Research

Pluralis là nghiên cứu đề xuất một bộ benchmark đa văn hóa, đa phương thức và đa ngôn ngữ nhằm đánh giá toàn diện các rủi ro an toàn của mô hình AI trong bối cảnh toàn cầu.

Theo thông tin từ Google Research, nhóm nghiên cứu giới thiệu 'Diffusion Controller' với mục tiêu thống nhất và đơn giản hóa quy trình tạo hình ảnh bằng AI dựa trên mô hình khuếch tán. Dựa trên dữ liệu cung cấp, phương pháp này hướng tới việc tinh giản cơ chế kiểm soát sinh ảnh, giúp giảm sự phân mảnh giữa các phương pháp điều khiển hiện có. Tuy nhiên, vì dữ liệu đầu vào chỉ bao gồm tiêu đề và liên kết bài viết, các chi tiết cụ thể về kiến trúc kỹ thuật, mã nguồn và kết quả thử nghiệm định lượng hiện chưa được công bố đầy đủ trong tài liệu.

TTLab giới thiệu giải pháp gắn nhãn bề mặt (surface tagger) cho bài toán phát hiện và phân loại vùng lỗi dịch máy tiếng Ả Rập tại AlexandriaX-2026 Subtask 3. Hệ thống mô hình hóa tác vụ dưới dạng phân loại cấp token trên bề mặt từ và giữ nguyên character offsets. Nhờ kết hợp focal loss, đánh trọng số lớp, ngưỡng giải mã theo phương ngữ và encoder MARBERTv2, hệ thống đạt điểm test 40.91 (xếp hạng 3 toàn cuộc thi) và đã mở mã nguồn hoàn toàn.

Bài báo trên Nature thảo luận về sự phát triển của các hệ thống AI đồng khoa học gia (AI co-scientists) đang định hình lại phương pháp tiến hành nghiên cứu khoa học. Xu hướng này hướng tới việc sử dụng các mô hình và tác tử AI để tham gia sâu vào các giai đoạn của quy trình nghiên cứu như xây dựng giả thuyết, rà soát tài liệu và phân tích dữ liệu.

CIBuzzBench là bộ benchmark đầu tiên đánh giá năng lực hiểu xuyên ngôn ngữ Trung - Anh của các mô hình ngôn ngữ lớn (LLM) đối với từ ngữ thịnh hành trên mạng xã hội Trung Quốc (buzzwords). Bộ dữ liệu gồm 3.001 từ lóng được gán nhãn giải thích nghĩa tiếng Anh, từ tương đương tiếng Anh, danh mục chủ đề và mức độ độc hại. Đánh giá trên các LLM tiên tiến qua ba tác vụ cho thấy các mô hình vẫn gặp nhiều khó khăn trong việc hiểu nghĩa bóng, xử lý nhiễu khi ghép từ và phát hiện nội dung độc hại được ẩn giấu qua chơi chữ hay nói giảm nói tránh.

Nghiên cứu đề xuất mô hình 'grassroots contracts' (hợp đồng cơ sở) - phiên bản số hóa từ tư tưởng của Pierre-Joseph Proudhon - nhằm giải quyết ba rủi ro AI nghiêm trọng trên các nền tảng số: AI chiếm quyền kiểm soát nền tảng toàn cầu, tác tử AI ẩn danh vô trách nhiệm và deepfake không rõ nguồn gốc. Nhóm tác giả giới thiệu giải pháp đồ thị xã hội gắn trách nhiệm cho AI agent, mạng xã hội xác thực nguồn gốc nội dung số (digital provenance) và các ứng dụng smartphone hoạt động thực tế để chứng minh tính khả thi.

