AI FRONTIER
Signals worth understanding before they become obvious.
Bài báo của nhóm Seed thuộc ByteDance quy hiện tượng ‘trục trặc’ của DeepSeek cho độ nhạy pha
Theo Jiemian.com, một bài báo của nhóm Seed thuộc ByteDance quy hiện tượng ‘trục trặc’ của DeepSeek cho độ nhạy pha.
- Nguồn là Jiemian.com.
- Bài báo do nhóm Seed thuộc ByteDance thực hiện.
- Bài báo quy hiện tượng ‘trục trặc’ của DeepSeek cho độ nhạy pha.
Đối với nhà xây dựng AI, bài báo gợi ý thêm độ nhạy pha vào danh sách chẩn đoán khi điều tra đầu ra không ổn định của mô hình lớn.
Mô hình lớn đa phương thức có còn cần bộ mã hóa thị giác? Nghiên cứu định luật tỉ lệ từ Tencent
Một nghiên cứu định luật tỉ lệ từ Tencent xem xét liệu các mô hình lớn đa phương thức có còn cần bộ mã hóa thị giác riêng hay không, khám phá một hướng kiến trúc mới.
- Nguồn là 科技行者, và tiêu đề nêu rằng nghiên cứu đến từ Tencent.
- Nghiên cứu dùng định luật tỉ lệ để hỏi liệu các mô hình lớn đa phương thức có còn cần bộ mã hóa thị giác hay không.
Với các nhóm xây dựng hệ thống đa phương thức, nghiên cứu này cho thấy khả năng thay bộ mã hóa thị giác bằng kiến trúc thống nhất cần được đưa vào đánh giá chọn kiến trúc.
Xác minh và tự cải thiện trong AI tác tử: nền tảng và giới hạn
Bài báo giới thiệu xác minh có giới hạn với tính ngẫu nhiên đầu cuối ẩn để so sánh các cải thiện của tác tử nhờ tìm kiếm lâu hơn, nhận hỗ trợ bổ sung hoặc thay đổi cách đề xuất và xác minh đầu ra, chứng minh rằng khuếch đại đa số độc lập bảo toàn cả hai ngôn ngữ trong khi chấp nhận tồn tại trên băng ngẫu nhiên có thể c...
- Bài báo chứng minh các lớp trình xác minh ngẫu nhiên thỏa mãn Σ_k^P ⊆ Σ_k^RV ⊆ Σ_{k+1}^P, trong đó mở rộng nghiêm ngặt và tách biệt độ sâu đòi hỏi các giả định độ phức tạp tường minh.
- Bài báo cho thấy BPP = P tạo ra các lớp đồng hành chính xác với cùng biên giới.
- Bài báo nêu rằng tự sửa đổi bị chặn đều dưới một trình thông dịch lành mạnh chung và giao thức xác minh cố định vẫn nằm trong cùng lớp xác minh.
- Bài báo dài 26 trang với 5 hình và bao gồm chứng minh cùng các tạo tác tái lập.
Khung này gắn các tuyên bố tự cải thiện với nghĩa vụ về tính đúng đắn, bằng chứng được chấp nhận, tài nguyên xác minh và lỗi lựa chọn, cho nhà phát triển cách hình thức để tách lợi ích tìm kiếm khỏi lợi ích xác minh.
Asana giảm chi phí mô hình 76 lần trong thử nghiệm trình duyệt với GPT-6.1 Sol
Dùng GPT-6 Astra trong Codex, Asana đã làm cho tác nhân trình duyệt của mình rẻ hơn 76 lần và nhanh hơn 5 lần trong thử nghiệm, nhằm cung cấp cho khách hàng những mô hình có năng lực hơn.
- Asana đã dùng GPT-6 Astra trong Codex.
- Tác nhân trình duyệt của họ trở nên rẻ hơn 76 lần trong thử nghiệm.
- Cùng các thử nghiệm đó cho thấy tốc độ cải thiện 5 lần.
Với các nhóm xây dựng tác nhân trình duyệt, thay đổi chi phí và tốc độ được báo cáo này cho thấy dùng GPT-6 Astra trong Codex có thể giảm mạnh chi phí mỗi tác vụ.
OpenAI Decisions API vào bản beta công khai với câu trả lời có kiểu nhanh hơn 10 lần
OpenAI Decisions API đã vào bản beta công khai, và các câu trả lời có kiểu của nó được báo cáo là nhanh hơn 10 lần.
- OpenAI Decisions API đã vào bản beta công khai.
- Các câu trả lời có kiểu được báo cáo là nhanh hơn 10 lần.
Với nhà phát triển đưa đầu ra có kiểu vào pipeline, bản beta công khai là dịp kiểm thử độ trễ trước khi phát hành chính thức.
Đóng băng Decoder, hồi phục Encoder: Thích ứng hiệu quả tham số cho nén KV-Cache dựa trên SVD
Bài báo cho thấy việc so sánh các công thức fine-tuning có số tham số huấn luyện rất khác nhau dưới một learning rate dùng chung tạo ra lợi thế giả. Trong nén KV-Cache dựa trên SVD, khi mỗi nhánh được cấp learning rate riêng đã tinh chỉnh, việc chỉ hồi phục encoder đạt ngang bằng với các phương án khác trong khi dùng í...
