Research

Nghiên cứu giới thiệu mô hình Learner Digital Twin gia tăng dựa trên đồ thị tri thức (Knowledge Graph) gọn nhẹ nhằm cảnh báo sớm người học có nguy cơ thất bại hoặc bỏ học. Khác với các hệ thống cảnh báo sớm truyền thống chỉ đưa ra điểm số rủi ro thiếu minh bạch, phương pháp này liên tục cập nhật đồ thị theo các mốc thời gian từ dữ liệu tương tác và kết quả đánh giá. Đồ thị vừa đóng vai trò trích xuất đặc trưng dự đoán, vừa tạo chuỗi bằng chứng liên kết quyết định rủi ro với các bản ghi gốc trên hệ thống mà vẫn giữ nguyên độ chính xác dự đoán.

IGG là benchmark mới gồm 601 tác vụ trên 16 môi trường nhằm đánh giá khả năng tương tác của GUI agent để làm hiển thị mục tiêu bị che khuất hoặc nằm ngoài khung hình trước khi thao tác. Nghiên cứu chỉ ra nút thắt lớn nhất của các VLM mã nguồn mở hiện nay nằm ở việc thực hiện thao tác làm lộ mục tiêu (reveal interaction) thay vì khả năng nhận diện hình ảnh.

Nghiên cứu ứng dụng kỹ thuật ước lượng độ không chắc chắn và hiệu chuẩn độ tin cậy trên mô hình ResNet-18 cho tập dữ liệu 759 loài tảo cát. Bằng kỹ thuật temperature scaling (T = 2.12), sai số ECE giảm từ 0.117 xuống 0.055. Khi tích hợp vào khung phân loại chọn lọc với ngưỡng từ chối τ = 0.934, hệ thống tự động xử lý 66.2% mẫu với Macro-F1 đạt 99.01%, đồng thời chuyển các loài hiếm và hình thái mơ hồ cho chuyên gia thẩm định, bảo tồn tính toàn vẹn phân loại học cho giám sát sinh thái.

IndustrialCAD-1400 là bộ benchmark đánh giá khả năng tạo mô hình CAD lắp ráp công nghiệp từ văn bản, gồm 1.400 yêu cầu trải rộng 40 lĩnh vực. Khác với các mô hình text-to-3D tạo hình đơn lẻ, benchmark này tập trung vào cụm lắp ráp phức tạp có cấu trúc nhiều thành phần, giao diện kết nối và thông số kích thước chính xác được thực thi và kiểm thử qua môi trường Blender.

WildTrace là khung benchmark mới nhằm đánh giá độ tin cậy của các phương pháp phát hiện dữ liệu huấn luyện trong giai đoạn hậu huấn luyện (post-training: SFT, DPO, RL) quy mô lớn của LLM. Kết quả thực nghiệm cho thấy các phương pháp phát hiện hiện tại gần như bất lực trong kịch bản thực tế khi giải pháp tốt nhất chỉ đạt AUC trung bình 0.529 (tiệm cận mức đoán mò 0.5), đồng thời giao thức đánh giá ảnh hưởng sâu sắc đến độ chính xác được báo cáo.

Bài báo trên tạp chí Science công bố nghiên cứu về việc ứng dụng AI trong tìm kiếm chứng minh toán học hình thức (formal proof search), kết hợp các mô hình trí tuệ nhân tạo với hệ thống kiểm chứng tự động để nâng cao hiệu quả nghiên cứu toán học.

SpatialASM là khung làm việc (framework) mới giúp tích hợp năng lực 'Active Spatial Mentalization' (ASM - khả năng chủ động tưởng tượng và tái dựng không gian từ các góc nhìn giả định) vào các mô hình thị giác-ngôn ngữ lớn (LVLM). Bằng việc sử dụng bộ sinh góc nhìn mới phi quy chiếu (allocentric novel-view generator), SpatialASM tự động tạo ra hai dạng giám sát huấn luyện gồm chuỗi quỹ đạo ASM và nhiệm vụ hoán đổi góc nhìn (perspective-taking), giúp giải quyết bài toán khan hiếm dữ liệu Spatial Chain-of-Thought (CoT). Phương pháp này giúp nâng cao độ chính xác trên 7 bộ benchmark không gian trên 4 kiến trúc nền tảng LVLM mà không làm suy giảm khả năng thị giác tổng quát.

