Research

SEAM là nguyên mẫu ứng dụng xã hội triển khai mô hình 'Bộ nhớ liên tưởng thực thi theo ngữ cảnh' (Situated Executable Associative Memory) cho cộng đồng cùng địa điểm. Thay vì lưu trữ tĩnh, SEAM kết nối các khoảnh khắc rời rạc do thành viên đăng tải, chắt lọc tri thức tập thể và phản hồi theo liên tưởng ngữ cảnh. Điểm đột phá là một số ký ức có thể hoạt động như tập lệnh giúp thành viên lập trình hành vi của hệ thống (như theo dõi thói quen, tổ chức trò chơi). Nghiên cứu thực nghiệm trên 46 người dùng cho thấy SEAM giúp tri thức chủ động tìm đến đúng người, mở rộng kết nối xã hội.

Nghiên cứu giới thiệu một quy trình dựa trên LLM để trích xuất thông tin linh hoạt từ các bản án hình sự phục vụ nghiên cứu pháp lý thực nghiệm, bao gồm khám phá thuộc tính, trích xuất đoạn văn bản và chuẩn hóa giá trị dưới sự hướng dẫn của chuyên gia. Thử nghiệm trên hai tội danh giao thông (DUI và DDB) cho thấy việc tinh chỉnh hướng dẫn giúp tăng độ chính xác từ 52% lên 70% (DUI). Đáng chú ý, kết quả cho thấy tính nhất quán giữa các lần chạy của mô hình không đồng nghĩa với tính chính xác, và sự bất đồng giữa mô hình với người chú thích giúp phát hiện các chỉ dẫn chưa rõ ràng.

OpenAI tuyên bố mô hình AI của họ đã bác bỏ Giả thuyết Thời gian Hàm mũ (ETH), một giả thuyết nền tảng trong lý thuyết độ phức tạp tính toán. Dù gợi mở tiềm năng lớn của AI trong chứng minh toán học hình thức, thông tin hiện mới dừng ở mức tuyên bố ban đầu và chưa có sự kiểm chứng độc lập.

Fed-Universe giới thiệu kiến trúc ngăn xếp S-G-T-H (Semantic-Geometric-Topological-Human) nhằm giải quyết bài toán triệt tiêu node thiểu số do phân bố dữ liệu không đồng nhất trong học liên kết truyền thống. Thay vì tính trung bình tham số thụ động, hệ thống sử dụng LLM tại biên chuẩn hóa ngữ nghĩa, cổng hình học bảo toàn đóng góp của node nhỏ, và kiểm soát Pareto topo để cân bằng đa mục tiêu. Thử nghiệm trên mô phỏng mạng lưới lâm sàng cho thấy node thiểu số (<3% dữ liệu) đạt mức giảm loss từ 0.857 xuống 0.340, thoát khỏi thế bế tắc zero-sum.

NgramRL là phương pháp giải mã suy đoán (speculative decoding) dạng model-free, được thiết kế để giải quyết nút thắt cổ chai tạo rollout (chiếm hơn 70% thời gian) trong quá trình hậu huấn luyện tăng cường (RL post-training) cho LLM. Bằng cách khai thác lịch sử rollout gần đây của từng prompt làm nguồn dự thảo n-gram tự cập nhật kết hợp bộ nạp trước thích ứng (adaptive fan-out prefetcher), NgramRL giúp cam kết 3.60–7.77 token mỗi forward pass và cải thiện 1.38x thông lượng rollout mà không cần mô hình phụ hay tiêu tốn VRAM GPU.

Nghiên cứu giới thiệu AfriBED, bộ dữ liệu mới nhằm đánh giá độ thiên vị trong nhận dạng giọng nói tự động (ASR) cho hai ngôn ngữ ít tài nguyên tại châu Phi là Bemba và Nyanja. Bộ dữ liệu cho phép phát hiện và ước lượng sự chênh lệch hiệu năng ASR theo giới tính và loại người nói, gồm 9 giờ ghi âm tiếng Bemba (3.928 câu, 80 người nói) và 18 giờ ghi âm tiếng Nyanja (6.260 câu, 127 người nói).

Bài viết từ The Economist (tháng 10/2026) nhận định AI sẽ giúp thiết kế và tạo lập các sinh vật sống mới từ đầu (synthetic biology). Dữ liệu cung cấp chỉ gồm tiêu đề và liên kết; các chi tiết kỹ thuật cụ thể vẫn là ẩn số chưa được làm rõ trong văn bản trích dẫn.

