Research

Nghiên cứu chỉ ra hai lỗ hổng lớn trong các đánh giá cắt tỉa token thị giác (visual token pruning) hiện nay cho VLM: độ chính xác tổng hợp che lấp việc mô hình dựa vào lối tắt văn bản (textual shortcuts), và số lượng token giữ lại không tương quan chính xác với tốc độ tăng tốc thực tế. Để giải quyết, nhóm tác giả đề xuất PAA-Bench cùng hai thước đo mới: Random-Pass@k (đo độ nhạy khi cắt tỉa ngẫu nhiên để xác định khi nào việc chọn token thực sự quan trọng) và Preservation-Constrained Speedup (PCS - đo tốc độ tăng tốc end-to-end tối đa dưới cùng mục tiêu bảo toàn độ chính xác). Thử nghiệm trên 8 phương pháp, 3 backbone VLM và 9 benchmark khẳng định việc nén nhiều token không đảm bảo tăng tốc nhanh hơn và thứ hạng hiệu quả thay đổi tùy theo mục tiêu bảo toàn.

Nghiên cứu mô hình hóa ngẫu nhiên vòng lặp phản hồi tích cực trong tự động hóa nghiên cứu AI, chỉ ra rằng tính bất định thay thế thời điểm bùng nổ trí tuệ tất định bằng một phân phối xác suất tường minh (phân phối Gamma hoặc tổng biến ngẫu nhiên mũ được biểu diễn qua chuỗi q-series). Tính tự đồng dạng làm cho độ bất định tương đối về thời gian còn lại không hề suy giảm khi tiến sát điểm bùng nổ. Nghiên cứu đồng thời đưa ra công thức kiểm định thống kê mẫu cố định để phát hiện tốc độ gia tăng ý tưởng và chứng minh độ trễ triển khai cố định có thể ngăn ngừa sự bùng nổ.

Nghiên cứu đánh giá lại các biểu diễn thời gian - tần số trong ước lượng đa cao độ (MPE) cho nhóm hát/hợp xướng. Mặc dù có độ phân giải tần số cố định và không căn chỉnh theo lưới cao độ, biến đổi Fourier ngắn tuyến tính (linear STFT) vượt trội hơn biến đổi Harmonic Constant-Q (HCQT) và giúp giảm mạnh chi phí trích xuất đặc trưng khi huấn luyện on-the-fly. Phân tích thực nghiệm cũng chỉ ra rằng cửa sổ phân tích ngắn hơn đạt hiệu quả cao hơn đối với cao độ giọng hát biến thiên liên tục theo thời gian, trong khi độ phân giải tần số chi tiết hơn không nhất thiết cải thiện hiệu quả MPE.

Nghiên cứu đánh giá thuật toán PPO trong trò chơi broker-trader thời gian liên tục đã có nghiệm giải tích. Kết quả cho thấy dù hàm thưởng được suy biến chính xác từ hàm mục tiêu và mạng actor có khả năng biểu diễn hành động, PPO (FFNN và LSTM) vẫn không thể học được chiến lược tối ưu khi có dòng lệnh ngẫu nhiên do mạng critic xếp hạng sai các hành động lân cận. Nghiệm giải tích tỏ ra vượt trội và là điểm khởi đầu hữu ích: việc đóng băng chính sách giải tích và chỉ để PPO tinh chỉnh khi chi phí thực thi thay đổi đã giúp bù đắp 2.22% khoảng cách đến nghiệm tối ưu mới.

Nghiên cứu đề xuất khung học giám sát yếu (weak-supervision) kết hợp neo hai chiều nhãn mềm và active learning để tự động xây dựng từ điển tiếng lóng địa phương phục vụ dịch vụ khách hàng ngành điện trên mạng xã hội. Giải pháp giải quyết triệt để vấn đề từ vựng ngoài từ điển (OOV) và biến đổi ngữ nghĩa, giúp tăng số ứng viên lên 751% và đạt độ chính xác phương ngữ tuyệt đối (DP = 1.0) trên 11.177 tin nhắn WeChat tại Vân Nam.