Báo cáo kỹ thuật giới thiệu Kaggle Game Arena - nền tảng mở đánh giá các mô hình ngôn ngữ lớn (LLM) thông qua các trò chơi đối kháng trực tiếp, giúp khắc phục hiện tượng bão hòa của các benchmark tĩnh khi độ khó tự động tăng theo trình độ mô hình. Nền tảng triển khai 3 môi trường thử nghiệm đại diện: Cờ vua (thông tin hoàn hảo), Poker (thông tin không hoàn hảo) và Ma sói (đa người chơi), cho phép nghiên cứu có hệ thống năng lực lập kế hoạch chiến lược, khả năng thích ứng và độ bền bỉ của LLM dưới điều kiện bất định với tính minh bạch và khả năng tái lập cao.

Nghiên cứu phân tích các ranh giới cấu trúc của mạng đồ thị từ tính (Magnetic Graph Networks), chỉ ra rằng tính thuận nghịch (reciprocity) trong đồ thị có thể triệt tiêu cơ chế mã hóa hướng qua pha trước khi đưa ra dự đoán. Nhóm tác giả thiết lập các đồng nhất thức toán học giải thích hiện tượng sụp đổ pha (đặc biệt khi chọn top-k với m <= k+1) và kiểm chứng qua 72 mô hình nơ-ron: support phase giảm AUROC từ 1.0000 trên vòng đơn hướng xuống 0.5000 (ngang ngẫu nhiên) trên vòng thuận nghịch, trong khi continuous score phase duy trì được 1.0000. Đánh giá trên tập dữ liệu DeepDRiD cho thấy cải thiện thực tế của pha liên tục so với pha 0 là không đáng kể (+0.0036).

RubricWorld là khung tối ưu hóa rubric (tiêu chí chấm điểm) có sự dẫn dắt của mô hình thế giới (world model) dành cho các LLM chấm điểm bị đóng băng tham số. Thay vì chỉ dựa vào hiệu năng tổng thể trên tập kiểm định khiến tốn kém chi phí tính toán và mất dấu chi tiết lỗi, RubricWorld học từ các lần chỉnh sửa trước để dự đoán tỷ lệ sửa lỗi và suy thoái tại ranh giới điểm số. Phương pháp này giúp gpt-5-mini tăng độ chính xác từ 18,20% lên 46,70% trên ASAP2.0, vượt trội 22,60% so với phương pháp cơ sở APO.

FrontierMat là bộ benchmark gồm 330 bài toán thực nghiệm tiên phong trong các lĩnh vực như hàng không vũ trụ, bán dẫn, trí tuệ thể nghiệm và nhiệt hạch hạt nhân nhằm kiểm thử năng lực R&D vật liệu của LLM. Kết quả cho thấy mô hình đa năng mạnh nhất chỉ đạt 53,7%, sụt giảm mạnh ở các bài toán suy luận liên quy mô và thường thất bại do thiên vị câu trả lời 'hợp lý' thay vì bám sát quan sát thực tế. Nghiên cứu cũng chứng minh phương pháp tiếp tục tiền huấn luyện có trọng số meta kết hợp chưng cất tự thân theo mô-đun quy mô giúp nâng điểm mô hình mã nguồn mở từ 36,7% lên 55,4%, tương đương mô hình thương mại hàng đầu mà không giảm hiệu năng tổng quát.

CA-HNM là khung khai thác mẫu âm khó có nhận thức ràng buộc (constraint-aware hard negative mining) cho mô hình dense retrieval. Phương pháp kết hợp tạo ứng viên từ truy xuất với các quy tắc không tương thích tất định từ domain model (ghi nhận sai lệch về quan hệ, phạm vi, mục tiêu, cấp độ) để tinh chỉnh dual encoder. Điểm nổi bật là dữ liệu cấu trúc chỉ cần dùng trong pha offline, giúp cải thiện NDCG@10 trên các tập dữ liệu MOOCCubeX và Course-Skill Atlas mà không làm phức tạp quá trình suy luận.

