AI Brief — Today

MA-Mesh là khung làm việc tăng cường khả năng phục hồi (resilience) cho hệ thống đa tác tử thông qua lớp tự phục hồi dựa trên vai trò. Hệ thống tạo các đặc tả chịu lỗi và tổng hợp thành mã thực thi chính sách điều phối. MA-Mesh tích hợp hai cơ chế cốt lõi: phản tư chéo (cross-agent reflection) để các tác tử đánh giá lẫn nhau nhằm điều chỉnh hành vi tập thể, và dự phòng theo vai trò (role-based failover) cho phép tái chỉ định vai trò và thay thế tác tử khi gặp sự cố, đảm bảo tác vụ diễn ra liên tục.

Nghiên cứu đề xuất cơ chế định tuyến truy vấn (query routing) động giữa các phiên bản mô hình ngôn ngữ lớn (LLM) để tạo độ linh hoạt về tiêu thụ điện năng cho trung tâm dữ liệu mà không làm trì hoãn các tác vụ tương tác. Nhóm tác giả xây dựng khung phân tích liên kết tốc độ truy vấn và phân phối độ dài chuỗi với thời gian xử lý token, độ trễ và điện năng tiêu thụ. Thử nghiệm trên 4 nền tảng GPU (mô hình 1B-70B) đạt sai số MAPE 2,8%, và mô phỏng trên cụm 10.000 GPU H100 cho thấy khả năng điều chỉnh tới 16% tổng công suất điện, đạt 90% mức giảm mong muốn chỉ trong khoảng 10 giây.

ReSI-Math là khung nghiên cứu giúp khai phá 'ranh giới năng lực có thể phục hồi' trong mô hình ngôn ngữ lớn để tối ưu hóa hiệu quả dữ liệu cho Reinforcement Learning with Verifiable Rewards (RLVR). Thay vì xem thất bại trực tiếp là do mô hình thiếu năng lực, ReSI-Math sử dụng tìm kiếm tiến hóa kết hợp Self-Judge và cơ chế lai ghép quỹ đạo (trajectory crossover) để phục hồi lời giải đúng từ các trường hợp sai. Trên mô hình Qwen3-VL-8B, phương pháp tạo ra 43.8% lời giải đúng được kiểm chứng từ các lượt thất bại và nâng điểm trung bình MATH500 cùng WE-MATH từ 78.71 lên 80.16 qua 3 vòng RLVR, vượt trội đáng kể so với việc chọn mẫu ngẫu nhiên.

QueryFlow là phương pháp truy xuất đồ thị đa bước (multi-hop) cho RAG, mô hình hóa quá trình tìm kiếm như sự tiến hóa đồng thời giữa biểu diễn bằng chứng và điều kiện truy vấn. Bằng cách tích hợp tuần hoàn ngữ cảnh đồ thị vào trạng thái truy vấn chung để định hướng các bước lan truyền tiếp theo, QueryFlow cải thiện 8.0 điểm phần trăm độ chính xác của LLM trên 4 tập dữ liệu hỏi đáp đa bước.

Nghiên cứu giới thiệu Test-Time Self-Play (TTSP), giải pháp mở rộng tính toán lúc suy luận (test-time scaling) dựa trên tự chơi bất đối xứng (asymmetric self-play) mà không cần bộ chấm điểm/xác minh (verifier). Trên tập dữ liệu LiveCodeBench v6, TTSP vượt trội hơn tất cả các phương pháp cơ sở ở mọi cấp độ verifier và đạt mức tăng tuyệt đối 35% mean@8 khi hoàn toàn không có verifier, duy trì hiệu quả trừ phi mô hình nền tảng có độ bao phủ nghiệm đúng gần bằng 0.

Báo cáo kỹ thuật giới thiệu bộ giải pháp ('bag of tricks') gồm 3 kỹ thuật thực dụng để phòng thủ chống tấn công backdoor/đầu độc dữ liệu trên hệ thống nhận diện khuôn mặt học sâu. Nghiên cứu tập trung vào kịch bản doanh nghiệp tự huấn luyện mô hình nhưng dùng dữ liệu từ bên thứ ba, cung cấp 1 cơ chế phát hiện định danh bị đầu độc lúc huấn luyện và 2 cơ chế lọc đầu vào khả nghi lúc suy luận kèm phân tích chi phí tính toán.