FlashReFocus là phương pháp tái lấy nét ảnh đơn tương tác giải quyết nút thắt về tốc độ của các mô hình diffusion hiện nay. Thay vì chạy lại diffusion cho mỗi lần chỉnh sửa, FlashReFocus chỉ chạy diffusion một bước duy nhất kèm decoder refiner để khôi phục ảnh nét toàn phần, sau đó dùng mạng nơ-ron siêu nhẹ kết hợp cơ chế defocus-bias attention để kết xuất hiệu ứng mờ theo bản đồ defocus. Mô hình cho phép tạo hiệu ứng tilt-shift và hai mặt phẳng tiêu cự, đạt chất lượng tri giác vượt trội trên benchmark EBB! và 3CReal, đồng thời đạt tốc độ ~0,5 giây cho mỗi lần chỉnh tiếp theo (nhanh hơn 462 lần so với GenRefocus).

GAMW là khung chèn watermark đa-bit trực tiếp vào quá trình sinh biểu diễn Mel-domain của mô hình TTS trước khi tổng hợp sóng âm. Bằng cách kết hợp hàm mục tiêu giải mã gồm focal modulation và gán trọng số động theo từng bit, GAMW giúp tăng độ chính xác giải mã thêm 9,2% dưới biến dạng đơn lẻ và 23,5% dưới biến dạng kết hợp ở payload 16-bit so với baseline mạnh nhất, đồng thời duy trì chất lượng giọng nói tự nhiên và khả năng mở rộng payload cao hơn.

Nghiên cứu chứng minh các mô hình khuếch tán đồ thị rời rạc (GDMs) thực chất có hiện tượng ghi nhớ dữ liệu huấn luyện (conditional memorization), trái ngược với quan điểm trước đây. Hiện tượng này xuất hiện khi quỹ đạo khuếch tán ngược được điều kiện hóa trên đồ thị huấn luyện bị nhiễu, khiến mô hình khôi phục đồ thị huấn luyện gần như hoàn hảo nhưng suy giảm mạnh trên đồ thị kiểm tra. Đáng chú ý, các thước đo cấp mẫu thông thường (edge overlap, WL kernel) không phát hiện được sự ghi nhớ này, kỹ thuật early stopping không thể khắc phục và sự ghi nhớ luôn xảy ra trước khi cấu trúc cộng đồng hình thành.

Nghiên cứu trên Nature đề cập đến kỹ thuật đóng dấu mờ bí mật (secret watermark) để định danh các protein do AI tạo ra. - Thực tế xác minh: Tạp chí Nature công bố bài viết về phương pháp gắn dấu bí mật nhằm phân biệt protein do AI thiết kế. - Suy luận hợp lý: Cơ chế này mã hóa thông tin trực tiếp vào cấu trúc/chuỗi protein mà vẫn giữ nguyên chức năng sinh học, phục vụ việc quản lý sở hữu trí tuệ và an toàn sinh học. - Điểm chưa rõ: Chi tiết thuật toán nhúng dấu, tác động tới độ ổn định sinh học và khả năng chống chịu chỉnh sửa chuỗi chưa được công bố trong đoạn dữ liệu.

ER-JEPA bổ sung cơ chế phát lại trải nghiệm (episodic replay) vào kiến trúc LLM-JEPA nhằm giải quyết hạn chế về tính ổn định và độ chính xác của dự đoán ngữ nghĩa trừu tượng trong mô hình ngôn ngữ lớn. Bằng cách lưu và truy xuất các cặp huấn luyện từ bộ nhớ ở mỗi bước, ER-JEPA cung cấp thêm tín hiệu giám sát cho cả dự đoán token lẫn căn chỉnh biểu diễn, giúp cải thiện hiệu năng vượt trội trên các tập dữ liệu NL-RX, GSM8K, Spider và NQ-Open.

Nghiên cứu thực hiện đánh giá có hệ thống đầu tiên về nhận thức văn hóa của các mô hình ngôn ngữ lớn (LLM) đối với tiếng Haitian Creole—ngôn ngữ của hàng triệu người nhưng khan hiếm tài nguyên số. Thông qua benchmark điền từ do người bản ngữ xây dựng trên 4 khía cạnh (đặc thù, định kiến, đa dạng, biến thể), kết quả chỉ ra khoảng cách lớn so với tiếng Pháp, chịu ảnh hưởng từ sự can thiệp ngôn ngữ tiếng Pháp và có xu hướng khắc họa định kiến khuôn mẫu nhân vật qua gian khổ và kiên cường. Toàn bộ mã nguồn, benchmark và khung đánh giá đã được công khai.

