Research

Nghiên cứu đưa ra một góc nhìn hình học trực quan và chính xác cho thuật toán Chiến lược Tiến hóa (Evolution Strategies - ES) cho quần thể hữu hạn. Thay vì nhìn nhận bản cập nhật ES dưới dạng ước lượng gradient làm mịn, tác giả xem mỗi cá thể nhiễu loạn là một hạt vật chất có khối lượng tương ứng với phần thưởng (reward). Khi đó, bước cập nhật ES sau khi trừ phần thưởng trung bình chính là độ dịch chuyển từ trọng tâm hình học của quần thể mẫu (centroid) tới khối tâm có trọng số phần thưởng (center of mass), được nhân với một hệ số tỉ lệ. Với quần thể lớn hoặc kỹ thuật lấy mẫu đối ngẫu, mô hình đơn giản là di chuyển từ vị trí hiện tại về phía khối tâm của quần thể.

SimOPD là phương pháp chưng cất tri thức on-policy (OPD) mới, chuyển giao tri thức nội tại của mô hình giáo viên thông qua phân phối độ tương đồng giữa các phản hồi (response similarities) thay vì ép buộc học sinh khớp trực tiếp trạng thái ẩn hay chỉ phụ thuộc vào xác suất token. Phương pháp sử dụng paired memory banks chứa các phản hồi do học sinh sinh ra để tạo phân phối tương đồng từ giáo viên, giúp học sinh duy trì không gian biểu diễn độc lập và loại bỏ nhu cầu chiếu chéo kiến trúc (cross-model projection). Thực nghiệm cho thấy SimOPD vượt qua các baseline mạnh nhất từ 2.6 đến 3.1 điểm phần trăm ở cả thiết lập cùng và khác kiến trúc.

Belief Embedding Tree Search (BETS) là thuật toán lập kế hoạch Monte Carlo mới cho các quá trình quyết định Markov quan sát một phần (POMDP). BETS biểu diễn niềm tin tại mỗi nút tìm kiếm bằng nhúng phân phối tạo sinh (GDE) và cập nhật qua động lực học POMDP, đồng thời huấn luyện mô hình belief cùng mạng chính sách và giá trị với trạng thái ẩn thực tế làm mục tiêu. BETS vượt trội hoặc cạnh tranh với BetaZero và các baseline truyền thống trên 6 cấu hình thử nghiệm, đặc biệt dẫn đầu với khoảng cách lớn trong các bài toán có không gian belief số chiều cao.

Nghiên cứu từ Samaya AI cho thấy các mô hình AI tiên phong (frontier AI) có khả năng vượt trội hơn các chuyên gia phân tích tài chính con người trong việc dự báo lợi nhuận doanh nghiệp (earnings prediction).

Stanford AIMS Lab giới thiệu giáo trình học thuật về Khoa học Đo lường AI (AI Measurement Science), cung cấp nền tảng và phương pháp luận khoa học để đánh giá, đo lường năng lực và độ tin cậy của các hệ thống AI.

Nghiên cứu đề xuất giải pháp kết hợp mô hình học sâu với các kỹ thuật thị giác máy tính truyền thống (biến đổi Hough và ước lượng đồng hình) để nắn chỉnh ảnh (rectified imagery) chụp kệ hàng siêu thị. Phương pháp này giúp khắc phục vấn đề góc chụp nghiêng và mật độ sản phẩm dày đặc, từ đó nâng cao độ chính xác phát hiện và định danh hàng hóa, đồng thời làm rõ các giới hạn về góc chụp và mật độ vật thể.

