Research

Nghiên cứu thực nghiệm quy mô lớn đầu tiên so sánh các phương pháp phát hiện bất thường chuỗi thời gian (TSAD) dạng streaming (cập nhật tăng dần) và static (tĩnh) trên benchmark thống nhất cùng tập dữ liệu TSB-drift. Kết quả trái với giả định thông thường: các phương pháp static vượt trội rõ rệt về độ chính xác so với streaming trong hầu hết các kịch bản luồng dữ liệu, cho thấy nhu cầu cấp thiết phải tái định hình cách tích hợp khả năng streaming vào TSAD.

EnigmaForge là benchmark mới đánh giá mô hình ngôn ngữ lớn (LLM) mà không cung cấp câu hỏi trước. Mô hình chỉ nhận một tập tài liệu (thư từ, hóa đơn, nhật ký) chứa ẩn đố logic có nghiệm duy nhất được chứng minh bằng SAT solver và chứng chỉ cắt bỏ (ablation certificate). Tiêu chí chính là 'trực giác' (tự phát hiện và giải quyết vấn đề từ câu chuyện) cùng khả năng tái thiết thế giới. Thử nghiệm trên 25 mô hình biên giới với 600 trường hợp cho thấy khoảng cách trực giác phân hóa tới 22 lần (so với 1,6 lần ở trích xuất sự kiện) và làm đảo lộn bảng xếp hạng, đồng thời chỉ ra vấn đề bộ lọc nội dung gây sai lệch kết quả đánh giá.

Nghiên cứu đề xuất phương pháp tìm kiếm ngữ nghĩa mới cho bài toán suy luận của LLM thay thế kỹ thuật lấy mẫu lặp lại (repeated sampling) ngây thơ. Bằng cách dùng học tăng cường (RL) để huấn luyện một mô hình nhỏ (concept generator) sinh ra các khái niệm và chiến lược gợi ý đa dạng, hệ thống có thể điều hướng hiệu quả một mô hình lớn cố định (answer generator). Kết quả cho thấy phương pháp cải thiện vượt trội tỷ lệ pass@k trên các bài toán khó với cùng mức compute, vượt qua cả các mô hình lớn chưa tinh chỉnh và có khả năng chuyển giao sang các mô hình khác họ.

DB-SUiT là khung mô hình cầu nối khuếch tán (diffusion bridge) dựa trên bề mặt vỏ não đầu tiên dùng để tổng hợp ảnh FDG-PET từ ảnh MRI. Bằng việc xử lý trực tiếp trên đa tạp hình cầu qua kiến trúc Spherical U-shaped Vision Transformer (SUiT), mô hình bảo tồn hình học gấp nếp của vỏ não, cải thiện 14.2% hiệu năng phân loại sa sút trí tuệ so với MRI và đạt độ chính xác chẩn đoán 85.5% trong thử nghiệm mù, đồng thời tổng quát hóa tốt trên nhóm bệnh lý chưa từng thấy trong huấn luyện.

LIBERO-PeRM là benchmark mô phỏng đầu tiên được thiết kế có kiểm soát nhằm đánh giá khả năng học sở thích cá nhân hóa trong thao tác robot (PeRM), tách biệt giữa việc hoàn thành nhiệm vụ và mức độ thỏa mãn sở thích người dùng. Nghiên cứu khảo sát 5 câu hỏi cốt lõi: tuân thủ sở thích zero-shot, học sở thích đơn từ biểu diễn mẫu, hiệu quả thu nhận sở thích theo quy mô dữ liệu, khả năng khái quát hóa qua layout/nhiệm vụ mới, và cách kết hợp cũng như xử lý xung đột sở thích. Hệ thống phân loại sở thích bao gồm chuyển động (motion), kỹ năng (skill) và hồ sơ người dùng (user-profile) có thể biểu đạt qua ngôn ngữ. Benchmark cung cấp 312 nhiệm vụ trong 5 bộ tác vụ với dữ liệu mẫu ghép cặp và chỉ số đánh giá tự động. Thực nghiệm chỉ ra rằng các mô hình VLA hiện tại kém ở zero-shot nhưng học tốt qua SFT; mixed training bảo toàn kỹ năng gốc tốt hơn nhưng có thể làm giảm việc học sở thích chuyển động.

