AI FRONTIER
Signals worth understanding before they become obvious.
Tsinghua AI mở mã nguồn AKV, máy chủ kỹ thuật bộ nhớ đệm cho tác nhân LLM trên SGLang
Tsinghua AI đã mở mã nguồn AKV, một máy chủ kỹ thuật bộ nhớ đệm cho tác nhân LLM được xây dựng trên SGLang. Tóm tắt bài báo đặt công trình này quanh các câu hỏi về năng lực, đánh giá hoặc căn chỉnh của mô hình ngôn ngữ lớn, phù hợp với độc giả theo dõi phương pháp và kết quả thực nghiệm.
- Tsinghua AI đã mở mã nguồn AKV và định vị nó là máy chủ kỹ thuật bộ nhớ đệm cho tác nhân LLM.
- AKV được xây dựng trên SGLang.
- Tóm tắt bài báo nêu rằng công trình này giải quyết các câu hỏi về năng lực, đánh giá hoặc căn chỉnh của mô hình ngôn ngữ lớn.
Với người xây dựng tác nhân LLM, AKV tách kỹ thuật bộ nhớ đệm thành một lớp dịch vụ riêng trên SGLang, đáng để thử nghiệm khả năng tái sử dụng bộ nhớ đệm trên đường suy luận của tác nhân.
ISTA-DASLab phát hành lượng tử hóa GGUF không đồng nhất GSQ-RCO cho DeepSeek-V4.1-Flash-1017
ISTA-DASLab đã lượng tử hóa MoE DeepSeek-V4.1-Flash-1017 với 763,2B tham số và 384 chuyên gia bằng độ chính xác hỗn hợp theo tensor GSQ và RCO, phát hành các bản GGUF chuẩn IQ1_M (1,75 bpw), IQ2_XXS (2,00) và IQ2_XS (2,25).
- Mô hình là MoE thưa với 763,2B tham số, 384 chuyên gia định tuyến mỗi lớp, 6 chuyên gia hoạt động mỗi token và cửa sổ ngữ cảnh 1M token.
- GGUF backbone chứa 551,9B tham số, và bảng tra cứu Engram là 196,6B tham số ở IQ4_NL 4,50 bpw, dùng chung cho mọi bản build.
- Tổng kích thước là 231,32 GB cho IQ1_M, 248,84 GB cho IQ2_XXS và 265,83 GB cho IQ2_XS; cả ba chạy trên một GPU 12 GB VRAM với Strata.
- Bài báo báo cáo IQ2_XXS ngang bằng mô hình gốc trên AIME25 (100,00), GPQA-Diamond (90,91) và LiveCodeBench v6 (89,71), với trung bình tác vụ 93,54 và mức phục hồi 100,0%.
Vì bản IQ2_XXS 2,00 bpw được báo cáo là ngang bằng mô hình gốc trên ba benchmark này, nhà phát triển có thể thử MoE cỡ 763B cục bộ trên GPU 12 GB cùng bộ nhớ hệ thống.
Self-Direction: biến sai lầm của agent thành bài học lâu dài
Bài báo giới thiệu Self-Direction, cơ chế trong đó agent thất bại một tác vụ sẽ tự phản tư trên quỹ đạo của mình để rút ra bài học và ngay lập tức chưng cất thành adapter low-rank nhẹ, giữ nguyên trọng số gốc và lưu adapter vào thư viện bài học lâu dài, tự động định tuyến tới các vấn đề liên quan về sau.
- Mỗi adapter huấn luyện thêm tham số tương đương khoảng 0,02% số tham số của mô hình cơ sở
- Với agent dựa trên các mô hình trọng số mở thuộc họ Qwen, tỷ lệ thành công tổng thể tăng từ 8,9 đến 17,0 điểm phần trăm trên GAIA, Claw-Eval và Terminal-Bench 2.1
- Bài báo báo cáo rằng Self-Direction giảm lỗi lặp lại trong các lần gặp tác vụ sau này, gần như tăng gấp đôi độ tin cậy của các sửa chữa của agent
- Bài báo báo cáo rằng một số ít adapter khái quát hóa tới hàng chục tác vụ mới mà không cần huấn luyện thêm
Với người xây dựng agent, lưu giữ thất bại dưới dạng adapter low-rank có thể định tuyến mang lại con đường cải thiện bền vững hơn phản tư trong ngữ cảnh và rẻ hơn tinh chỉnh toàn bộ tham số.
Các nhà nghiên cứu đề xuất benchmark MMGR để kiểm tra khả năng suy luận của mô hình đa phương thức
Các nhà nghiên cứu đã đề xuất benchmark MMGR để kiểm tra khả năng suy luận của các mô hình đa phương thức. Benchmark này nhằm đánh giá hiệu năng của mô hình đa phương thức trên các tác vụ suy luận.
