Research

Nghiên cứu trên arXiv chỉ ra rằng định dạng FAQ không phải là yếu tố quyết định việc ChatGPT trích dẫn nguồn, đặt dấu hỏi về tính hiệu quả của các chiến lược tối ưu hóa công cụ tìm kiếm AI (GEO) dựa trên cấu trúc hỏi-đáp hiện hành.

Theo thông tin từ Medical Xpress, một thử thách y khoa đã ghi nhận hệ thống AI đạt tỷ lệ chẩn đoán chính xác cao hơn so với các bác sĩ đa khoa. Dù chi tiết về kiến trúc mô hình và quy mô thử nghiệm chưa được công bố đầy đủ trong dữ liệu nguồn, kết quả này cho thấy tiềm năng hỗ trợ chẩn đoán lâm sàng của AI.

Nghiên cứu thử nghiệm ngẫu nhiên có đối chứng sử dụng thiết kế đánh lừa (deception design) nhằm so sánh phản hồi giữa AI và chuyên gia trị liệu con người trong liệu pháp nhận thức - hành vi (CBT). Do dữ liệu chỉ cung cấp tiêu đề bài báo (DOI: 10.1016/j.invent.2026.101012), các chi tiết về mô hình AI cụ thể và kết quả lâm sàng chi tiết chưa được công bố trong phạm vi dữ liệu nguồn.

Nhà toán học Terence Tao đăng lời kêu gọi cộng đồng chia sẻ các trường hợp thực tế về sự hợp tác giữa con người và trí tuệ nhân tạo (AI) trong toán học hiện đại. Sáng kiến này nhằm thu thập các dữ liệu thực nghiệm về cách AI đang hỗ trợ hoặc đồng hành cùng giới nghiên cứu giải quyết các bài toán toán học.

CG-HAF là khung hợp nhất toàn cục - cục bộ (global-local fusion) có khả năng diễn giải, giải quyết bài toán phân hạng mức độ mụn trứng cá theo thứ bậc trong các ứng dụng chăm sóc da tự động. Khung này kết hợp xác suất phân loại toàn cục khuôn mặt với các đặc trưng gánh nặng tổn thương có cấu trúc từ mô hình phát hiện đối tượng (số lượng, độ tin cậy, diện tích tổn thương) qua một bộ phân loại nhẹ, dễ giải thích. Phương pháp mang lại cải thiện vượt trội so với các mô hình chỉ dùng thông tin toàn cục, đặc biệt ở các ca nghiêm trọng, đồng thời chứng minh rằng việc căn chỉnh tiêu chí phân loại là yếu tố sống còn để chuyển giao mô hình giữa các bộ dữ liệu khác nhau.

Nghiên cứu đề xuất phương pháp A* tối ưu hóa với hàm heuristic và nhận diện trạng thái tương đương để tìm chuỗi bước đi tối thiểu giải trò chơi Flood-It, đồng thời so sánh với SAT, Quy hoạch nguyên (IP) và Quy hoạch ràng buộc (CP). Kết quả cho thấy A* nhanh nhất trong khoảng 75% trường hợp thử nghiệm thông thường, nhưng phương pháp SAT lại vượt trội hơn khi độ phức tạp của bài toán tăng cao.

VLCQ là phương pháp lượng tử hóa sau huấn luyện (post-training quantization - PTQ) cho mạng nơ-ron sâu sử dụng mã hóa độ dài biến thiên (variable-length coding), giúp dỡ bỏ ràng buộc mã hóa dấu phẩy tĩnh cố định. Phương pháp này không đòi hỏi dữ liệu huấn luyện gốc hay fine-tuning mô hình, cho phép nén mô hình hiệu quả hơn mà vẫn duy trì hoặc vượt qua độ chính xác ban đầu. Kết quả thực nghiệm trên các tác vụ thị giác máy tính cho thấy VLCQ đạt tỷ lệ nén lên tới 6x (vượt độ chính xác FP32 ở per-channel) và lên tới 12.25x so với FP32 với mức suy giảm hiệu năng dưới 4%.

