Research

Nghiên cứu đề xuất quy trình đánh giá AI phân tách (disaggregated AI evaluation) kết hợp Small Area Estimation và Prediction-Powered Inference (PPI). Tác giả giới thiệu hai bộ ước lượng: Prediction-Powered Smoothing (PP-S) dùng mô hình Bayesian và PP-TS mượn sức mạnh qua cấu trúc phân loại (taxonomy), cùng điểm số cross-validation dựa trên thiết kế mẫu xấp xỉ không chệch. Phương pháp giúp cải thiện độ chính xác ước lượng điểm và khoảng tin cậy trên các miền dữ liệu ít nhãn, đạt độ bao phủ danh định và tối ưu ngân sách gán nhãn trên cả benchmark lẫn traffic agent thực tế.

Nghiên cứu chỉ ra điểm nghẽn 'learning cliff' của RLVR: khi mọi rollout trên bài toán khó đều thất bại, các thuật toán như GRPO/RLOO rơi vào zero advantage, trong khi dữ liệu chuyên gia thông thường lại gây lệch phân phối nghiêm trọng. Để khắc phục, nhóm tác giả đề xuất PICO (Policy-Compatible Reinforcement Learning), sử dụng cơ chế giải mã kết hợp có ràng buộc (joint decoding) và dynamic top-k để tạo ra quỹ đạo vừa đúng vừa tương thích phân phối với mô hình học sinh, sau đó tối ưu qua mục tiêu mixed-behavior với importance sampling.

Nghiên cứu từ NVIDIA giới thiệu mô hình đồng tạo sinh chuyển động 3D và video cho cấu trúc khung xương (rig) bất kỳ, đồng thời ước tính góc quay camera để khớp chuyển động vào không gian 3D. Bằng cách tách biệt mô hình chuyển động 3D và gắn kết với mô hình video tiền huấn luyện qua các lớp cross-attention gọn nhẹ, hệ thống cho phép sinh hoạt ảnh cho nhiều loại sinh vật/robot từ văn bản, chuyển đổi hai chiều giữa video và chuyển động rig, cũng như hỗ trợ điều khiển hoạt ảnh dựa trên keyframe từ tập dữ liệu gần 200K mẫu huấn luyện.

Nghiên cứu thực địa trên 759 sinh viên MBA chỉ ra rằng việc luyện tập trước giờ học với đối tác AI bằng giọng nói giúp tăng 31% số lượt phát biểu tự nguyện trên lớp. Công cụ giúp sinh viên tự tin hơn và nâng cao cảm nhận học hỏi, dù không làm tăng sự tập trung hay động lực.

Nghiên cứu giới thiệu GALA (Gaussian Animation via Linear Approximation), phương pháp chưng cất giúp khắc phục nút thắt suy luận nơ-ron nặng nề khi tạo hoạt ảnh avatar 3D Gaussian thời gian thực. GALA chứng minh hoạt ảnh avatar có thể xấp xỉ hiệu quả bằng tổ hợp tuyến tính của các blendshape không phụ thuộc danh tính, từ đó thay thế bộ giải mã nơ-ron từng khung hình bằng mạng MLP nông kết hợp block-local PCA. Phương pháp giảm tải chi phí CPU tới 1000 lần, đạt 60 fps trên thiết bị di động mà không cần train lại mô hình gốc.

Nghiên cứu giới thiệu UMM-Reflection, một phương pháp học tăng cường xen kẽ (interleaved RL) giúp mô hình đa phương thức hợp nhất tự chẩn đoán và sửa lỗi các ảnh do chính nó tạo ra qua chu trình lặp (phản tư - kết xuất - đánh giá). Thay vì dựa vào SFT hay RL ngây thơ từng phần, UMM-Reflection cập nhật đồng thời cả văn bản phản tư lẫn các bước sửa đổi ảnh flow-based qua một trajectory-level advantage duy nhất từ các quỹ đạo anh em, lan truyền tín chỉ qua nhiều vòng mà không cần bất kỳ mô hình verifier bên ngoài nào trong lúc suy luận. Phương pháp giúp tăng 12.05 điểm GenEval trên BAGEL và chuyển giao vượt trội trên các benchmark độc lập như WISE, OneIG-Bench và T2I-CompBench++.