- Các nhà nghiên cứu đề xuất benchmark MMGR để kiểm tra khả năng suy luận của mô hình đa phương thức.
- Thông tin này được DoNews đưa tin.
Đối với nhà phát triển AI, MMGR cung cấp một benchmark chuyên cho suy luận đa phương thức, giúp đo lường và so sánh hiệu năng suy luận của các mô hình đa phương thức khác nhau.
Hợp tác với cộng đồng học thuật để xây dựng hiểu biết khoa học
OpenAI chia sẻ kết quả mô hình về giả thuyết Kakeya, Giả thuyết Thời gian Hàm mũ và sắc động lực học lượng tử, cùng cách các nhà nghiên cứu có thể xác minh và phát triển dựa trên chúng.
- OpenAI chia sẻ kết quả mô hình về giả thuyết Kakeya.
- OpenAI chia sẻ kết quả mô hình về Giả thuyết Thời gian Hàm mũ.
- OpenAI chia sẻ kết quả mô hình về sắc động lực học lượng tử.
- OpenAI mô tả cách các nhà nghiên cứu có thể xác minh và phát triển dựa trên những kết quả này.
Đối với nhà phát triển AI, điều này cung cấp các trường hợp đầu ra mô hình có thể xác minh để đánh giá lập luận trên các bài toán toán học và vật lý.
SyncVid: Khuếch tán đẳng biến thế giới cho tạo video đồng bộ
SyncVid lấy mẫu tiên nghiệm nhiễu Gaussian trong không gian 3D chuẩn tắc suy ra từ video nguồn và raster hóa nó vào các camera đích, thay vì lấy mẫu độc lập trong từng mặt phẳng ảnh 2D. Phương pháp này nâng video đơn mắt lên biểu diễn 4D chuẩn tắc và bổ sung quy trình làm trắng nhất quán giữa các góc nhìn, dùng nhiễu c...
- Bài báo nâng video đơn mắt lên biểu diễn 4D chuẩn tắc, gắn nhiễu với hình học cảnh và không gian chưa quan sát, rồi raster hóa nhiễu có cấu trúc thu được vào các góc nhìn tùy ý.
- Bài báo đề xuất quy trình làm trắng nhất quán giữa các góc nhìn, giúp khử tương quan các pixel lân cận trong khi vẫn bảo toàn sự tương ứng giữa các góc nhìn.
- Nhiễu có cấu trúc đóng vai trò tiên nghiệm khuếch tán cho mô hình khuếch tán video đã huấn luyện trước được thích ứng LoRA, không đòi hỏi sửa đổi kiến trúc.
Với những ai xây dựng tạo video đa góc nhìn, SyncVid cho thấy việc neo tính ngẫu nhiên của khuếch tán vào không gian 3D chuẩn tắc có thể cải thiện tính nhất quán giữa các góc nhìn mà không cần thiết kế lại kiến trúc khuếch tán.
PaperFormalizer: Tự động hình thức hóa bài báo nghiên cứu trong Lean với tác giả trong vòng lặp
PaperFormalizer là một pipeline tác tử dựa trên Lean, bắt đầu từ mã nguồn LaTeX của bài báo, chuyển nó thành đồ thị phụ thuộc các phát biểu, kiểm tra từng phát biểu bằng ngôn ngữ tự nhiên về tính trung thực, mơ hồ và đúng đắn, rồi hình thức hóa và chứng minh các phát biểu trong Lean dựa trên Mathlib, các thư viện miền ...
- Bài báo được gửi lên arXiv ngày 22 tháng 10 năm 2026 với mã arXiv:2610.31810 (cs.AI, cross-list cs.LO).
- Pipeline bắt đầu từ mã nguồn LaTeX, chuyển bài báo thành đồ thị phụ thuộc các phát biểu và kiểm tra từng phát biểu bằng ngôn ngữ tự nhiên.
- Việc hình thức hóa và chứng minh được thực hiện dựa trên Mathlib, các thư viện miền tùy chọn và bộ công cụ cá nhân của tác giả.
- Khi một phát biểu có nhiều hơn một cách hiểu, pipeline dừng lại và hỏi tác giả, trình bày mọi sửa chữa bằng ngôn ngữ tự nhiên và ký hiệu TeX dưới dạng đề xuất mà tác giả có thể chấp nhận, từ chối hoặc chuyển hướng.
Đối với người xây dựng công cụ AI toán học, PaperFormalizer cho thấy một mô hình tác giả trong vòng lặp, dừng lại ở chỗ mơ hồ và giao quyết định cho tác giả, giữ quyền kiểm soát của tác giả ở mọi nơi mà việc hình thức hóa có thể thay đổi đi...