Nghiên cứu đề xuất khung lý thuyết mô hình hóa speculative decoding dưới dạng Markov reward process, dẫn xuất hàm mục tiêu Expected Decoding Rounds (EDR) để tối ưu trực tiếp số vòng giải mã kỳ vọng cho các mô hình parallel và semi-AR draft model. Phương pháp giải quyết bài toán phụ thuộc giữa các vòng giải mã mà các mục tiêu cục bộ trước đây bỏ qua, không cần siêu tham số phụ trợ và sử dụng temporal-difference gradient không chệch từ rollout của target model. EDR cũng cung cấp cơ chế đánh giá offline số vòng giải mã, giúp finetuning DSpark và DFly cải thiện ổn định chiều dài token được chấp nhận trung bình trên 9 benchmark.

Nghiên cứu chứng minh rằng phương pháp gộp trọng số ngoại chính sách (off-policy merging), cụ thể qua kỹ thuật grafting, vượt trội hơn phương pháp tự chưng cất nội chính sách (OPSD) trong học liên tục (continual learning) cho các mô hình hậu huấn luyện (post-trained). Phương pháp grafting gồm ba cơ chế chính: học cập nhật trọng số trên checkpoint hiến tặng sớm (donor checkpoint) rồi áp lên mô hình post-trained; co giãn cập nhật trọng số (model merging); và tùy chọn mask các hướng nhạy cảm. Thử nghiệm chỉ ra grafting tối ưu Pareto so với SFT và OPSD ở cả hiệu năng tác vụ mới lẫn tác vụ cũ, đồng thời loại bỏ nhu cầu lấy mẫu on-policy tốn kém và ngăn chặn hiện tượng suy thoái suy luận (reasoning collapse).

KaliBench là bộ benchmark và tập dữ liệu chi tiết gồm 8.504 cặp truy vấn - lệnh trên 1.642 công cụ Kali Linux, đánh giá khả năng chuyển đổi ngôn ngữ tự nhiên thành câu lệnh CLI thực tế. Nghiên cứu chỉ ra các mô hình mã nguồn mở hiện tại đạt dưới 42% độ chính xác lệnh tuyệt đối khi không có gợi ý công cụ; đồng thời đề xuất cơ chế phần thưởng kiểm chứng không cần runtime (runtime-free verifiable rewards) giúp mô hình 8B sau huấn luyện đạt hiệu năng ngang tầm mô hình MoE 685B.

Nghiên cứu đề xuất thuật toán lấy mẫu Markov chain Monte Carlo (MCMC) nhằm biến đổi các chuỗi dữ liệu off-policy thành dữ liệu mang tính on-policy hơn đối với mô hình tham chiếu trong quá trình hậu huấn luyện (post-training). Thay vì thay đổi hàm mục tiêu huấn luyện, phương pháp tập trung điều chỉnh phân phối dữ liệu cho phù hợp với mô hình. Nhờ đó, Supervised Fine-Tuning (SFT) có thể cạnh tranh với các kỹ thuật RL hàng đầu, tổng quát hóa tốt hơn và giảm thiểu hiện tượng quên thảm khốc (catastrophic forgetting).