InGuard là khung an toàn nội bộ (Inner Guardrail) cho các mô hình sinh ảnh từ văn bản (T2I), can thiệp trực tiếp vào không gian biểu diễn nội bộ mà không cần chỉnh sửa trọng số mô hình gốc. Hệ thống phân loại mức độ rủi ro prompt từ text encoder có sẵn, sử dụng cơ chế SAGE để điều chỉnh embedding của prompt rủi ro giúp sinh ra ảnh an toàn thay vì từ chối, và áp dụng bộ dò latent giữa quá trình khử nhiễu để dừng sớm khi phát hiện vi phạm. Thử nghiệm trên 5 mô hình open-weight với benchmark RevGen cho thấy InGuard đạt tỷ lệ an toàn 97,9-98,8%, bỏ qua được 50-55,6% số bước khử nhiễu bị lãng phí và giảm 3,7 lần tham số phụ trợ so với guardrail truyền thống.

Nghiên cứu chỉ ra 'Bẫy khoảng cách gần' (Proximity Trap) trong LLM ngữ cảnh dài, giải thích rằng việc bỏ sót bằng chứng ở xa bắt nguồn từ sự cạnh tranh chú ý của thông tin nền lân cận không liên quan hơn là do khoảng cách token đơn thuần. Tác giả đề xuất LYRA — cơ chế khớp hướng phân phối t giúp tái phân bổ sự chú ý vào bằng chứng quan trọng mà vẫn giữ thông tin vị trí tương đối, đồng thời công bố benchmark ProxBench để đánh giá hiện tượng này.

InfoPPO đề xuất tái tham số hóa tiến trình thời gian trong mô hình MDP bằng mật độ thông tin thay vì đếm token thô truyền thống khi huấn luyện RLVR cho LLM. Phương pháp này kết hợp cơ chế adaptive clipping theo trạng thái và khôi phục hiệu quả của việc chiết khấu trong suy luận chuỗi dài, giúp duy trì độ chính xác và độ dài câu trả lời ổn định trên các mô hình Qwen3 qua các bài kiểm tra toán học thi đấu.

HIL-UMI là khung làm việc hậu huấn luyện có con người can thiệp (Human-in-the-Loop) cho mô hình Vision-Language-Action (VLA) sử dụng Universal Manipulation Interface (UMI) cầm tay mà không cần chạy trực tiếp trên robot vật lý. Trong quá trình thao tác, hệ thống truy vấn policy song song trên cùng luồng quan sát, dùng Energy Score để phát hiện trạng thái lệch phân phối (OOD) nhằm kích hoạt thu thập dữ liệu có chủ đích, đồng thời tinh chỉnh hàm ước lượng lợi thế để dẫn đường cho quá trình Advantage-conditioned Behavioral Cloning. Phương pháp vượt trội hơn SFT và HG-DAgger trên các tác vụ thực tế với thời gian thu thập tối ưu hơn.

Nghiên cứu giới thiệu Context--Answer Metamodels cho phép dự báo trực tiếp các activation (trung bình gộp - mean-pooled) của câu trả lời từ chuỗi activation của ngữ cảnh đầu vào trước khi token đầu tiên được tạo ra. Phương pháp này giúp nắm bắt độ biến thiên của câu trả lời dưới giải mã ngẫu nhiên mà không cần chạy nhiều autoregressive rollout tốn kém, tổng quát hóa zero-shot với dữ liệu ngoài miền (huấn luyện trên 500.000 prompt), bảo toàn tín hiệu dự đoán hành vi, đồng thời có khả năng chuyển giao dự báo qua các mô hình khác nhau (như từ Qwen2.5 sang Qwen3.5 và Gemma 4).

Nghiên cứu giới thiệu PEARL (Prefix-Expanded Adversarial Reinforcement Learning) – một biến thể của GRPO giúp ức chế bền vững các hành vi sai lệch ở mô hình ngôn ngữ lớn sau huấn luyện. Bằng cách mở rộng rollout từ các trạng thái trung gian của quỹ đạo lệch chuẩn, PEARL loại bỏ hiệu quả cả hành vi sai lệch hẹp lẫn rộng trên Qwen3-4B và GPT-OSS-20B mà vẫn duy trì năng lực cốt lõi và không bị tái phát khi tiếp tục fine-tune.