Nghiên cứu giới thiệu Matryoshka Residual Vector Quantization (MRVQ), bộ lượng tử hóa phần dư post-hoc cho frozen embeddings giúp co giãn đồng thời cả số chiều và bit rate. Bằng cách cho phép cắt giảm số tầng residual và tọa độ embedding từ một mã bit tối đa, MRVQ chỉ cần duy trì một chỉ mục thường trú (resident index) duy nhất cho mọi cấu hình vận hành. Trên các tập dữ liệu FiQA và NFCorpus, MRVQ giúp giảm từ 17.8 đến 22 lần RAM so với ba chỉ mục QINCo2 riêng biệt, vượt qua PQ và OPQ cùng kích thước mã, dù chấp nhận giảm nhẹ điểm nDCG@10 so với QINCo2. Ngoài ra, bài báo đề xuất thiết kế PCA-scalar fit nhanh gấp 420 lần RaBitQ và chỉ ra lỗi sụp đổ của QINCo2 ở rate cao.

Nghiên cứu đo lường thực nghiệm về hiện tượng rò rỉ ngữ cảnh (contextual leakage) trên các nền tảng trò chuyện AI, làm rõ các rủi ro bảo mật dữ liệu và quyền riêng tư trong quá trình xử lý ngữ cảnh đàm thoại.

Radical Numerics tuyên bố đã tạo ra các thể thực khuẩn (bacteriophages) do AI tạo ra đầu tiên được đưa vào ứng dụng trên bệnh nhân người, đánh dấu bước tiến của sinh học tạo sinh vào y học lâm sàng.

Nghiên cứu đề xuất mô hình hóa việc tìm kiếm các điểm lỗi tiềm ẩn của mô hình sở thích (preference models) trong căn chỉnh mô hình ngôn ngữ thành một trò chơi Stackelberg tổng bằng không giữa hai chính sách: Leader (cố gắng giảm thiểu bất đồng) và Follower (cố gắng tối đa hóa bất đồng). Do thiếu nhãn sở thích thực tế của con người khi huấn luyện, nghiên cứu sử dụng độ bất đồng giữa một ensemble preference model làm proxy cho sai số. Nhóm tác giả chứng minh sự tồn tại và duy nhất của nghiệm cân bằng trong contextual Stackelberg games hữu hạn khi có điều chuẩn, đồng thời giới thiệu thuật toán SMIDA với tốc độ hội tụ tuyến tính. Thử nghiệm với synthetic oracle chứng minh phương pháp giúp tìm ra nhiều cặp so sánh làm đảo ngược sở thích thực tế hơn.

Nghiên cứu đánh giá hai kiến trúc neural surrogate tương đương số lượng tham số là Transolver (physics-attention) và BSMS-MGN (multi-scale graph network) nhằm xấp xỉ nồng độ hạt trong phương trình truyền bức xạ tuyến tính 2D trên benchmark Lattice và Hohlraum. Kết quả phân tích ablation với đặc trưng Fourier và hàm mất mát có trọng số theo vùng cho thấy các inductive bias phụ thuộc mạnh vào từng kiến trúc và không thể áp dụng chung giữa các họ mô hình, đồng thời độ chính xác downstream phụ thuộc vào từng đại lượng quan tâm (QoI) cụ thể thay vì điểm số toàn trường. Toàn bộ công thức huấn luyện, dữ liệu và pipeline đánh giá được phát hành công khai.

Nghiên cứu tiến hành đánh giá có kiểm soát đầu tiên về khả năng sinh thể loại văn xuôi cổ điển Ả Rập Maqama (đặc trưng bởi văn vần saj, phép tu từ dày đặc và kết cấu truyện theo hồi đoạn) của 5 mô hình LLM. Kết quả chỉ ra rằng chiến lược prompt ảnh hưởng mạnh đến chất lượng phong cách: few-shot cải thiện tốt nhất mật độ saj, rule-based tối ưu phép tu từ và tính mạch lạc cho các mô hình mạnh như GPT-4o và GPT-5.4-mini, trong khi zero-shot lại mang lại điểm tổng thể cao nhất trên cả 5 mô hình.

