AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE: Tái hiệu chỉnh tải phía nhu cầu để huấn luyện MoE hiệu quả trên các nút bị giới hạn bộ nhớ
LRMoE là hệ thống huấn luyện MoE nhận biết bộ nhớ, đồng thời tái hiệu chỉnh nhu cầu trong lan truyền ngược và cân bằng khối lượng công việc được giữ lại, dùng định tuyến nhận biết dung lượng và nén vật lý để giảm lưu lượng ngược, tính toán và nhu cầu bộ đệm thực thi. Bài báo báo cáo rằng trên Qwen3-30B-A3B và GLM4.5-10...
- Bài báo báo cáo rằng trên Qwen3-30B-A3B và GLM4.5-106B-A12B, LRMoE giảm thời gian huấn luyện tích lũy của lớp MoE đến các mục tiêu loss cố định từ 21,2-44,8% so với SYMI.
- Trong quá trình thực thi xuôi, hệ thống lập kế hoạch hạn ngạch giữ lại và vị trí chuyên gia dưới các ràng buộc tài nguyên trong khi vẫn bảo toàn mọi tính toán được định tuyến.
- Trong lan truyền ngược, một chỉ số tái hiệu chỉnh tải ước lượng đóng góp của từng cặp token-chuyên gia vào cập nhật chuyên gia và chọn các cặp trong hạn ngạch đó.
- Thuật toán định tuyến nhận biết dung lượng phân phối các cặp được giữ lại giữa các phiên bản đủ điều kiện của chuyên gia gốc, và nén vật lý tạo ra tải truyền thông nhỏ hơn cùng GEMM nhóm có kích thước thay đổi.
Với các nhóm huấn luyện MoE thưa trên các nút GPU bị giới hạn bộ nhớ, LRMoE cho thấy việc chọn cặp token-chuyên gia theo đóng góp trong lan truyền ngược có thể cắt lưu lượng ngược và nhu cầu bộ đệm mà không thay đổi tính toán định tuyến ở p...
Phát hiện thông đồng ngầm giữa các tác nhân AI bằng Partner-Outsider Positive Listening
Bài báo đề xuất một phép kiểm tra hành vi, Partner-Outsider Positive Listening (PoPLi): một đối tác dùng quy ước bí mật phản ứng với cách diễn đạt chính xác của thông điệp, trong khi một tác nhân không liên quan được đặt vào vị trí đó thì không. PoPLi là chênh lệch giữa hai tác nhân về mức thay đổi hành động khi thông ...
- PoPLi phát hiện việc dùng một kênh riêng tư, không phải bản thân thông đồng, và không thể phát hiện thông đồng chỉ qua động cơ khuyến khích hoặc mã được mang bởi nghĩa.
- Phương pháp này được tính sau khi sự việc xảy ra bằng cách phát lại các prompt đã ghi log, và bài báo được ghi chú là công trình đang thực hiện.
Với người xây dựng hệ thống đa tác nhân, PoPLi cung cấp một cách kiểm toán hành vi dựa trên phát lại log có thể phát hiện kênh riêng tư ẩn sau các thông điệp trông vô hại, nhưng để ra ngoài phạm vi thông đồng chỉ dựa trên động cơ khuyến khí...
WebAnything: Từ web hoang dã đến môi trường tác nhân có thể mở rộng
WebAnything là một khung hoàn toàn tự động tái tạo các môi trường Web có thể tái sử dụng, dựa trên nguồn từ URL thực, không cần triển khai thủ công theo từng trang hay sửa chữa sau khi thiết lập và ủy quyền ban đầu. Bài báo báo cáo việc xây dựng 244 hiện vật trang web trên 14 lĩnh vực ứng dụng và 53 danh mục, hỗ trợ 12...
- Bài báo báo cáo việc xây dựng 244 hiện vật trang web trên 14 lĩnh vực ứng dụng và 53 danh mục, hỗ trợ 12.984 tác vụ đã thực thi và được chấp nhận.
- So với WebHarbor có sự hỗ trợ của con người, WebAnything đạt điểm tổng hợp cao hơn trên ba chỉ số trung thực, với 12 thắng, hai hòa và không thua trong một đợt kiểm toán mù.
Đối với người xây dựng tác nhân, điều này cho thấy các môi trường Web có thể đặt lại cho huấn luyện và đánh giá có thể được tạo tự động từ URL thực mà không cần kỹ thuật theo từng trang, với lợi ích tinh chỉnh được báo cáo trên các benchmar...