ChemE-as-Code là nền tảng mã nguồn mở cho phép AI agent dựa trên LLM phối hợp cùng kỹ sư thực hiện công việc kỹ thuật hóa học. Nền tảng tích hợp các công cụ tính toán chuyên ngành bên ngoài LLM, truy vết nguồn gốc giá trị, liên kết tệp qua Git và tự động kiểm tra mâu thuẫn theo dòng tệp. Trong thử nghiệm với trường hợp amoniac, agent đã tạo gói thiết kế cơ bản sơ bộ với chi phí API 224 USD, đóng vai trò định hướng kiểm tra cho con người thay vì thay thế hoàn toàn.

FrontierPhysics là bộ benchmark đánh giá toàn diện (end-to-end) năng lực nghiên cứu vật lý của AI agent, gồm 56 nhiệm vụ do 42 nhà vật lý xây dựng trên 9 lĩnh vực (lý thuyết, tính toán, thực nghiệm). Thay vì kiểm tra từng câu hỏi đơn lẻ hay tái hiện kết quả có sẵn, benchmark thẩm định cả tính chính xác lẫn chất lượng xuất bản khoa học qua các bước: rà soát tài liệu, lập kế hoạch, tiến hành thực nghiệm và viết bản thảo. Đánh giá 22 mô hình (26 cấu hình) cho thấy kết quả hạn chế (tối đa chỉ đạt 46/168 lượt chạy); nguyên nhân chính là tư duy lập luận thiếu chặt chẽ và trực giác chuyên gia hạn chế, không phải do thiếu kiến thức vật lý hay lỗi thực thi mã.

Traffic-VL là mô hình ngôn ngữ - thị giác (VLM) 8 tỷ tham số phục vụ điều khiển đèn tín hiệu giao thông end-to-end có khả năng tổng quát hóa cao. Khác với các giải pháp truyền thống cần pipeline nhận diện trung gian để bóc tách trạng thái giao thông, Traffic-VL tiếp nhận trực tiếp hình ảnh đa góc nhìn từ camera giám sát kết hợp với mô tả pha bằng ngôn ngữ tự nhiên để đưa ra quyết định điều khiển. Nghiên cứu đồng thời giới thiệu SynTra-V giúp chuyển đổi mô phỏng vật lý thành hình ảnh chân thực có kiểm định ngữ nghĩa tự động. Traffic-VL áp dụng khung học tăng cường 2 giai đoạn, cho kết quả ngang ngửa Traffic-R1 (dùng trạng thái cấu trúc), vượt qua Gemini 3 Pro và các bộ điều khiển visual khác, đồng thời chứng minh độ ổn định qua 3 tuần triển khai thử nghiệm thực tế tại 10 nút giao.

Nghiên cứu khảo sát thời điểm việc can thiệp kích hoạt (activation steering) trong LLM cần phụ thuộc vào đầu vào thay vì dùng hướng cố định như Contrastive Activation Addition (CAA). Tác giả chỉ ra rằng can thiệp cần phụ thuộc đầu vào khi điểm đến biến thiên bên trong lớp đích. Bằng cách sử dụng phương pháp truy vấn k trạng thái gần nhất trong lớp đích, kết quả trên 6 tập ngữ liệu thay thế và benchmark độc lập cho thấy điều hướng phụ thuộc đầu vào vượt trội hơn CAA. Nghiên cứu cũng phát hiện: chỉnh sửa mức từ đạt hiệu quả cao nhất ở 1/10 tầng đầu mạng với ít láng giềng, trong khi chỉnh sửa mức mệnh đề hiệu quả ở mọi độ sâu với giá trị trung bình lớp. Bốn đại lượng đo trực tiếp từ trạng thái ẩn cho phép xác định chế độ can thiệp trước khi áp dụng.

Một công ty đã phải chịu hóa đơn gần 1 triệu USD do bị kẻ tấn công đánh cắp các API key AI trên nền tảng đám mây. Sự cố này được Google Cloud Threat Intelligence phân tích dưới thuật ngữ 'LLMjacking' — hành vi xâm phạm và chiếm dụng quyền truy cập các mô hình AI đám mây để trục lợi tài chính.

MIRA là khung huấn luyện tăng cường khả năng suy luận đa phương thức, khắc phục khoảng cách nhận thức - suy luận trong RLVR bằng cách đưa vào các ngữ cảnh thị giác đánh lừa có chọn lọc ('hard traps') và cơ chế tự phản tỉnh theo nhóm, giúp mô hình tự phát hiện và sửa lỗi mà không cần dữ liệu gắn nhãn con người, đem lại mức cải thiện trung bình 7% trên các benchmark in-domain.