- Kết quả ngang bằng được kiểm chứng bằng tinh chỉnh learning rate theo từng nhánh và ba seed mỗi cấu hình trên mô hình thị giác-ngôn ngữ Qwen2.5-VL-3B-Instruct.
- Chỉ hồi phục encoder dùng ít hơn 3 lần tham số huấn luyện và ít hơn 3 lần bộ nhớ trạng thái optimizer.
- Giao thức này bao phủ một tỷ lệ nén và được tái lập trên testbed chỉ văn bản với hai backbone.
Với nhà phát triển tích hợp nén KV-Cache hạng thấp khi huấn luyện, chỉ hồi phục encoder là công thức drop-in tiết kiệm bộ nhớ hơn, nhưng mọi so sánh fine-tuning giữa các nhánh có số tham số huấn luyện khác nhau đều cần tinh chỉnh learning r...
Claude Science của Anthropic hoàn thành bản đồ tia cực tím toàn bầu trời đầu tiên
Anthropic đã dùng Claude Science để tạo ra bản đồ tia cực tím toàn bầu trời hoàn chỉnh đầu tiên, lấp đầy khoảng một phần ba bầu trời trước đây không có dữ liệu tia cực tím. Do Brice Ménard, nhà vật lý thiên văn tại Đại học Johns Hopkins kiêm nhà nghiên cứu của Anthropic, dẫn dắt, dự án đã chạy nhiều tác nhân AI song so...
- Vệ tinh GALEX của NASA hoạt động từ năm 2003 đến 2013 và chủ động tránh quan sát mặt phẳng thiên hà cùng các vùng quanh sao sáng để ngăn ánh sáng mạnh làm hỏng đầu dò.
- Dù có thêm dữ liệu từ FIMS/SPEAR của Hàn Quốc và Swift của NASA, khoảng một phần ba toàn bộ bầu trời vẫn hoàn toàn không có dữ liệu tia cực tím.
- Nhóm đã hiệu chuẩn chéo hàng chục nghìn hình ảnh từ GALEX, Swift, FIMS/SPEAR, Gaia và Planck của ESA về cùng hệ tọa độ và độ phân giải, rồi dùng inpainting bằng học máy để ước lượng một phần ba còn thiếu.
- Dựa trên đo đạc ánh sáng khả kiến của Gaia thuộc ESA, bản đồ đã tổng hợp ước tính phát xạ tia cực tím cho hơn 119 triệu ngôi sao riêng lẻ và khoảng 160.000 thiên hà bên ngoài.
Điều này cho thấy quy trình AI đa tác nhân có thể hoàn thành việc hiệu chuẩn dữ liệu quy mô lớn bị trì hoãn lâu nay, nhưng một phần ba bản đồ là ước lượng thống kê và vẫn cần chuyên gia giám sát để phát hiện hiện tượng giả còn sót.
jialinyyzz/humanizer: mô hình viết lại 12B, 95% bản viết lại tiếng Anh được Originality.ai ở chế độ nghiêm ngặt nhất đánh giá là do người viết
jialinyyzz/humanizer là mô hình tạo văn bản 12B viết lại các bản nháp do AI tạo (email, bài luận, báo cáo, bài đăng diễn đàn) để đọc như do người viết, bằng tiếng Anh và tiếng Trung, và chạy cục bộ. Thẻ mô hình báo cáo rằng 95% bản viết lại trong 210 bản nháp tiếng Anh được Originality.ai ở chế độ nghiêm ngặt nhất đánh...
- Thẻ mô hình báo cáo: trên 210 bản nháp tiếng Anh với trọng số bf16 vào 2026-10-02, 11 trong 210 bản viết lại bị Originality.ai ở chế độ nghiêm ngặt nhất gắn cờ AI, so với 26 ở bản phát hành trước.
- Trên humanizer-12b-Q8_0.gguf, 376 trong 420 bản viết lại tiếng Anh không bị giám định LLM nghiêm ngặt phát hiện vấn đề thực tế; khi phát hiện vấn đề, hơn 9 trên 10 chỉnh sửa chỉ là một từ hoặc cụm từ.
- Các tệp GGUF từ 3,9 GB cho tệp 2-bit (bộ nhớ đỉnh 6,2 GB) đến 12,7 GB cho Q8_0 (bộ nhớ đỉnh 13,7 GB), với mức khớp top-1 so với bf16 là 87,4% cho tệp 2-bit và 98,4% cho Q8_0.
- Giấy phép là apache-2.0; cung cấp định dạng GGUF, Safetensors và Transformers, hỗ trợ llama.cpp, MLX, transformers, vLLM và Ollama, và ứng dụng chạy ngoại tuyến trên Mac (Apple silicon) và Windows.
Với nhà phát triển công bố văn bản có hỗ trợ AI, mô hình này cung cấp lựa chọn viết lại triển khai cục bộ với các mức lượng tử hóa phù hợp bộ nhớ, nhưng thẻ mô hình nói rõ phải kiểm tra số, ngày và tên trước khi gửi.