MedPhysBench là bộ benchmark đánh giá các mô hình ngôn ngữ lớn (LLM) trong tính toán vật lý y khoa và phát hiện sai sót lâm sàng (như hiệu chuẩn chùm tia TG-51, tính toán monitor-unit MU). Benchmark bao gồm 10 bộ tạo bài toán ngẫu nhiên trên 4 lĩnh vực và tập kiểm thử 1.200 bài để kiểm tra khả năng tự tính toán và kiểm tra chéo (error detection) bài làm của đồng nghiệp. Kết quả trên 12 mô hình cho thấy điểm tính toán dao động từ 33,3% đến 100,0%, trong đó 4 mô hình dẫn đầu đạt 99,3-100%. Tuy nhiên, nhiều mô hình gặp khó ở các tác vụ lâm sàng cấp độ 3 (ví dụ Claude Sonnet 5.5 bỏ sót hiệu chỉnh nghịch đảo bình phương khoảng cách ở 19/20 bài MU). Về phát hiện lỗi, 5 mô hình phát hiện ≥96,7% lỗi cấy với tỷ lệ báo động giả ≤4%, nhưng xuất hiện hiện tượng bất đối xứng: Claude Opus 5.5 bỏ sót 6/20 kết quả sai dù tự tính đúng 20/20 bài. Mã nguồn, kết quả từng câu và dữ liệu kiểm thử đã được công bố công khai.

Nghiên cứu giới thiệu Hexels (Honeycomb-Surfels), dạng primitive hình lục giác phẳng tích hợp trường màu không gian bậc một nhằm tối ưu hóa biểu diễn cảnh 3D và ảnh 2D. Nhờ khả năng phủ kín diện tích bề mặt hiệu quả và mô hình hóa màu cục bộ mượt mà, Hexels sử dụng ít primitive hơn nhưng kích thước lớn hơn so với 2D Gaussian Splatting (2DGS). Kết quả thực nghiệm cho thấy Hexels tăng PSNR thêm 4.53–7.38 dB ở cùng mức bộ nhớ, giảm 28.9% sai số dựng hình trên tập DTU, đạt F1 34.38% trên Tanks and Temples, đồng thời giảm VRAM huấn luyện và tăng FPS lên 2.31 lần.

Nghiên cứu giới thiệu Đánh giá Kiểm soát Mô phỏng (Simulated Control Evaluations - SCEs), sử dụng mô hình ngôn ngữ để mô phỏng phản hồi của công cụ thay thế môi trường thực tế nhằm kiểm tra năng lực ngăn chặn AI gây hại của các chốt chặn an toàn. Trên LinuxArena, SCEs đạt sai số RMSE dự đoán an toàn chỉ 3,6 điểm phần trăm (so với 10,1 của BashArena), giải thích 78-85% phương sai giữa các môi trường và chỉ cần ít hơn 5% số mẫu tác vụ để đạt độ chính xác cao.

HiRe-MoMa là khung làm việc hỗ trợ tinh chỉnh chính sách trực tiếp trên robot thao tác di động (MoMa) trong thế giới thực một cách ổn định và tiết kiệm mẫu. Phương pháp này đóng băng chính sách cơ sở (base policy) và học phần dư phân cấp (hierarchical residual) phân tách giữa đế di động và cánh tay cơ học, kết hợp định hướng giá trị critic từ can thiệp thưa của con người (<20% độ phủ) để hoàn tất tinh chỉnh chỉ sau khoảng 30 phút tương tác thực nghiệm.

VASPO (Value-Augmented Self-Distillation Policy Optimization) là phương pháp tối ưu hóa chính sách kết hợp chưng cất tự thân với ước lượng giá trị đặc quyền trong PPO. Dựa trên phát hiện về động lực học vị trí bổ trợ (critic chính xác hơn về cuối câu trả lời, còn self-teacher hiệu quả ở đầu và cuối), VASPO dùng critic tính toán PPO advantage cấp token và dùng self-teacher điều biến các advantage dương thông qua tỷ lệ xác suất có chặn. Trên 6 benchmark suy luận toán học, VASPO tăng độ chính xác trung bình so với PPO thêm 2.59% trên Qwen3-4B và 1.81% trên OLMo3-7B, đồng thời dẫn đầu trên benchmark Knights and Knaves. Mã nguồn được công khai tại GitHub.

Nghiên cứu đề xuất phương pháp 'align-then-label' có nhận thức ngữ cảnh để đánh giá tính trung thực (faithfulness) trong tự động hình thức hóa (autoformalization) toán học ở cấp độ cụm từ. Tác giả giới thiệu FaithAlign (benchmark quy mô lý thuyết gồm 460 mục, 4.982 liên kết cụm từ) và FaithAlign-Gap (146 mục bị giấu ngữ cảnh/giả định). Kết quả thử nghiệm trên 8 mô hình cho thấy mô hình tốt nhất (GPT-6 Astra) chỉ đạt defect F1 47,8%, chỉ phát hiện hết lỗi trong 4,5% bài toán có từ 2 lỗi trở lên, và chỉ nhận diện được 28,2% trường hợp không thể quyết định, khẳng định độ khó lớn trong việc khôi phục ngữ nghĩa phụ thuộc ngữ cảnh.