Nghiên cứu đề xuất mô hình Attention Competitive Bayes (ACB) nhằm diễn giải lại quy tắc học Risk-sensitive Satisficing (RS) dưới góc nhìn Bayes. Trong ACB, mức kỳ vọng (aspiration level) đóng vai trò là kỳ vọng tiên nghiệm và ngân sách số lần thử nghiệm giới hạn sức ảnh hưởng của dữ liệu quan sát. Mô hình tạo ra hiệu ứng 'pseudo-forgetting', trong đó các lựa chọn bị bỏ rơi sẽ tự động quay về mức kỳ vọng mà không cần loại bỏ dữ liệu quá khứ. Khi mục tiêu không thể đạt được, việc cập nhật linh hoạt mức kỳ vọng giúp tác tử duy trì khả năng khám phá hợp lý và giảm thiểu regret trong bài toán Bernoulli bandit.

Nghiên cứu đề xuất lý thuyết quy hoạch nón (conic programming) đầu tiên giúp xác thực độ bền vững của cơ chế attention trong Transformer với bảo đảm toán học về độ chặt của biên. Tác giả chứng minh độ khó của bài toán là do tương tác song tuyến giữa query và keys (NP-hard) chứ không phải do softmax. Bằng phương pháp nới lỏng mô-men nón hàm mũ, phương pháp đạt độ chính xác bậc hai và cho biên chặt hơn vượt trội so với kỹ thuật lan truyền biên tuyến tính (linear bound propagation) trên toàn bộ các attention head của GPT-2.

Nghiên cứu 'There Is No Free Loop' chỉ ra rằng việc thêm vòng lặp (looping - tái áp dụng một khối layer) vào mô hình đã pretrained chỉ có hiệu quả kinh tế đối với các mô hình nhỏ (0.8B) trong điều kiện ngân sách tham số cố định. Mặc dù looping không làm tăng dung lượng lưu trữ hay VRAM, mỗi token phải trả thêm chi phí tính toán khoảng (N+m)/N lần. Thử nghiệm trên dòng Qwen3 và Qwen3.5 từ 0.8B đến 9B cho thấy chỉ có mô hình 0.8B looped vượt qua cả hai baseline (cùng tham số và cùng FLOPs). Ở quy mô 4B và 9B, mô hình looped thậm chí không thắng được mô hình chuẩn cùng tham số không loop.

Nghiên cứu giới thiệu Verification-Guided Reflow (VGR), một phương pháp tích hợp việc xác minh phản ứng hóa học trực tiếp vào quá trình tìm kiếm AND/OR trong bài toán lập kế hoạch tổng hợp ngược (retrosynthesis). Thay vì chỉ đánh giá toàn bộ lộ trình sau khi hoàn thành tìm kiếm, VGR sử dụng các phán quyết nhị phân từ bộ xác minh để loại trừ phản ứng không khả thi hoặc điều chỉnh độ ưu tiên tìm kiếm. Các tác giả phát hiện việc xác minh sớm kết hợp với tăng ưu tiên ngay lập tức làm giảm hiệu quả; từ đó đề xuất chiến lược 'early pruning and delayed guidance' (cắt tỉa sớm phản ứng bị từ chối và chỉ ưu tiên phản ứng hợp lệ khi nằm trong lộ trình hoàn chỉnh). Trên tập Retro190, chiến lược này giúp tăng tỷ lệ giải được kiểm chứng (verified solvability) từ 61.1% lên 71.1% (so với 51.1% khi không có phản hồi), đồng thời giảm số lượng truy vấn bộ sinh đề xuất và bộ xác minh.

Nghiên cứu này phân tích bài toán offline Q-learning cho MDP hữu hạn thời gian có điều chuẩn Kullback-Leibler (KL). Các tác giả lần đầu tiên đề xuất KLQ đạt độ phức tạp mẫu O~(1/ε) mà không cần tính bi quan tường minh, nhưng bị phụ thuộc hàm mũ vào tham số KL và horizon. Để khắc phục, thuật toán KLPQ được giới thiệu bổ sung cơ chế bi quan, giữ vững tốc độ O~(1/ε) và loại bỏ hoàn toàn sự phụ thuộc hàm mũ, mang lại bảo đảm tốc độ nhanh đầu tiên cho offline Q-learning dạng bảng có điều chuẩn KL.