Nghiên cứu đánh giá các kỹ thuật dữ liệu huấn luyện, hiệu chuẩn và suy luận cho ba mô hình mở (NVARC Qwen3-4B, Qwen3.8-27B và Qwen3.8-Flash-Next) giải ARC-AGI-2 trong điều kiện giới hạn tài nguyên (offline trên 4 GPU L4, tối đa 12 giờ). Kết quả thực nghiệm trên 120 tác vụ bán riêng tư cho thấy: (1) Với Qwen3-4B, dữ liệu thực tế (1.920 bản ghi) giúp tăng điểm từ 28,96 lên 33,06, trong khi 95.993 tác vụ synthetic không mang lại cải thiện; (2) Với Qwen3.8-27B, phần lớn mức tăng điểm từ 26,81 lên 44,03 đến từ quy trình suy luận (thinking cap, kiểm tra mã Python trên demo); (3) Với mô hình MoE Qwen3.8-Flash-Next, việc cắt tỉa từ 512 xuống 296 chuyên gia dựa trên routing statistics và cache FP8 đã mở rộng KV cache lên 1,96M token, đạt điểm số cao nhất là 56,67 khi tích hợp công cụ kiểm tra chương trình.

D&A (Describe & Assess) là phương pháp prompt giúp tách biệt việc ước lượng tiến độ tác vụ robot của VLM thành hai pha: mô tả khách quan động lực khung cảnh và đánh giá theo tiêu chí rõ ràng. Bằng cách neo đánh giá vào tiêu chuẩn thành công tuyệt đối trước khi chấm điểm, D&A loại bỏ thiên kiến xác nhận và hiện tượng ảo giác tiến độ ở các lần chạy thất bại mà không cần post-training tốn kém.

SOMA (System One Metacognitive Awareness) là khuôn khổ siêu nhận thức mới cho phép mô hình System 1 (S1) phản hồi nhanh (như Jev) liên tục giám sát và can thiệp vào quá trình lý luận của mô hình System 2 (S2). Kiến trúc gồm 3 tầng: Scenario (định nghĩa mục tiêu và hành động), Awareness (S1 phát hiện triệu chứng lỗi), và Control (nhắc nhở hoặc tiếp quản quyền điều khiển). Không cần huấn luyện thêm và dùng chung một bộ điều khiển, SOMA giúp cắt giảm tới 36% token suy luận khi gặp hiện tượng overthinking mà vẫn nâng cao độ chính xác, đồng thời tăng tỷ lệ từ chối trả lời câu hỏi không thể giải từ 70.5% lên 87.2%.

LIBERO-RIG là bộ benchmark đánh giá độ bền vững của các mô hình Vision-Language-Action (VLA) trước các biến đổi phần cứng và thiết lập vật lý của robot mà vẫn giữ cố định nhiệm vụ LIBERO. Bộ đánh giá gồm 11 trục nhiễu loạn (quang học/vị trí camera, hiệu chuẩn camera-cánh tay, độ lợi truyền động, tần số điều khiển, nhiễu cảm nhận bản thể, tư thế đế, chiều cao bàn, đệm kẹp) qua 5 mức độ nghiêm trọng (210 điều kiện trên 4 bộ LIBERO). Đánh giá trên 9 mô hình VLA (500 episode/điều kiện) cho thấy tỷ lệ thành công chung giảm từ 93,2% xuống 76,7% ở mức trung bình và còn 50,9% ở mức cao nhất. Nghiên cứu cũng chỉ ra rằng việc huấn luyện tăng cường dữ liệu thị giác không thể bù đắp cho các lỗi phần cứng không làm thay đổi hình ảnh camera.

STAMP (Sequential Tree Attachment-based Motif-Preserving representation) là ngôn ngữ phân tử nhận biết cấu trúc liên kết (topology-aware), kết nối học biểu diễn cấp độ phân đoạn với khả năng chỉnh sửa cấu trúc chính xác. Bằng cách mã hóa riêng biệt danh tính motif, vị trí liên kết và cấu trúc cây, STAMP cho phép tái sử dụng các phân đoạn hóa học và thao tác trực tiếp trên các cây con. Thông qua một bộ biên dịch tất định, các mô hình ngôn ngữ cố định (frozen LLMs) có thể chỉnh sửa và tối ưu hóa phân tử trực tiếp, cải thiện hiệu suất từ 9 đến 56 điểm phần trăm và giảm sai số dự đoán đảo hoạt tính (activity-cliff) trên 23/30 mục tiêu so với SMILES.