ThinkJev: Một suy nghĩ, mọi ngân sách cho các quyết định có kiểu đã hiệu chỉnh
ThinkJev xây dựng một hệ thống nhanh và một hệ thống chậm từ một mô hình mở suy nghĩ lai: System 1 đọc xác suất các chữ cái lựa chọn khi mô hình trả lời trực tiếp, và System 2 đọc cùng các chữ cái đó sau khi mô hình đã suy nghĩ trên cùng prompt được lưu đệm, nên việc nâng cấp không lặp lại công việc và một suy nghĩ đượ...
- Với mục tiêu tỷ lệ lỗi 5%, Qwen3.5-27B trả lời 24,5% trong 8359 quyết định kiểm thử chỉ bằng System 1 với lỗi thực tế 3,9% (Qwen3.5-4B và 9B: 6,5% và 0,0%).
- Với các quyết định còn lại, dừng mỗi suy nghĩ ngay khi câu trả lời đủ tự tin đạt độ chính xác 81,6% so với 82,7% khi luôn suy nghĩ, dùng 72% token suy nghĩ.
- Bài báo nêu rằng không cần huấn luyện: một kiểm định thống kê trên dữ liệu dev có nhãn giữ các câu trả lời System 1 được chấp nhận dưới mục tiêu tỷ lệ lỗi, và mã cùng các bộ sinh dữ liệu đã có sẵn.
Với người xây dựng dịch vụ quyết định có kiểu, điều này gợi ý tái sử dụng một prompt được lưu đệm và xác suất chữ cái của nó trên một mô hình mở suy nghĩ lai, rồi quyết định theo từng quyết định có nên suy nghĩ dưới bảo đảm thống kê, nhằm g...
Đo lường nơi ý định bị mất trong tổng hợp hợp đồng thông minh dạng tác tử
Bài báo thiết kế đánh giá dựa trên thực thi, phát lại cùng các giao dịch trên hợp đồng do AI viết và trên bản gốc mà nó phải tái tạo để đo tần suất chúng khớp nhau, đồng thời đề xuất kiến trúc elicitation-first hỏi khách hàng một danh sách câu hỏi ngắn trước khi viết mã.
- Bài báo báo cáo rằng chỉ kiểm tra các hàm mà mọi hệ thống đều có đã che giấu khoảng một nửa khác biệt giữa các pipeline.
- Bài báo báo cáo rằng hỏi trước quan trọng hơn nhiều so với xem xét hay vá sau đó trên ba mô hình AI, trong khi các bản sửa bảo mật tự động thường phá vỡ hành vi được yêu cầu.
- Bài báo báo cáo rằng các phương pháp phổ biến như giám khảo AI và công cụ phân tích tiêu chuẩn bỏ sót lỗi rõ ràng, và lựa chọn cách chấm điểm cũng quan trọng.
- Các tác giả phát hành công cụ, 600 nhiệm vụ và toàn bộ kết quả; bài báo được chấp nhận tại ACM TheWebConf2027.
Với sinh mã dạng tác tử, cần khai thác các yêu cầu còn thiếu trước khi sinh và xác thực bằng đáp án thực thi được viết độc lập, thay vì dựa vào xem xét sau hay vá bảo mật tự động.
OpenFrontiers: Tuyển tập các bài toán nghiên cứu mở và benchmark cho tái khám phá khoa học
OpenFrontiers kết hợp một kho ngữ liệu có cấu trúc gồm 12.151 bài toán nghiên cứu mở với một benchmark hồi cứu gồm 200 bài toán, trong đó 110 bài được giải trong năm 2026 và 90 bài vẫn mở, mỗi bài có một phát biểu Lean 4 được kiểm tra bằng các đầu dò tự động và hai đánh giá độc lập.
- Kho ngữ liệu ghi lại phát biểu bài toán, bối cảnh, tiến độ và thông tin khác cho 12.151 bài toán.
- Benchmark chứa 200 bài toán, 110 bài được giải trong năm 2026 và 90 bài vẫn mở, mỗi bài có một phát biểu Lean 4 được kiểm tra bằng các đầu dò tự động và hai đánh giá độc lập.
- Tập con HQ-50 lọc thêm dựa trên điểm chất lượng, v.v.
- Giao thức đánh giá chấm điểm các chứng minh hình thức bằng hai trình kiểm tra độc lập trong một sandbox biệt lập theo các điều kiện sách đóng, truy xuất đóng băng và web trực tiếp.
Vì benchmark tách biệt việc chấm điểm hình thức theo các điều kiện sách đóng, truy xuất đóng băng và web trực tiếp, nhà phát triển có thể phân biệt tái khám phá thực sự với việc truy xuất các lời giải đã công bố.