ArSciKids là bộ dữ liệu tiếng Ả Rập đầu tiên bám sát chương trình khoa học tiểu học (lớp 1-6), gồm 999 thí nghiệm từ SGK chính thức (Ả Rập Xê Út, Syria, Jordan) và 2.167 câu hỏi trắc nghiệm từ nền tảng Manhaji. Toàn bộ dữ liệu được tuyển chọn thủ công từ nội dung thực tế, có cấu trúc chi tiết, được đánh giá thực nghiệm qua LoRA trên 10 mô hình mở cùng đánh giá con người theo 5 tiêu chí.

Nghiên cứu giải quyết bài toán tối ưu ngân sách gán nhãn để phát hiện nhanh chóng sự gia tăng rủi ro của mô hình đang triển khai trong khi vẫn kiểm soát được tỷ lệ cảnh báo sai. Tác giả chứng minh rằng mọi quy tắc chỉ dựa trên lịch sử nhãn đều chịu độ trễ Lorden xấu nhất ít nhất (1/h(r) + 1/c)log A do phải chờ nhãn. Ngược lại, quy tắc sử dụng biến đầu vào miễn phí (free covariates) để kích hoạt gán nhãn giúp giảm độ trễ về log A / h(r), tiết kiệm ít nhất 1/b vòng lặp. Để ứng phó với trường hợp rủi ro tăng mà đầu vào không đổi, một quy tắc lai (hybrid rule) được đề xuất, dù cơ chế này có nguy cơ tiêu tốn ngân sách khi gặp dịch chuyển đầu vào vô hại.

Nghiên cứu khảo sát khả năng suy luận thường thức về thời lượng lưu trú (duration commonsense reasoning: rời đi, ở lại vài ngày, hay sinh sống) của các mô hình thị giác - ngôn ngữ (VLM) thông qua dữ liệu mạng xã hội kèm định vị được đồng gán nhãn bởi người và LLM. Kết quả cho thấy các mô hình SOTA hiện nay vẫn gặp nhiều hạn chế dù có Chain-of-Thought prompting, do quá phụ thuộc vào chi tiết thị giác bề nổi mà bỏ qua ngữ cảnh và sắc thái ngữ nghĩa.

CASE (Confusion-Aware Skill Evolution) là khung agent-skill đầu tiên cho bài toán Nhận dạng Cảm xúc Đa phương thức (MER). Thay vì tinh chỉnh toàn bộ tham số tốn kém, CASE duy trì một thư viện EmotionSkills thưa và tự tiến hóa, tập trung xử lý các cặp cảm xúc dễ gây nhầm lẫn mà không cần rã đông mô hình nền tảng (frozen MLLMs). Khi suy luận, kỹ năng phù hợp được truy xuất động để củng cố khả năng phân định ranh giới cảm xúc, giúp Qwen3-VL-8B tăng độ chính xác từ 46.80% lên 59.13% trên benchmark CA-MER và dễ dàng chuyển giao qua nhiều MLLM khác.

Nhà toán học Trung Quốc Sun Zhiwei đề xuất 1.000 bài toán chuyên sâu nhằm thách thức và đánh giá giới hạn suy luận toán học của các hệ thống AI hiện đại.

InCLAD là một benchmark học liên tục (continual learning) mới dành cho bài toán phát hiện dị thường thị giác công nghiệp. Khác với các benchmark truyền thống vốn chỉ đánh giá tĩnh trên từng tập dữ liệu độc lập, InCLAD mô hình hóa quá trình triển khai thực tế dưới dạng bài toán task-incremental bán giám sát (semi-supervised), trong đó mỗi linh kiện công nghiệp là một tác vụ được đưa vào tuần tự. Benchmark cung cấp nhiều kịch bản đa dạng (ngẫu nhiên, từ dễ đến khó, từ khó đến dễ, đơn và đa tập dữ liệu) và đánh giá toàn diện ở cả hai cấp độ: phát hiện dị thường toàn ảnh và định vị dị thường cấp điểm ảnh, mở đường cho việc nghiên cứu khả năng lưu giữ tri thức và thích ứng trong môi trường sản xuất biến động.