Nghiên cứu giới thiệu ARC, một phương pháp suy luận mới giúp cải thiện đáng kể hiệu suất tác vụ zero-shot của các mô hình nền tảng robot (RFM) hiện có mà không cần thêm dữ liệu biểu diễn hay huấn luyện tốn kém. ARC kết hợp ba yếu tố: vết suy luận nhân quả bám sát hành động kế tiếp, quy trình tự động gán nhãn quy mô lớn từ tập dữ liệu sẵn có (tạo ARC-Trace-DROID từ DROID), và chiến lược tinh chỉnh/suy luận thích ứng cho các mô hình VLA (như π0.5) và WAM (như Cosmos3-Nano-Policy). Phương pháp đạt kỷ lục SOTA trên RoboLab-120, MolmoSpaces, tăng 50 điểm phần trăm trên RoboLab-Reasoning-50 và tăng 82,2 điểm phần trăm tỷ lệ thành công trên robot thực tế.

Nghiên cứu giới thiệu Learnable Trust-Boundary Delimiters (LTBD), giải pháp phòng thủ gọn nhẹ chống tấn công prompt injection cho LLM bằng cách mã hóa rõ ràng ranh giới nguồn gốc tin cậy (trust provenance) ngay trong đầu vào mà không cần thay đổi trọng số mô hình. LTBD sử dụng một lượng nhỏ ký tự phân cách có thể học được để phân biệt giữa chỉ thị tin cậy từ người dùng và dữ liệu ngoài chưa tin cậy, đạt ASR 0.00% trên AlpacaFarm và 0.11-0.19% trên TaskTracker với chi phí suy luận không đáng kể và khả năng chống chịu tốt trước adaptive attacks.

ViTeX-Bench là bộ benchmark đầu tiên chuyên sâu về chỉnh sửa văn bản cảnh trong video (video scene text editing), bao gồm ViTeX-Dataset (387 video 720p thực tế kèm mặt nạ vùng chữ và hướng dẫn) cùng giao thức đánh giá 3 trục qua 13 chỉ số. Nghiên cứu cũng công bố mô hình mã nguồn mở ViTeX-Edit-14B sử dụng kỹ thuật motion-aligned glyph-video conditioning, đạt CharAcc 0.688 và độ biến dạng text-crop Warp thấp nhất trong các editor video gốc.

CoEM (Commit-on-Evidence Memory) là kiến trúc bộ nhớ mới dành cho mô hình ngôn ngữ lớn (LLM), giúp giải quyết vấn đề nén thông tin quá sớm làm mất chi tiết khi xử lý ngữ cảnh siêu dài. CoEM lưu giữ nguyên văn các trích đoạn nguồn trong một tập chờ (pending set) và sử dụng chính sách học tăng cường cùng bộ kiểm chứng đóng băng (frozen verifier) để quyết định thời điểm nén thành dữ kiện cam kết. Trên mô hình Qwen3.5-9B với 6.400 tài liệu, CoEM vượt qua baseline mạnh nhất 10.4-11.4 điểm F1.

Nghiên cứu giải quyết bài toán liệu mô hình thủy văn dựa trên quy luật vật lý có thể đạt độ chính xác ngang bằng mạng nơ-ron sâu hay không. Bằng cách áp dụng ba định luật (bảo toàn, tiêu tán và tổng hợp) kết hợp vòng lặp tinh chỉnh giả thuyết có AI agent hỗ trợ, nhóm tác giả phát triển CaRT+ (14 trạng thái, 35 tham số/lưu vực, không dùng mạng nơ-ron hàng ngày). CaRT+ đạt độ chính xác (chỉ số NSE) ngang ngửa LSTM trên hơn 1.100 lưu vực tại Anh và Mỹ, đồng thời vượt qua LSTM trên 505 lưu vực khô hạn tại Úc trong dữ liệu chưa từng tiếp xúc. Kết quả khẳng định các quy luật ở cấp độ lưu vực tồn tại dưới dạng quy luật hình thái, chia sẻ cấu trúc và chỉ cần học tham số.

