Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON: Ngôn ngữ đánh dấu bản địa LLM, nay có trong Granite 4.1 3B và 8B

IBM phát hành hai mô hình xem trước thử nghiệm, granite-4.1-3b-LLMON-preview và granite-4.1-8b-LLMON-preview, dẫn xuất từ các mô hình cơ sở Granite 4.1 và được huấn luyện để đọc và tạo văn bản gắn thẻ LLMON, giúp tách chỉ dẫn khỏi dữ liệu nhằm chống lại tấn công chèn prompt gián tiếp.

  • Trên benchmark OPI, các mô hình LLMON tránh được nhiều hơn 47% số cuộc tấn công so với mô hình tiên tiến nhất được thử nghiệm và nhiều hơn 95% so với mô hình mã nguồn mở tốt nhất.
  • LLMON định nghĩa sáu dấu phân cách được cài trong tokenizer dưới dạng token đơn lẻ dành riêng.
  • Quá trình huấn luyện dùng năm giai đoạn GRPO tuần tự, tiếp theo là giai đoạn DPO cuối trên một nghìn cặp sở thích on-policy.
  • Các mô hình là bản xem trước thử nghiệm, sẵn sàng cho khám phá và đánh giá nhưng không dành cho sản xuất.

Nhà phát triển tác nhân RAG hoặc gọi công cụ có thể chuyển sang bản xem trước LLMON để có hiệu năng tổng quát tương đương Granite 4.1 Instruct với khả năng chống chèn prompt mạnh hơn.

Hugging Face Blog
02
testcreativeincremental

Hướng dẫn fine-tuning cho mô hình tạo 3D TRELLIS.2: adapter LoRA và container

Hugging Face phát hành script và container fine-tuning cho TRELLIS.2, chỉ huấn luyện adapter LoRA trên sparse-structure flow DiT và shape flow DiT, nhằm cải thiện độ chính xác hình học của đế giày trên 188 đối tượng giày dép thuộc GSO.

  • Thí nghiệm sử dụng 188 đối tượng giày dép từ GSO, bộ dữ liệu gồm tổng cộng 1.030 đối tượng.
  • Khoảng 9,3 triệu tham số adapter được huấn luyện trên cả hai DiT mục tiêu: rank 8 ở các lớp attention và MLP của sparse-structure flow DiT, và rank 16 ở các lớp attention của shape flow DiT.
  • Container tiền xử lý dùng Blender kết xuất 16 góc nhìn cho mỗi đối tượng, và lần chạy đầy đủ cho 188 đối tượng mất khoảng 1 giờ trên job a100-large (80 GB).
  • Container huấn luyện cung cấp cấu hình ss và shape; ví dụ đặt max_steps=3000 và i_save=500, và checkpoint adapter có thể được tải lên Hub.

Với tập dữ liệu 3D nhỏ, đóng băng texture flow DiT và chỉ thêm LoRA vào các DiT liên quan đến hình dạng cho phép sửa lỗi hình học có mục tiêu với chi phí tính toán hạn chế.

Hugging Face Blog
03
watchresearchcapability unlock

Google Research giới thiệu hồ sơ rủi ro CKM và huấn luyện cá nhân hóa bằng thiết bị đeo

Google Research giới thiệu một khung học máy ở giai đoạn nghiên cứu, chuyển tín hiệu thụ động từ thiết bị đeo thành tuổi sức khỏe có thể thay đổi, dùng mô hình thế giới điều kiện theo hành động để mô phỏng quỹ đạo thói quen 12 tuần cá nhân hóa, và mở rộng sang các dấu ấn sinh học máu thường quy để theo dõi sức khỏe tim...

  • Trong nghiên cứu đối đầu mù với 49 hồ sơ người tham gia và 490 đánh giá ghép cặp, huấn luyện viên lối sống chọn kế hoạch dựa trên phản thực tế là kế hoạch tổng thể tốt nhất trong 71,4% đánh giá (p < 0,001).
  • Bác sĩ đánh giá 99,2% kế hoạch phản thực tế nằm trong giới hạn cường độ tập luyện an toàn và 97,6% chính xác về các tuyên bố sinh lý.
  • Mô hình tuổi sức khỏe CKM đa phương thức được đánh giá trên 819 người tham gia WEAR-ME, kết hợp tín hiệu thiết bị đeo với tỷ lệ cholesterol/HDL, eGFR và HOMA-IR.
  • Các tác giả nêu rõ đánh giá được thực hiện ngoại tuyến bằng các nhóm nghiên cứu hồi cứu và các mô hình này là nguyên mẫu nghiên cứu, không phải công cụ chẩn đoán lâm sàng.

Với nhà phát triển AI, đây là mô hình vòng kín trong đó mô hình thế giới tạo quỹ đạo phản thực tế và mô hình ngôn ngữ chuyển chúng thành huấn luyện có thể hành động, được xác thực bằng đánh giá chuyên gia mù và chỉ số an toàn lâm sàng.

Google Research
04
watchagentscapability unlock

Google Antigravity bổ sung “tác nhân từ xa” chạy tác nhân AI trên đám mây

Google Antigravity bổ sung tính năng “tác nhân từ xa”, trong đó các tác nhân AI chạy trên đám mây và tiếp tục làm việc ngoài giờ làm việc.

  • Tính năng có tên “tác nhân từ xa”, và các tác nhân AI chạy trên đám mây.
  • Theo Publickey, các tác nhân AI tiếp tục làm việc ngoài giờ làm việc.

Với các builder, tác nhân được lưu trữ trên đám mây mở rộng việc thực thi ra ngoài một phiên, nên việc bàn giao và giám sát phải được thiết kế cho các lần chạy không có người giám sát.

Publickey
05
watchresearchbenchmark jump

Nghiên cứu: AI rút ngắn tìm kiếm lỗ hổng từ chín tháng xuống 90 giờ

Theo một nghiên cứu được All About SECURITY đưa tin, AI đã giảm thời gian tìm kiếm lỗ hổng từ chín tháng xuống 90 giờ.

  • Báo cáo nêu thời gian tìm kiếm lỗ hổng giảm từ chín tháng xuống 90 giờ.
  • Nguồn: All About SECURITY.

Với các nhà xây dựng AI, mức giảm được báo cáo này cho thấy tìm kiếm lỗ hổng có AI hỗ trợ có thể rút ngắn đáng kể thời gian nghiên cứu bảo mật.

All About SECURITY