Nghiên cứu giới thiệu Tab-Loop cho mô hình nền tảng dữ liệu bảng, thay thế 12 khối học theo ngữ cảnh (ICL) độc lập của TabICLv2 bằng 4 khối chia sẻ trọng số (tied blocks) áp dụng lặp k lần. Với cùng chi phí tính toán huấn luyện (18.2 EFLOP) và suy luận, Tab-Loop giảm 62% số tham số (10.4M so với 27.6M) nhưng vẫn đạt kết quả tương đương hoặc nhỉnh hơn trên 200 tập dữ liệu TALENT (84.10% vs 83.92%) và TabArena (Elo 1409 vs 1396). Kết quả khẳng định giai đoạn ICL của mô hình bảng cần độ sâu tính toán hơn là các tham số độc lập, đồng thời cho phép linh hoạt điều chỉnh độ sâu tại thời điểm suy luận.

Nghiên cứu từ Đại học California, Riverside (UCR) phát hiện hướng tiếp cận mới cho phép các mô hình AI tự nhận diện và gắn cờ cảnh báo đối với các câu trả lời mà chúng còn nghi ngờ, giúp nâng cao độ tin cậy và giảm thiểu rủi ro ảo giác.

Nghiên cứu thiết lập giao thức Leave-One-Domain-Out (LODO) cho bài toán phân loại cạnh trên đồ thị động gắn thuộc tính văn bản (DyTAGs). Tác giả chỉ ra các phương pháp tự giám sát hiện tại thất bại khi chuyển giao sang miền dữ liệu mới, thậm chí kém hơn mô hình đường cơ sở Bag of Events (BoE) chỉ sử dụng văn bản. Để giải quyết, tác giả đề xuất Spatio-Temporal Semantic Alignment (STSA) kết hợp mã hóa không-thời gian và huấn luyện Contrastive Semantic Forecasting để neo biểu diễn cạnh vào không gian văn bản từ PLM, đạt hiệu quả vượt trội.

Bài viết từ Electronic Frontier Foundation (EFF) chỉ ra rằng việc tích hợp AI vào ứng dụng nhắn tin bảo mật vẫn tồn tại xung đột sâu sắc với quyền riêng tư, bất chấp những hứa hẹn từ môi trường thực thi tin cậy (TEEs). Dù TEEs được kỳ vọng giúp xử lý dữ liệu an toàn trên đám mây, các rủi ro về bề mặt tấn công và nguy cơ phá vỡ nguyên lý mã hóa đầu cuối (E2EE) vẫn là thách thức chưa thể khắc phục hoàn toàn.

Nghiên cứu giới thiệu Reciprocal Q-Augmentation (RQA), phương pháp học tăng cường đa tác tử (MARL) trong các trò chơi tổng bất kỳ (general-sum games). RQA sử dụng mô hình đối thủ biến ẩn để bổ trợ hàm Q bằng ước tính tác động của hành động bản thân lên đối phương mà không cần chia sẻ phần thưởng hay trạng thái nội bộ. Cơ chế này giúp tác tử học đồng thời cả chính sách hợp tác lẫn phản bội từ hàm Q nội tại, đạt mức độ hợp tác nhanh và cao hơn các phương pháp chia sẻ phần thưởng, đồng thời có khả năng dẫn dắt các tác tử RL tiêu chuẩn chuyển sang hợp tác.

HashSmash là bộ benchmark mã nguồn mở do Layr Labs phát triển nhằm đánh giá năng lực của AI trong việc hỗ trợ rà soát và thẩm định các tuyên bố về va chạm mật mã học (cryptanalytic collision claims).