VideoEditor-MoE là framework mã nguồn mở đầu tiên ứng dụng kiến trúc Mixture-of-Experts (MoE) cho bài toán chỉnh sửa video phức tạp. Khác với các phương pháp MoE truyền thống chỉ áp dụng ở tầng MLP, mô hình kết hợp tầng sparse MLP-MoE cùng cơ chế MoE-Attention giúp định tuyến các chuyên gia key-value mà vẫn duy trì tương tác toàn cục giữa các video token. Khởi tạo từ mô hình 5B, VideoEditor-MoE mở rộng quy mô lên 14B và 56B tham số nhưng chỉ kích hoạt khoảng 8B tham số mỗi token. Cơ chế định tuyến tự học cho thấy sự nhạy cảm cao với mức nhiễu diffusion, nội dung video và ngữ nghĩa đối tượng hơn là nhãn tác vụ thủ công, kết hợp với decoupled weight decay để ổn định quá trình huấn luyện.

Nghiên cứu giới thiệu cơ chế củng cố hồi hải mã (hippocampal consolidation) chỉ dùng trong huấn luyện, cho phép mạng nơ-ron học liên tục toàn phần (fully fine-tuned) mà không cần phát lại dữ liệu cũ (cross-task replay), không cần mô hình giáo viên hay bộ nhớ lúc suy luận. Phương pháp lập chỉ mục hình học đầu vào của các nhóm synapse và giới hạn độ dịch chuyển của từng synapse theo từng hướng trước và sau optimizer, kết hợp phát hiện xung đột để bảo vệ tri thức cũ trước các lớp gần trùng lặp. Kỹ thuật áp dụng thành công trên 4 họ kiến trúc với quy mô tới 8 tỷ tham số, vượt baseline đóng băng backbone 17,5 điểm trên TACRED.

Reddit chuyển sang cơ chế bắt buộc đăng nhập (logged-in only) đối với người dùng, được cho là phản ứng trực tiếp trước việc tính năng Google AI Overviews tóm tắt nội dung trên kết quả tìm kiếm làm sụt giảm lưu lượng truy cập tự nhiên chuyển tiếp về nền tảng.

RoboArchitect là giải pháp tự động hóa thiết kế khung điều khiển (agent harness) cho robot sử dụng một coding model mà không cần cập nhật trọng số của chính sách nền tảng (frozen policy). Mô hình quan sát quá trình thực thi, chẩn đoán lỗi và tinh chỉnh lặp lại mã điều khiển cũng như bộ nhớ dài hạn (persistent memory). Kết quả thực nghiệm cho thấy tỷ lệ thành công tăng từ 9.7% lên 43.3% trên các bối cảnh mới và từ 12.7% lên 40.2% trên các tác vụ mới, vượt qua cả phương pháp finetuning truyền thống khi dữ liệu nhiệm vụ khác biệt lớn so với tập huấn luyện ban đầu.

Nghiên cứu giới thiệu Zyphra Hierarchical Attention (ZHA), một phương pháp sparse attention tiệm cận dưới bậc hai (subquadratic) giúp vượt qua giới hạn chi phí O(N^2) của attention truyền thống trên LLM. ZHA xây dựng cây chỉ mục phân cấp tóm tắt đệ quy các key trên KV cache để truy vấn duyệt top-down lấy tập key thưa, đưa tổng chi phí định tuyến và attention tăng trưởng dưới tuyến tính theo độ dài chuỗi. Phương pháp có thể áp dụng vào mô hình pretrained thông qua chưng cất KL ngắn trên vài tỷ token, giữ vững hiệu năng trên các bài test reasoning, toán và coding, đồng thời mở ra tiềm năng mở rộng ngữ cảnh lên hàng trăm triệu đến hàng tỷ token.

DISCERN là phương pháp unlearning (quên máy) phân lớp tăng dần tuần tự (ICU) mà không cần truy cập vào tập dữ liệu cần giữ lại (retain-free). Thay vì giả định phân phối Gaussian đẳng hướng quanh centroid, DISCERN mô hình hóa embedding bằng cách khớp các họ phân phối tham số không gian Euclidean (Gaussian, Laplace, Student's t) và định hướng (von Mises-Fisher, Fisher-Bingham) cho từng lớp dựa trên kiểm định thống kê và log-likelihood kiểm định chéo. Thiết kế này tối ưu cho hình học tiềm ẩn dạng siêu cầu của Transformer, giúp duy trì độ ổn định vượt trội sau 20 lượt xóa tuần tự trên ViT-B/16 (đạt harmonic mean 0.797 so với mức sụt giảm 0.048 của baseline mạnh nhất) và hạn chế tối đa hiện tượng lớp đã quên bị trỗi dậy trở lại.