CRoS (Causality Reward on Scrambled CoTs) là phương pháp phần thưởng nhân quả mới cho mô hình ngôn ngữ huấn luyện bằng RLVR. Thay vì xóa bước hay chèn lỗi làm biến đổi thông tin, CRoS xáo trộn thứ tự các bước CoT để đo lường quan hệ nhân quả thực sự giữa suy luận và kết quả. Thử nghiệm trên Gemma-3-4B với Reasoning Gym cho thấy CRoS vượt trội các baseline về độ chính xác out-of-domain (46,8% vs 43,8%), chất lượng CoT (43,4% vs 41,4%) và tính trung thực của suy luận (34,0% vs 20,2%).

Nghiên cứu từ Georgia Tech cho thấy các cuộc trò chuyện AI dù đã bị xóa vẫn có thể để lại dấu vết kỹ thuật (clues/artifacts). Phát hiện này nêu bật các rủi ro bảo mật dữ liệu, thách thức đối với quyền riêng tư của người dùng và mở ra hướng ứng dụng trong điều tra pháp y kỹ thuật số.

Bình luận của Jake Boggan trên Hacker News (chủ đề openai/math) chia sẻ cảm xúc phức tạp khi Giả thuyết Barnette—bài toán lý thuyết đồ thị ông theo đuổi suốt 24 năm—được cho là đã được chứng minh (bài toán 180), cho thấy bước tiến tiềm năng của AI trong toán học cao cấp cùng tác động tâm lý đối với giới nghiên cứu.

Theo điều tra từ The Wall Street Journal dựa trên các nghiên cứu mới về giám sát AI, chuỗi suy luận (Chain of Thought) của các mô hình AI không còn đủ độ tin cậy để làm căn cứ giám sát an toàn. Hiện tượng này làm dấy lên rủi ro xuất hiện các mô hình bất tuân (rogue models) có khả năng che giấu động cơ hoặc đánh lừa các rào cản kiểm soát nội bộ.

Bài báo nghiên cứu 'What AI Benchmarks Measure: Fifty-Six AI Benchmarks Compared' được chia sẻ trên OpenReview, thực hiện đối chiếu và phân tích chuyên sâu 56 bộ benchmark AI hiện nay nhằm xác định chính xác những năng lực mà các thước đo này thực sự đánh giá, giúp làm rõ khoảng cách giữa điểm chuẩn và năng lực thực tế của mô hình.

Nghiên cứu giới thiệu Discrete Wasserstein Flows, khung làm việc cho mô hình sinh một bước trên không gian trạng thái rời rạc hữu hạn. Bằng cách sử dụng hình học Wasserstein rời rạc để định nghĩa target-relative KL gradient flow trên Markov kernel khả nghịch và amortize động học hạt vào bộ sinh nơ-ron, phương pháp cho phép suy luận trong 1 bước duy nhất mà vẫn đảm bảo tính toán lý thuyết chặt chẽ.

Nghiên cứu chỉ ra rằng trong Soft Actor-Critic (SAC) với tỷ lệ UTD cao, sụp đổ biểu diễn (rank collapse / dormant units) vẫn có thể phục hồi và mô hình tiếp tục học được, trong khi sự bùng nổ giá trị |Q| dẫn đến phân kỳ không thể cứu vãn. Tốc độ tăng trưởng sớm của log10|Q| tại bước 15k là chỉ báo cảnh báo sớm hiệu quả (AUC đạt 0.78 trên Walker2d và 0.98 trên Ant ở UTD 4), giúp dừng sớm các run lỗi để tiết kiệm ~10% tài nguyên tính toán mà không cần dùng LayerNorm gây giảm return.

Một video do AI tạo ra đã giành chiến thắng tại cuộc thi hình ảnh hiển vi danh tiếng của Nikon (Nikon Image Competition), dấy lên làn sóng phản ứng mạnh mẽ từ cộng đồng nhà khoa học và người dùng kính hiển vi về tính xác thực của dữ liệu thực nghiệm và lỗ hổng thẩm định của ban giám khảo.