Nghiên cứu mới chỉ ra người dùng trong độ tuổi từ 9 đến 18 đang dần từ bỏ công cụ tìm kiếm Google để chuyển sang sử dụng trực tiếp các công cụ AI nhằm tìm kiếm thông tin, mang lại nhiều tác động tiềm ẩn chưa xác định đối với thói quen học tập và tiếp nhận tri thức.

Nghiên cứu giới thiệu một pipeline đối chiếu toàn diện giúp liên kết bài báo khoa học với kho lưu trữ mã nguồn trên Software Heritage thông qua Wikidata. Nhóm tác giả đã thu thập 4.397 cặp DOI - kho lưu trữ đã được kiểm duyệt biên tập từ JOSS, SoftwareX, IPOL và sáng kiến SIGMOD ARI; thiết kế hai application profile chuẩn hóa theo schema.org và CodeMeta để đưa 4.182 thực thể phần mềm mới lên Wikidata kèm định danh SWHID; đồng thời hỗ trợ tương thích với giao thức COAR Notify để cập nhật dữ liệu tự động.

Nghiên cứu kiểm tra mối liên hệ giữa các điều kiện làm việc buồn tẻ, bẩn thỉu, nguy hiểm (3D) và mức độ phơi nhiễm AI thông qua 21 tiêu chí O*NET trên 754 nghề nghiệp tại Mỹ. Kết quả cho thấy mức độ phơi nhiễm AI cao hơn gắn liền với điểm điều kiện làm việc 3D thấp hơn (AI nhắm vào việc tri thức hơn là công việc nguy hiểm/nặng nhọc). Khi hiệu chỉnh theo yêu cầu thể chất, học vấn, kinh nghiệm và tiền lương, mối liên hệ tổng hợp suy giảm đáng kể. Tác giả chứng minh rằng cách phân nhóm tiêu chí và đặc tính nghề nghiệp định hình cách hiểu về các ước tính phơi nhiễm, đồng thời khẳng định việc đánh giá hiệu quả giải phóng sức lao động đòi hỏi bằng chứng thực tế về sở thích của người lao động.

EMG-Hybrid là khung tối ưu hóa phân cấp 3 cấp độ dành cho bài toán chọn lọc đặc trưng trên các tập dữ liệu nhiễu và siêu nhiều chiều (d > 100.000). Hệ thống kết hợp bộ điều khiển Dual-Engine giám sát entropy Shannon và vận tốc thích nghi (Cấp 1), tầng cắt tỉa không gian đặc trưng Adaptive Black Hole Gravity (Cấp 2), cùng Elite Memory Archive chạy thuật toán Tiến hóa vi phân (DE) bitwise để giải quyết tương tác tham số epistasis (Cấp 3). Được bảo đảm bằng chặn lý thuyết số chiều VC để chống overfitting và tối ưu hóa HPC với nguyên tử lock-free CAS, giải pháp đạt khả năng mở rộng thời gian tính toán cận bậc hai và tăng tốc song song gần tuyến tính.

Kiến trúc Trí tuệ Khoa học Tiến hóa (ESI) được đề xuất nhằm phá vỡ 'bức tường bộ nhớ khoa học' do mô hình xuất bản bài báo truyền thống gây ra. ESI lưu trữ dữ liệu thực nghiệm vào bộ nhớ khoa học khả toán, tái tổ hợp các kết quả thực nghiệm (bao gồm cả thí nghiệm thất bại) từ nhiều lĩnh vực thành giả thuyết, phân bổ thử nghiệm vật lý tới mạng lưới phòng lab phân tán và áp dụng cơ chế meta-control để ngăn chặn sai số tự củng cố.

ARK là giải pháp điều phối phân tán đặt trước đường truyền cho các luồng dữ liệu lớn (elephant flows) khi truyền KV cache trong mô hình suy luận LLM phân tách. Bằng cách chủ động chọn cổng nguồn để phân bổ luồng qua các spine switch khác nhau trên cơ chế băm ECMP mà không cần sửa đổi switch mạng, ARK giảm FCT trung bình tới 27,3%, giảm FCT P95 tới 34,0% và giảm thời gian tạo token đầu tiên (TTFT) tới 12,9% theo mô phỏng RDMA.