Nghiên cứu giới thiệu khung toán học LNL-MDP và thuật toán LARBRID nhằm giải quyết thách thức tinh chỉnh diffusion policy cho robot bằng Reinforcement Learning. Phương pháp này thiết lập phương trình cầu nối (Bridge Equation) để đồng bộ biểu diễn giữa không gian nhiễu và không gian hành động, loại bỏ triệt để vấn đề 'noise aliasing' mà không cần lan truyền ngược qua thời gian (BPTT). LARBRID có cơ sở lý thuyết vững chắc với bảo đảm cận tối ưu, đồng thời mang lại mức tăng hiệu năng từ 2 đến 3 lần trên các tác vụ điều khiển robot vận động và thao tác.

Nghiên cứu đánh giá có hệ thống đầu tiên về time-context (khung thời gian hồi cứu theo lịch, phân biệt với token-context) kéo dài tới 30 năm cho mô hình nền tảng EHR (decoder-only transformer 34,6M tham số) nhằm dự đoán ung thư đại trực tràng tại North West London. Kết quả cho thấy khả năng phân biệt (AUROC) tăng từ 0,551 ở mốc 2 năm lên 0,590 ở 18 năm rồi đi ngang, trong đó 80% mức tăng đạt được trong 10 năm đầu và tương đương baseline XGBoost (0,589). Đồng thời, nghiên cứu phát hiện cơ chế RoPE theo thời gian trôi qua bị hiện tượng răng cưa (aliasing) sau khoảng 20 năm ở tần số mặc định, cần tinh chỉnh lại tham số theta.

Split-KV là phương pháp song song hóa ngữ cảnh (Context Parallelism - CP) chính xác dành cho huấn luyện diffusion drafter trong suy luận phỏng đoán (speculative decoding). Bằng cách tận dụng tính bất đối xứng giữa truy vấn ngắn (nhờ anchor sampling) và ngữ cảnh dài, Split-KV giữ các mảnh Key/Value cục bộ và chỉ truyền thông lượng dữ liệu có kích thước tương đương query tensor, loại bỏ sự phụ thuộc giữa chi phí truyền thông và độ dài ngữ cảnh. Kết hợp cùng chiến lược cân bằng tải LPT nhận biết chi phí, Split-KV đạt hiệu quả mở rộng 85–91% trên 64 tiến trình CP, tăng tốc tới 3,67 lần và giảm mất cân bằng tải xuống dưới 1%. Mã nguồn đã được công bố mở.

Cộng đồng phát triển phản ánh Postman tự động cài đặt ngầm các plugin AI và có hành vi chia sẻ dữ liệu API mà không có sự đồng thuận rõ ràng, làm dấy lên lo ngại lớn về an toàn thông tin.

Nghiên cứu chỉ ra rằng chỉ số AUC (c-statistic) trong đánh giá mô hình dự đoán lâm sàng nhị phân có tính chất non-collapsible, khiến AUC của các nhóm nhỏ và AUC tổng thể không thể so sánh trực tiếp với nhau. Qua phân tích 8 thước đo công bằng dựa trên AUC và mô phỏng trên mô hình EuroSCORE II, tác giả khuyến nghị báo cáo ma trận AUC (gồm AUC tổng thể cùng các thành phần within-group và cross-group) kết hợp đặc điểm dân tộc/dân số, ưu tiên dùng within-group AUC parity khi cần đánh giá fairness, đồng thời cảnh báo không nên dùng gap-to-overall AUC, equity-scaled AUC và minimum-based metrics vì so sánh khập khiễng và không phù hợp thực tế.

Nghiên cứu thiết lập cầu nối lý thuyết thông tin mang tên 'Goal Revelation' (sự tiết lộ mục tiêu) để liên kết hai thước đo an toàn AI trong Markov games: Empowerment (năng lực tác động) và Capability-Based Individual Power (năng lực đạt mục tiêu của con người). Sử dụng bất đẳng thức Fano, nhóm tác giả chứng minh chuỗi chặn B(s) <= I(G; xi | s) <= I(A_h -> xi | s) <= E_h(s) và vạch ra các điểm lỗi nghiêm trọng: tối đa hóa empowerment có thể dẫn đến việc kiểm soát các yếu tố không liên quan, còn tối đa hóa goal revelation không phát hiện được giao diện bị đảo ngược kết quả. Do đó, các đảm bảo an toàn thực chất chỉ đến từ năng lực đạt mục tiêu (attainment). Nghiên cứu đề xuất chỉ số 'satisfaction floor' dựa trên tương tác log để giám sát mức độ giữ quyền của con người trong các hệ thống triển khai thực tế.