Một hệ thống AI Scientist tại Trung Quốc đã hoàn thành thành công thử nghiệm khoa học tự hành gồm 11.382 bước kéo dài suốt 203 giờ liên tục (~8,5 ngày). Đây là minh chứng đáng chú ý cho khả năng duy trì ngữ cảnh và thực thi tác vụ nghiên cứu dài hạn của AI agent.

HiGenTrans là khung kiến trúc truyền tải tri thức phân cấp từ mô hình ngôn ngữ lớn (LLM) vào hệ thống gợi ý tạo sinh (GenRec) qua 3 cấp độ: input (GSP), representation (HRT) và decision (MDC). Giải pháp giải quyết hạn chế của GenRec khi chỉ dùng giám sát tương tác và khắc phục việc beam search xếp hạng chuỗi token thay vì độ liên quan vật phẩm. Tất cả đặc trưng ngữ nghĩa được tính từ tiền tố tương tác, tránh rò rỉ dữ liệu và có thể cache offline, giúp cải thiện Recall@10 tới 12.9% và NDCG@10 tới 33.7% trên ba benchmark công khai.

RAFT là khung lọc dữ liệu đầu vào nhận biết dư thừa (Redundancy-Aware Input Filtering) dành cho huấn luyện Mạng nơ-ron đồ thị theo thời gian (TGNN). Bằng cách theo dõi biến động bộ nhớ node (node memory), RAFT sử dụng hai bộ lọc: root-event filter loại bỏ các mục tiêu dự đoán ít biến động trước huấn luyện và support-event filter loại bỏ ngữ cảnh lịch sử dư thừa khi lấy mẫu. Thực nghiệm trên 3 mô hình TGNN và 5 tập dữ liệu cho thấy RAFT giúp giảm trung bình 35,23% dữ liệu đầu vào (tối đa 97,11%) và giảm tới 52,56% thời gian huấn luyện mà không làm suy giảm độ chính xác mô hình.

Nghiên cứu giới thiệu Consistent Sparse Dictionary Learning (ConSDL) nhằm khắc phục nhược điểm lớn của Sparse Autoencoders (SAEs) trong việc giải thích mô hình nền tảng: từ điển biểu diễn thay đổi thất thường giữa các lần huấn luyện. Bằng cách thay thế linear encoder truyền thống bằng per-sample sparse coding, ConSDL đạt khả năng khôi phục từ điển gần như hoàn hảo trên dữ liệu mô phỏng, đồng thời nâng cao độ nhất quán của từ điển thêm 17.6% và của hệ số thêm 35.9% so với 6 mô hình SAE baseline trên cả dữ liệu thị giác và ngôn ngữ.

AutoNovo sử dụng cơ chế tìm kiếm chương trình dựa trên tác tử (agentic program search) để tự động sinh, thực thi, đánh giá và sửa đổi mã nguồn cho các thuật toán thiết kế axit nucleic. Phương pháp này giải quyết triệt để vấn đề thuật toán tối ưu hóa in-silico khai thác các khiếm khuyết của mô hình dự đoán khiến chuỗi thiết kế không chuyển giao được sang các mô hình khác. AutoNovo đã phát hiện một họ thuật toán đạt kết quả trung bình cao nhất trên 3/3 tác vụ thiết kế DNA và 6/6 tác vụ chuyển giao sang mô hình độc lập, mở đường cho việc tạo ra các thiết kế in-silico phản ánh chính xác sinh học thực tế.

Nghiên cứu đánh giá khả năng truy xuất thông tin của các mô hình ngôn ngữ lớn (LLM) và mô hình sentence embedding thông qua Wikipedia Game trên đồ thị bài viết và mạng lưới trích dẫn khoa học. Nhóm tác giả xây dựng đồ thị cục bộ quy mô lớn từ Wikipedia (5 ngôn ngữ) và OpenAlex (5 tập dữ liệu học thuật) cùng mã nguồn điều hướng không phụ thuộc API bên thứ ba. Kết quả cho thấy chưa có mô hình nào vượt trội đáng kể so với con người, dù các mô hình hàng đầu (GPT-o3 mini, GPT-4o, QwQ:32B, DeepSeek-R1:70B) đạt mức độ thành công tương đương con người. Hiệu năng và thứ hạng thay đổi đáng kể theo ngôn ngữ và chủ đề.