Nghiên cứu ứng dụng mô hình nền tảng quyết định Clef-Flash (9 tỷ tham số, kiến trúc nền Qwen3.5) cho bài toán phân loại 24 bệnh từ triệu chứng do bệnh nhân báo cáo trên benchmark Symptom2Disease. Sử dụng QLoRA 4-bit với tốc độ học vi sai, mô hình đạt độ chính xác chẩn đoán 95,42% và macro F1 0,9551 (trên tập 960 ca huấn luyện, 240 ca kiểm tra), vượt qua ClinicalBERT (90,90%) và các baseline zero-shot (61,67% - 65,00%). Nhờ đánh giá logit trực tiếp trong một lượt lan truyền xuôi (single forward pass) không cần sinh văn bản tự hồi quy, thời gian suy luận đạt dưới 80 ms/bản ghi trên 1 GPU, tăng tốc 31 lần so với LLM sinh văn bản. Ngoài ra, nghiên cứu giới thiệu khung giải thích phản thực tế Leave-One-Symptom-Out (LOSO), cho phép phân tích định lượng mức độ đóng góp của từng triệu chứng cụ thể vào quyết định chẩn đoán lâm sàng.

Nghiên cứu chỉ ra nghịch lý trong continual learning áp dụng cho world models: việc xóa bỏ dữ liệu cũ không phải là lỗi mà là tất yếu khi môi trường thay đổi. Tác giả đề xuất khung 'stratified retention' phân tầng tri thức thành bất biến (như vật lý) và dữ kiện động, đồng thời giới thiệu thước đo 'differential retention' đánh giá song song độ bền tri thức bất biến và độ trễ cập nhật thay vì dùng các thang đo quên truyền thống vốn thiên vị mô hình đóng băng.

KV^2 là phương pháp nén KV cache độc lập với truy vấn (query-agnostic) dành cho mô hình ngữ cảnh dài trong kịch bản tái sử dụng ngữ cảnh (reusable context). Thay vì phải chọn giữa các bộ ước lượng nhẹ kém chính xác hoặc tái cấu trúc toàn bộ prompt gây tốn kém tính toán, KV^2 áp dụng cơ chế tái cấu trúc chọn lọc: dùng proxy scorer nhẹ để lọc ra tập con token quan trọng, sau đó chỉ xử lý lại tập con này để tính điểm loại bỏ (eviction score). Kết quả thực nghiệm cho thấy KV^2 vượt trội hơn 40 điểm phần trăm so với baseline trên RULER 16K ở mức ngân sách KV cache chỉ 2%, đồng thời duy trì điểm số cao nhất trên LongBench với thời gian nén và bộ nhớ đỉnh thấp hơn.

ThinkNet là khung làm việc (framework) kiểm soát kiểm định cho bài toán giải mã tín hiệu điện não đồ vận động (MI-EEG) độc lập người dùng trên các hệ thống giao diện não - máy tính (BCI). Nhằm ngăn chặn hiện tượng rò rỉ dữ liệu khi đánh giá đối tượng kiểm thử, ThinkNet kết hợp chuẩn hóa chỉ trên tập huấn luyện (train-only normalization), tìm kiếm tiến hóa theo định hướng validation và kết hợp mô hình (ensemble) qua cổng kiểm định. Thử nghiệm trên tập 4 lớp BCI Competition IV-2a (9-fold LOSO) cho thấy mô hình nhỏ gọn được chọn đạt độ chính xác 44,35% chỉ với 4,9K tham số, 19 KB FP32 và độ trễ 0,99 ms trên NVIDIA Orin. Nghiên cứu chứng minh mô hình kích thước nhỏ (<=25K tham số) tổng quát hóa tốt hơn mô hình lớn trên đối tượng mới, đồng thời phân tích oracle chỉ ra tương quan giữa validation và test gần bằng 0 dưới tác động dịch chuyển đối tượng.

Bài báo arXiv:2609.17817 nghiên cứu về tấn công đầu độc (poisoning) nhắm vào các hệ thống AI tự chỉnh sửa mã nguồn (self-modifying AI coding), lấy cảm hứng từ tấn công kinh điển 'Reflections on Trusting Trust' của Ken Thompson. [Suy luận hợp lý]: Nghiên cứu phân tích cách backdoor có thể tự duy trì và ẩn giấu xuyên suốt các chu kỳ tự tiến hóa của agent lập trình. [Chưa xác định]: Chi tiết kỹ thuật tấn công, mô hình thực nghiệm và giải pháp cụ thể do dữ liệu chỉ cung cấp tiêu đề và URL.

Nghiên cứu đề xuất phương pháp học đối chiếu sử dụng mạng Siamese để nhận diện các hình ảnh trùng lặp của cùng một polyp trong nội soi viên nang đại tràng (CCE). Huấn luyện trên 10.206 cặp ảnh từ thử nghiệm CareForColon2015 với các backbone ResNet, DenseNet121 và EfficientNet, mô hình đạt độ chính xác tới 92% và AUC gần 0,98, giúp giảm thiểu can thiệp nội soi không cần thiết và tránh đếm quá số lượng polyp.