Nghiên cứu công bố TUPLE-Bench nhằm đánh giá sự đánh đổi giữa hiệu ích và rò rỉ quyền riêng tư trong các mô hình quyết định có định kiểu. Khi mô hình trả về phân phối xác suất và điểm tin cậy thay vì chỉ danh mục lựa chọn, các thông tin nhạy cảm (nguyên nhân chi tiết) có thể bị khôi phục với tỷ lệ 62,85% - 75,35% ngay cả khi đã loại bỏ nguyên nhân khỏi danh sách ứng viên hoặc dùng prompt cấm tiết lộ (prompting thất bại tới 91,88% - 99,93%). Đầu ra đầy đủ giúp giảm chi phí hạ nguồn trong cả 27 thử nghiệm, nhưng trường điểm tin cậy làm tăng rò rỉ mà không giảm chi phí nhất quán. Nhóm tác giả đề xuất kỹ thuật lượng tử hóa WCPQ giúp giảm rò rỉ dữ liệu bí mật mà vẫn bảo toàn hành vi và chi phí của quy trình hạ nguồn.

Nghiên cứu về suy luận Lý thuyết Tâm trí (ToM) chỉ ra rằng LLM có thể suy luận đúng trạng thái tâm lý nhưng thường gặp lỗi khi dự đoán hành động tiếp theo. Nhóm tác giả đề xuất kết nối nhận thức và hành động thông qua các quy tắc if-then tường minh, đồng thời sử dụng GRPO để huấn luyện Qwen2.5 và Llama3 trên 4 benchmark ToM. Kết quả cho thấy phương pháp này vượt trội hơn prompting, SFT và think reasoning, đồng thời các quy tắc từ mô hình >=3B có thể chuyển giao giúp cải thiện hiệu năng cho GPT-4o-mini.

Nghiên cứu giới thiệu Active Probing Benchmark (APB) nhằm đánh giá năng lực suy luận tri thức đa lượt của LLM thông qua bài toán giải đố xác định khái niệm tương tác. APB bao gồm 960 khái niệm chuyên sâu thuộc 8 lĩnh vực học thuật, kiểm tra khả năng chủ động thăm dò thông tin và suy luận của mô hình. Kết quả đánh giá chỉ ra hiện tượng bất ngờ: phần lớn các mô hình suy luận mã nguồn mở thể hiện kém hơn đáng kể so với các mô hình chỉ dẫn tiêu chuẩn, cho thấy chúng gặp khó khăn trong việc vận dụng suy luận quy trình để truy xuất và áp dụng tri thức chuyên môn trong môi trường tương tác.

Nghiên cứu giới thiệu Softmax Reparameterization, giải pháp lượng tử hóa output-head hậu huấn luyện cho mô hình ngôn ngữ nhỏ bằng cách trừ một bội số vô hướng của trung bình hàng từ vựng trước khi nén (W4/W2). Phương pháp bảo toàn phân phối softmax gốc, không làm tăng overhead lúc suy luận và giúp giảm 10.8% độ trễ sinh từ batch-1 trên mô hình Phi.

Nghiên cứu giới thiệu phương pháp tổng hợp hình thức 'ngữ cảnh quản trị đủ tối thiểu' (minimal sufficient governance context) từ mô hình trạng thái khả đạt hữu hạn, phán quyết khai báo và các thuộc tính quan sát ứng viên. Nhóm tác giả phân biệt tập thuộc tính đơn lẻ không thể thiếu với các hợp đồng quan sát đủ đồng thời, áp dụng thuật toán vét cạn cho quy mô nhỏ và mã hóa SAT/MaxSAT cho quy mô lớn nhằm tối ưu hóa số lượng thuộc tính hoặc chi phí. Kết quả trên benchmark AuthorityBench và các miền thực nghiệm chứng minh phương pháp giải trong dưới 1 giây, chỉ ra rằng baseline chỉ dựa vào thuộc tính khai báo không bao giờ đủ chính xác, đồng thời phát hiện và xử lý hiện tượng hòa chi phí (cost tie).