Nghiên cứu giới thiệu phương pháp điều khiển robot nhận biết lực tiếp xúc (force-aware manipulation) mà không cần cảm biến lực hay xúc giác vật lý khi triển khai, thay vào đó sử dụng thị giác để dự đoán lực từ độ biến dạng của tay kẹp mềm Fin Ray. Phương pháp gồm hai mô hình: mô hình ước lượng lực thị giác dùng để gán nhãn dữ liệu mẫu, và chính sách đề xuất hành động - lực giúp sinh các hành động ứng viên. Khi vận hành, robot chọn hành động có lực dự đoán sát nhất với lực mục tiêu từ dữ liệu mẫu, thực hiện thành công các tác vụ tinh tế như hái quả mọng, gắp lon rỗng, xoay vật thể trong tay và cắm phích cắm.

Nghiên cứu giới thiệu mô hình TRACER (Transformer with Contrastive Event Representation) giúp phát hiện sớm suy tim trở nặng từ dữ liệu theo dõi từ xa có độ phân giải thấp và lấy mẫu không đều. Nhờ tích hợp time-aware embeddings, tiền huấn luyện tương phản và chuyển đổi mục tiêu huấn luyện sang bài toán phát hiện sự kiện, TRACER dự đoán chính xác 66,7% chuỗi thời gian dẫn đến nhập viện với tỷ lệ cảnh báo thừa 7,9% trên tập dữ liệu 276 bệnh nhân.

FairStress là nghiên cứu hoặc công cụ hướng đến việc đánh giá chuyên sâu tính công bằng (fairness) trong việc ra quyết định của các mô hình ngôn ngữ lớn (LLM). Do văn bản đầu vào chỉ gồm tiêu đề, các phương pháp kỹ thuật, bộ dữ liệu và kết quả cụ thể hiện là ẩn số chưa được công bố trong ngữ cảnh này.

Nghiên cứu giải quyết bài toán suy giảm chất lượng của mô hình Pointer Networks (huấn luyện bằng RL) khi tổng quát hóa qua các quy mô kích thước khác nhau trong bài toán định tuyến drone giao hàng (CVRP). Nhóm tác giả xác định ba nguyên nhân cốt lõi gồm biến động mật độ nút, phân tán chú ý và loãng ngữ cảnh đồ thị; từ đó đề xuất kỹ thuật co giãn chú ý theo entropy và cơ chế gom ngữ cảnh Set2Set/weighted average. Kết hợp các kỹ thuật này qua một bộ chọn mô hình (approach selector), phương pháp giúp giảm chi phí vận hành trên toàn bộ các bài toán đã thấy và 8/9 bài toán quy mô mới lên đến 3.2%.

Nghiên cứu giới thiệu bộ benchmark đầu tiên được chuyên gia kiểm định gồm 1.042 câu hỏi trên 10 lĩnh vực luật nhằm đánh giá độ tin cậy của 15 LLM đối với hệ thống pháp luật Colombia. Kết quả cho thấy dù câu hỏi trắc nghiệm đạt độ chính xác lên tới 90,5% (Gemini 3.1 Pro), độ chính xác thực tế ở bài tự luận không vượt quá 45%. Đáng chú ý, nghiên cứu phát hiện sự phân ly nghịch giữa độ liên quan và độ chính xác (rho = -0,46), trong đó các mô hình tạo cảm giác phản hồi rất tốt nhưng thực tế khoảng 50% điều luật trích dẫn là sai hoặc không tồn tại. Hiện tại, LLM bắt buộc phải có sự giám sát của chuyên gia và cần tích hợp dữ liệu căn cứ pháp lý chính thống.