Nghiên cứu giới thiệu khung tiến hóa kết hợp mô hình ngôn ngữ lớn (LLM) để đề xuất thiết kế mạch lượng tử và một bộ đánh giá độc lập để kiểm chứng, chấm điểm. Phương pháp này giải quyết bài toán tối ưu các nguyên hàm tính toán chịu ràng buộc tính khả nghịch trong điện toán lượng tử. Kết quả thử nghiệm trên 8 tác vụ cho thấy: ở 7 tác vụ (tính toán số, hóa học, tối ưu hóa, mô phỏng lượng tử, lý thuyết số), mạch mới giảm đáng kể số lượng cổng Toffoli và qubit so với hiện trạng (SOTA); ở tác vụ thứ 8, hệ thống khám phá ra kiến trúc khả nghịch mới cho phép áp dụng thuật toán cổ điển divsteps vào phép nghịch đảo modulo trường nguyên tố, cải thiện rõ rệt sự đánh đổi giữa Toffoli và qubit.

T2-Z là phương pháp tối ưu hóa tại thời điểm kiểm thử (test-time optimization) cho các mô hình thế giới trong robot học, bổ sung biến tiềm ẩn môi trường (environment latent) có thể học được mà không cần giám sát. Thông qua quy trình huấn luyện xen kẽ hai giai đoạn và tối ưu hóa latent mới từ một quỹ đạo tương tác tại thời điểm kiểm thử, T2-Z giúp robot thích ứng nhanh với các yếu tố vật lý không thể quan sát trực tiếp (như ma sát, khối lượng). Trên 7 môi trường mô phỏng và 4 tác vụ robot thực tế, T2-Z giảm sai số dự đoán vật thể từ 15.20 xuống 7.00 và tăng tỷ lệ thành công của hành động từ 33.73% lên 72.96%.

Fold'EM là một framework suy luận trực tiếp kết hợp các mô hình sinh protein với ảnh hạt cryo-EM để xác định cấu trúc nguyên tử từ số lượng ảnh hạt rất nhỏ. Phương pháp này bỏ qua hoàn toàn các bước trung gian truyền thống gồm tái tạo bản đồ mật độ thế tĩnh điện (ESP) và dựng mô hình nguyên tử trên bản đồ, đồng thời có khả năng phân giải các trạng thái đồng hình khác nhau từ quần thể hạt không đồng nhất.

Nghiên cứu đề xuất phương pháp căn chỉnh mô hình ngôn ngữ lớn (LLM) trong bài toán hình thành ý tưởng khoa học bằng cách sử dụng mức độ tác động trích dẫn chuẩn hóa theo năm làm tín hiệu phản hồi kết quả dài hạn. Tác giả xây dựng tập dữ liệu gồm hơn 100.000 bài báo khoa học máy tính gắn với mục tiêu nghiên cứu và nhãn trích dẫn, huấn luyện mô hình phần thưởng (reward model) có điều kiện mục tiêu, sau đó căn chỉnh bộ sinh ý tưởng qua SFT kết hợp RL. Kết quả thử nghiệm trên giao thức đối chiếu tập tham chiếu độc lập cho thấy mô hình RL liên tục tạo ra các ý tưởng có tác động ước tính vượt trội so với mô hình gốc và đường cơ sở SFT.

Nghiên cứu 'The Watchtower Imperative' chỉ ra lỗ hổng an toàn cốt lõi của frontier AI khi chỉ đánh giá trên mô hình người dùng người lớn mặc định, dẫn đến các rủi ro từ trẻ em đến người già. Nhóm tác giả giới thiệu Ma trận tổn thương theo vòng đời (Lifespan Vulnerability Matrix) với 5 yếu tố điều hòa qua 6 giai đoạn cuộc đời, chỉ ra rủi ro phi đơn điệu đạt đỉnh ở hai đầu lứa tuổi. Nghiên cứu đề xuất nguyên tắc thiết kế an toàn và khung đánh giá ngoài 3 tầng gồm mô phỏng tự động, red-team chuyên gia và giám sát sau triển khai.