hồi phụ thuộc vào cặp trạng thái - can thiệp, và ngay cả bộ phát hiện lý tưởng cũng chỉ chịu được tỷ lệ báo động giả 2,0–3,3% trước khi chi phí reset vượt quá lợi ích ngăn chặn lỗi sớm.

TAM (Task-Aware Memory Distillation) là khung chưng cất tri thức cho các bài toán dự đoán không-thời gian, giải quyết hạn chế bỏ sót cấu trúc liên mẫu của các phương pháp KD truyền thống. Framework tổ chức tri thức của mô hình giáo viên (đã đóng băng) thành bộ nhớ lịch sử giới hạn chứa đặc trưng tiềm ẩn, biến thiên dự báo hoặc phần dư dòng chảy. Học sinh học cách khớp phân phối tương đồng hoặc hồi quy nguyên mẫu phần dư, giúp tăng độ chính xác mà hoàn toàn không phát sinh chi phí tính toán khi suy luận.