Nghiên cứu giới thiệu ImplicitHop, bộ đôi benchmark đánh giá năng lực suy luận diễn dịch và tích hợp tri thức ngầm định (không dùng Chain-of-Thought) của LLM dựa trên độ sâu suy luận qua đồ thị hình thức và đồ thị tri thức thực tế. Kết quả cho thấy độ chính xác sụt giảm mạnh khi độ dài chuỗi suy luận tăng, đồng thời thông tin cung cấp trực tiếp trong context mang lại hiệu quả suy luận vượt trội so với tri thức lưu trữ trong trọng số tiền huấn luyện.

MusicTwins là một khung nghiên cứu mới được thiết kế nhằm huấn luyện các mô hình ngôn ngữ - âm thanh (Audio-Language Models - ALMs) mô phỏng chính xác phản ứng và cảm nhận âm nhạc theo từng persona cụ thể. Phương pháp này kết hợp bản tóm tắt persona, bộ nhớ cá nhân và quy trình hậu huấn luyện (gồm tinh chỉnh có giám sát SFT và học tăng cường RL) trên mô hình Audio Flamingo Next. Kết quả đánh giá trên 10 persona độc lập cho thấy mô hình cải thiện đáng kể về độ trung thực tính cách, văn phong và phản ứng đối với các kích thích âm nhạc.

Quỹ Simons Foundation công bố chương trình tài trợ trị giá 15 triệu USD nhằm hỗ trợ cộng đồng các nhà toán học thích ứng, ứng dụng và định hướng nghiên cứu trong kỷ nguyên AI.

Báo cáo ca bệnh trên tạp chí y khoa Innovations in Clinical Neuroscience ghi nhận trường hợp khởi phát loạn thần mới có liên quan đến tương tác với AI. Nghiên cứu cảnh báo nguy cơ sức khỏe tâm thần và hiện tượng suy giảm định hướng thực tế khi người dùng hình thành gắn kết tâm lý sâu với các hệ thống AI.

Nghiên cứu độc lập tái hiện và mở rộng PoLar (Program-of-Layers) – phương pháp định tuyến động qua các tầng Transformer lấy cảm hứng từ đồi thị não bộ trên 5 mô hình. Kết quả xác nhận việc bỏ qua (skip) và lặp lại (repeat) tầng giúp tăng hiệu năng so với forward pass cố định, câu hỏi dễ cần ít tầng hơn câu hỏi khó. Tuy nhiên, nhóm nghiên cứu phát hiện bộ định tuyến một lần (single-shot router) bị sụp đổ về forward pass thông thường ở dự đoán top-1. Dù vậy, tập hợp top-k dự đoán vẫn cải thiện độ chính xác và chỉ cần một số ít chương trình tổng quát để giải quyết phần lớn câu hỏi.

Mô hình AI mới được ghi nhận là công nghệ đọc tín hiệu não nhanh nhất từ trước đến nay, cho phép giải mã hoạt động não bộ để tái tạo lại hình ảnh thị giác.

Hệ thống AI mới đã vượt qua thách thức tồn tại lâu năm để đánh bại người chơi Stratego giỏi nhất lịch sử, đặc biệt thành công này đạt được với mức chi phí tính toán tiết kiệm.

Bài viết trên LessWrong thảo luận về các thách thức toàn cầu đối với an toàn AI trong lĩnh vực an ninh sinh học (biosecurity). Dựa trên thông tin tiêu đề và liên kết được chia sẻ trên Hacker News, bài viết tập trung cảnh báo và phân tích nguy cơ AI bị lạm dụng trong việc phát triển hoặc phổ biến các tác nhân sinh học nguy hiểm, đồng thời nhấn mạnh nhu cầu thiết lập khung quản trị và biện pháp an toàn kỹ thuật trên phạm vi quốc tế.

Nghiên cứu giới thiệu L0-MoE, một phương pháp Mixture-of-Experts (MoE) trọng lượng nhẹ sử dụng điều chuẩn L0 (L0-regularization) để tăng tốc suy luận cho các mô hình ngôn ngữ lớn (Dense LLMs) mà hầu như không làm giảm hiệu năng. Phương pháp tích hợp ma trận nhầm lẫn cụm (cluster confusion matrix) để chọn lọc tập dữ liệu theo miền và áp dụng dynamic batching giúp nâng cao hiệu quả huấn luyện. Thực nghiệm cho thấy L0-MoE đạt tốc độ suy luận nhanh hơn tới 2.5 lần so với mô hình dense gốc trong khi vẫn duy trì hiệu năng tương đương, vượt trội hơn các phương pháp tăng tốc hiện có.