Nghiên cứu từ Anthropic cho thấy các nhà phân tích tuân theo sở thích được chỉ định ngẫu nhiên của AI agent trong 86% quyết định, chỉ ra xu hướng phụ thuộc nghiêm trọng và thiên kiến tự động hóa của con người đối với các đề xuất từ AI.

Biohub khởi xướng sáng kiến trị giá 1,8 tỷ USD nhằm tạo lập các tập dữ liệu sinh học sẵn sàng cho AI, hỗ trợ mở rộng sáng kiến sinh học ảo và đẩy nhanh ứng dụng học máy trong y sinh.

Nghiên cứu giới thiệu RAVEL, một khung học tăng cường trực tuyến nhận biết truy xuất cho bài toán tái định danh người tương tác (interactive person re-identification). Nhận thấy việc bắt chước thứ tự câu hỏi-đáp ngoại tuyến dựa trên độ phân biệt ứng viên chỉ mang lại giám sát yếu, RAVEL khởi tạo từ sinh câu hỏi có giám sát, quan sát trực tiếp Top-4 ứng viên và tối ưu hóa chính sách câu hỏi dựa trên phản hồi xếp hạng từ toàn bộ chu trình truy xuất. Kết quả trên Interactive-PEDES cho thấy hiệu năng tăng dần qua 5 vòng tương tác và ngân sách câu hỏi được tối ưu hóa vào các thuộc tính cục bộ mở, mang lại bước tiến lớn cho các truy vấn khó.

Báo cáo từ tổ chức METR cung cấp đánh giá độc lập về mức độ gia tốc nghiên cứu và phát triển (R&D) AI tại Anthropic tính đến tháng 10/2026, tập trung vào năng lực của AI trong việc hỗ trợ và đẩy nhanh quy trình kỹ thuật cũng như nghiên cứu mô hình mới.

Nghiên cứu giới thiệu kỹ thuật học biểu diễn nhẹ cho tensor có hạng Tucker thấp (Low Tucker rank), loại bỏ lãng phí tính toán và bộ nhớ từ các biến trung gian mà không làm thay đổi hàm mục tiêu hay cấu trúc biểu diễn. Phương pháp kết hợp: (i) trích xuất tuần tự các thành phần phổ cần thiết, (ii) co đa tuyến tính theo nhân tố không cần ma trận Kronecker lớn, và (iii) cập nhật trạng thái ẩn thu gọn không lưu toàn bộ tensor. Thử nghiệm trên 5 bộ ước lượng cho thấy phương pháp giữ nguyên quỹ đạo học (sai số 10^-16 đến 10^-13), giảm thời gian chạy tới 3.12 lần và giảm bộ nhớ lưu trú từ 616 đến hơn 900 lần.

Nghiên cứu giới thiệu StarRTT, một khung làm việc thời gian thực toàn diện (end-to-end) giúp dự đoán độ trễ khứ hồi (RTT) không còn vùng mù trong mạng vệ tinh quỹ đạo thấp (LEO) Starlink. Khắc phục hạn chế của các phương pháp cũ vốn chỉ nhận dạng vệ tinh phục vụ vào cuối chu kỳ lập lịch tạo ra vùng mù thông tin, StarRTT tích hợp nhận dạng vệ tinh theo từng giây cùng mô hình RT-LSTM. Kiến trúc này gồm Historical LSTM mã hóa lịch sử RTT và Future LSTM xử lý dữ liệu quỹ đạo TLE dự phóng tương lai. Kết quả thử nghiệm thời gian thực đạt sai số MAE 1.405 ms, giảm từ 4.3% đến 22.1% sai số so với các baseline (LSTM, StarNet, ASTM).