Nghiên cứu tái định hình bài toán Nhận diện Cảm xúc Qua Âm thanh (AER) truyền thống—vốn thường chỉ gán một nhãn duy nhất cho toàn bộ tệp ghi âm—thành bài toán Định vị Cảm xúc Theo Thời gian (Temporal Affective Grounding - TAG). Phương pháp mới này liên kết nhãn cảm xúc với từng mốc thời gian phát ngôn cụ thể và mô tả âm điệu giọng nói. Tác giả đã xây dựng tập dữ liệu đa đoạn phát ngôn cảm xúc (từ 2 đến 4 đoạn, gồm cả tiếng nói đè nhau) và giới thiệu mục tiêu huấn luyện Masked Temporal Affective Grounding (M-TAG). M-TAG kết hợp language modeling với các hàm mất mát cross-entropy cho cảm xúc và thời gian (có trọng số phạt theo khoảng cách sai lệch), đồng thời dùng attention masking để ngăn mô hình lợi dụng mô tả âm điệu làm 'lối tắt' dự đoán. Mô hình tinh chỉnh EMO-TAG cho thấy sự vượt trội rõ rệt về năng lực định vị cảm xúc theo thời gian so với các baseline như Flamingo-Next, Audio-Reasoner và AffectGPT.

Nghiên cứu giới thiệu SeLATM, một khung mô hình hóa chủ đề dựa trên LLM giải quyết hạn chế của các phương pháp gán chủ đề hiện nay. Bằng cách kết hợp tạo chủ đề ở cấp độ phân đoạn và tinh chỉnh thông qua vòng lặp phản hồi tác tử, SeLATM giúp trích xuất phân bổ chủ đề chi tiết trên văn bản và giảm mạnh tài nguyên LLM tiêu thụ nhưng vẫn duy trì độ chính xác cao.

Bản đồ tổng hợp 68 chương trình và cơ hội việc làm trong lĩnh vực nghiên cứu an toàn AI, được chia thành 9 phần bao gồm chương trình nghiên cứu, tổ chức nghiên cứu, đánh giá & red-teaming, chính sách & quản trị, chuyển đổi nghề nghiệp, tài trợ, khóa học, danh mục và tài liệu đọc. Dữ liệu về thời hạn và mức trợ cấp đã được xác minh từ nguồn sơ cấp.

Nghiên cứu về lịch trình bộ tối ưu hóa học (learned optimizer schedules) cho bài toán thư giãn liên tục MAX-CUT chỉ ra rằng cơ chế kết hợp trạng thái (state coupling) là yếu tố quyết định khả năng tổng quát hóa ngoài phân phối (OOD). Lịch trình song tuyến tính thích ứng trạng thái (bilinear schedule) tổng quát hóa tốt OOD và vượt qua baseline chưa huấn luyện qua 15 seed (t = 4.1). Ngược lại, biến thể cộng tính (additive ablation) dù đạt kết quả tương đương bilinear trong phân phối huấn luyện nhưng lại kém hơn baseline khi chạy OOD (t = -11.7). Khác biệt này tồn tại độc lập với regularization và duy trì qua 30 vòng quét weight-decay, khẳng định cấu trúc đưa trạng thái vào lịch trình (nhân tính thay vì cộng tính) là yếu tố kiến trúc then chốt cho việc chuyển giao OOD.

Dự án/nghiên cứu 'Peerless' từ Đại học Harvard (trang của GS. Gary King) đưa ra nhận định rằng đánh giá bài báo bằng AI vượt trội hơn bình duyệt ngang hàng của con người ở điều kiện tối ưu nhất. Tuy nhiên, thông tin chi tiết về phương pháp thực nghiệm chưa được làm rõ trong trích đoạn.

Nghiên cứu đề xuất một khung khái niệm (conceptual framework) gồm các chiều chính và phụ để định danh đặc tính và phân tích hiệu quả của các kỹ thuật RAG hiện có dựa trên tổng hợp tài liệu học thuật. Khung này hoạt động như một cơ chế lọc tiền thực nghiệm, giúp kỹ sư và nhà nghiên cứu chọn lọc các giải pháp RAG phù hợp nhất với yêu cầu bài toán trước khi phải đầu tư chi phí lớn cho đo kiểm thực nghiệm.