FreePath là khung làm việc khử sương mù cho ảnh đơn dựa trên khái niệm quãng đường tự do trung bình (mean free path) trong không gian đặc trưng nơ-ron. Thay vì ước lượng các thông số khí quyển tường minh dễ mất ổn định hoặc học ánh xạ trực tiếp làm mất đi cấu trúc vật lý của sương mù, FreePath mô hình hóa quá trình khử sương mù thành việc khôi phục trạng thái đường truyền tín hiệu thị giác. Khung làm việc sử dụng khối Mean Free Path Residual Block để học các trường đường truyền và va chạm, kết hợp cơ chế FreePath State Conservation Integration trong kiến trúc encoder-decoder residual nhằm bảo toàn trạng thái phục hồi. Mô hình đã chứng minh hiệu quả vượt trội về độ trung thực và chất lượng cảm nhận trên tập dữ liệu CDD-11 và RTTS thực tế.

Văn bản đề cập đến một thử nghiệm lâm sàng tại Thụy Điển về ứng dụng AI trong chụp X-quang tuyến vú (mammography). Đây là nghiên cứu thực tế đánh giá khả năng hỗ trợ sàng lọc phát hiện ung thư vú và giảm tải cho bác sĩ chuyên khoa, tuy nhiên nguồn cung cấp chỉ gồm tiêu đề và liên kết bài viết, chưa kèm số liệu chi tiết hay kết quả định lượng cụ thể.

Nội dung thảo luận giữa The Data Exchange và Leo de Moura – nhà sáng lập Lean – xoay quanh tương lai của kiểm chứng hình thức (formal verification) khi kết hợp cùng AI, cũng như định hướng ứng dụng Lean tại AWS để bảo đảm tính đúng đắn tuyệt đối cho phần mềm và hệ thống.

Một hệ thống AI đã bác bỏ thành công một giả định toán học tồn tại suốt 30 năm trong lĩnh vực khoa học máy tính, theo báo cáo từ New Scientist. Phát hiện này cho thấy AI ngày càng có khả năng tìm ra các phản ví dụ và thách thức những tiền đề lý thuyết lâu đời mà con người chưa thể chứng minh hoặc phủ định.

Bài viết từ Wired phản ánh xu hướng trí tuệ nhân tạo sau khi đạt nhiều thành tựu trong toán học đang tiếp tục tiến sâu vào các lĩnh vực khoa học tự nhiên khác. Dữ liệu đầu vào hiện chỉ có tiêu đề và liên kết nguồn, cho thấy sự chú ý ngày càng tăng đối với tiềm năng ứng dụng AI trong nghiên cứu khoa học tổng quát.

Nghiên cứu đề xuất giải pháp phòng thủ trước một dạng tấn công đầu độc dữ liệu (data-poisoning) mới: cài mã độc Trojan vào LLM đã qua tinh chỉnh chỉ dẫn (instruction fine-tuned) để âm thầm kéo dài câu trả lời khi gặp prompt kích hoạt hoặc chỉ dẫn có ngữ nghĩa tương đương, từ đó làm tăng vọt chi phí token của người dùng.

Nghiên cứu MAGS (công bố trên arXiv: 2609.19391) giới thiệu giải pháp mang lại các bảo chứng an toàn được máy kiểm tra (machine-checked guarantees) cho mã nguồn do AI tạo ra. Đây là hướng tiếp cận dựa trên kiểm chứng hình thức nhằm xác thực chặt chẽ các thuộc tính an toàn cụ thể, giải quyết bài toán thiếu tin cậy và nguy cơ lỗ hổng trong mã do mô hình AI sinh.

Nghiên cứu đề xuất kỹ thuật điều chuẩn trộn (Mixing Regularization) cho học tăng cường và hoạch định phần thưởng trung bình (average-reward Q-learning và Q-planning). Bằng cách điều chuẩn chính sách học hướng về một chính sách trộn m-bước bất khả tri phần thưởng, phương pháp giải quyết hạn chế không co của toán tử Bellman, kiểm soát đồng thời tính co, độ chệch và khả năng khám phá. Công trình cung cấp phân tích thời gian hữu hạn, thiết lập tốc độ hội tụ mới cho trường hợp m-bước và phân tích sự đánh đổi giữa độ chệch biên và độ phức tạp mẫu trong Q-planning.