OpenAI vừa thành lập nhóm cố vấn toán học chuyên trách sau khi công bố hệ thống AI của hãng đã giải quyết thành công hơn 100 bài toán mở trong toán học. Động thái này nhằm kết nối năng lực suy luận của mô hình với quy trình thẩm định học thuật khắt khe từ các chuyên gia đầu ngành.

Nghiên cứu từ Ars Technica chỉ ra rằng việc áp dụng kỹ thuật thủy vân văn bản AI (AI text watermarking) có thể làm thay đổi phản hồi của LLM trước các prompt độc hại, khiến mô hình dễ bị tổn thương hơn trước các cuộc tấn công đối kháng (adversarial prompts).

Anthropic phát đi cảnh báo rằng họ đang tiến rất gần đến năng lực tự cải tiến đệ quy (RSI - Recursive Self-Improvement), tức AI có khả năng tự xây dựng và nâng cấp chính nó. Đây là bước ngoặt quan trọng trong nghiên cứu AI biên giới, mở ra tiềm năng tự động hóa R&D nhưng cũng kéo theo rủi ro an toàn và kiểm soát nghiêm ngặt.

MAC-v2 là khung làm việc học tăng cường ngoại tuyến (offline RL) dựa trên mô hình từ hình ảnh (pixels), giải quyết thách thức tích lũy sai số khi mở rộng giá trị qua quỹ đạo dài hạn. Phương pháp kết hợp mô hình thế giới tiềm ẩn không cần tái tạo hình ảnh (reconstruction-free) với kỹ thuật gom cụm hành động (action chunking), giúp loại bỏ chi tiết thị giác không liên quan và giảm số bước dự đoán đệ quy. MAC-v2 đạt kết quả vượt trội trên các benchmark visual OGBench, MMBench2, Robomimic và LIBERO-10.

Nghiên cứu giới thiệu Neologism Inoculation Prompting (NIP), kỹ thuật thay thế prompt phòng ngừa (inoculation prompt) bằng tiếng Anh thông thường bằng một token mới (neologism) được huấn luyện trên mô hình đóng băng và loại bỏ khi triển khai. NIP vượt trội hơn các phương pháp inoculation khác và cạnh tranh với gradient routing trong việc giảm reward hacking, dù thất bại trước sycophancy và harassment. Phân tích kích hoạt cho thấy NIP ẩn hành vi xấu vào vùng không gian đầu vào không thể tiếp cận thay vì xóa bỏ nó.

Nghiên cứu đề xuất phương pháp phối hợp đảo làn động và kiểm soát tốc độ biến đổi cho xe tự hành/kết nối (CAV) sử dụng kiến trúc Graphormer. Thông qua lý thuyết định hướng đồ thị, thuật toán đảm bảo mạng đường luôn liên thông mạnh, giữ cho mọi nút giao đều có thể tiếp cận lẫn nhau ngay cả trong giai đoạn dọn làn. Hệ thống sử dụng cơ chế chú ý không-thời gian GERASTSA, được tiền huấn luyện dự báo giao thông và tinh chỉnh bằng PPO đa tác tử. Trên mô phỏng lưới 6x6 giờ cao điểm, chính sách chuyển 2/3 tuyến đường thành một chiều theo hướng cao điểm, giúp giảm 90% độ trễ so với cấu hình tĩnh và 85% so với bộ cân bằng tải hai chiều.

Nghiên cứu giới thiệu Counterfactual Test-Time Augmentation (CTTA) và phương pháp tổng hợp Select-CTTA nhằm loại bỏ các tương quan giả (shortcuts) trong mô hình ngôn ngữ lớn ngay tại thời điểm suy luận. Phương pháp sử dụng một mô hình phụ trợ tạo các chỉnh sửa phản thực nghiệm làm thay đổi giá trị shortcut, sau đó lấy trung bình có trọng số các dự đoán của LLM dựa trên xác suất token, giúp cải thiện độ chính xác và đạt hiệu năng tiệm cận các mô hình fine-tune mà không cần huấn luyện lại.