Conduit là một runtime độc lập với framework giúp giải quyết bài toán tối ưu hóa hệ thống quản lý dữ liệu trải nghiệm (experience management) trong học tăng cường phân tán (Distributed RL). Thông qua trừu tượng Experience Data Plane (EDP), Conduit tách biệt ngữ nghĩa xử lý dữ liệu khỏi logic thực thi của framework, đồng thời triển khai cơ chế phân bổ dữ liệu nhận biết băng thông/bộ nhớ phân tầng (CPU/GPU) và lập lịch nhận biết độ trễ. Khi tích hợp với RLlib, Conduit giúp giảm tới 97% độ trễ experience path, giảm 38% độ trễ vòng lặp end-to-end, mở rộng quy mô hiệu quả đến 1.024 GPU mà vẫn bảo toàn độ hội tụ.

GeoAAC là phương pháp phân đoạn hành động thích ứng dựa trên hình học dành cho các chính sách Vision-Language-Action (VLA) flow-based, cho phép tự động điều chỉnh tầm nhìn hành động (action horizon) theo độ tin cậy dự đoán mà không cần huấn luyện thêm. Bằng cách khai thác quỹ đạo khử nhiễu của Flow Matching—nơi biến thiên hình học tương quan thuận với độ bất định—GeoAAC xác định tầm nhìn tối ưu từ một lần sinh duy nhất. Thử nghiệm trên GR00T N1.5 và π0.5 qua các benchmark LIBERO, LIBERO-Pro, RoboCasa365 cùng robot thực tế ghi nhận mức cải thiện tới 8,7% trong mô phỏng và tăng tỷ lệ thành công thực tế từ 53,3% lên 74,4%.

Nghiên cứu giới thiệu quy mô tiền huấn luyện (pretraining) cho các ngôn ngữ Indic đạt 2.8 nghìn tỷ tokens cùng một đường ống tạo dữ liệu mở (open data generation pipeline). Đóng góp này nhằm giải quyết thách thức khan hiếm dữ liệu cho các ngôn ngữ Nam Á, cung cấp tài nguyên mở cho cộng đồng phát triển mô hình đa ngữ.

Nghiên cứu đề xuất CACFG (Curvature-Aware Classifier-Free Guidance), giải quyết bài toán suy giảm chất lượng và mất tính đa dạng của ảnh khi tăng cường độ guidance trong mô hình khuếch tán. Bằng cách mô hình hóa quá trình lấy mẫu CFG dưới dạng bài toán điều khiển tối ưu thời gian liên tục và giải phương trình Hamilton-Jacobi-Bellman, các tác giả chứng minh CFG truyền thống không có ràng buộc kiểm soát, khiến quỹ đạo lấy mẫu trôi xa khỏi hình ảnh ước tính. CACFG khắc phục điều này bằng cách ràng buộc tập điều khiển trên một siêu cầu lấy cảm hứng từ chuẩn hóa Gauss trong VAE, giúp tăng chất lượng ảnh ở CFG cao mà không đánh đổi quá nhiều độ đa dạng.

Nghiên cứu phân tích hiện tượng reward hacking trong học tăng cường với phần thưởng có thể xác minh (RLVR) do verifier không hoàn hảo. Nhóm tác giả dùng gradient flow chỉ ra điều kiện reward tăng nhưng tính đúng đắn giảm, chứng minh các quan sát thông thường trong RLVR không đủ để phát hiện hay giảm thiểu lỗi được chấp nhận (accepted errors). Từ đó, họ đề xuất cơ chế 'selective control' kết hợp kiểm định một phần (partial audit) giúp hạ tỷ lệ accepted errors và nâng cao độ chính xác trên bandit và LLM.

EADC là bộ benchmark và khung đánh giá chuyên sâu về mức độ tuân thủ pháp lý của các mô hình ngôn ngữ lớn (LLM). Bằng cách chuyển đổi các điều luật trừu tượng thành đồ thị tri thức logic đa quan hệ, EADC triển khai các tác tử (agent) tự động để tạo kịch bản đối kháng phức tạp, kết hợp sự rà soát của chuyên gia pháp lý AI. Bộ dữ liệu chứa hơn 4.435 cặp câu hỏi-đáp giúp phát hiện các rủi ro tuân thủ tiềm ẩn và sự lan truyền rủi ro theo chuỗi logic trong ngữ cảnh dài mà các bộ lọc thông thường bỏ qua.