Agentic AI News Ngày 02 tháng 8 năm 2026

Trí thông minh ngang bằng với tháng 3 năm 2026. DeepSeek V4 Flash (0731) đạt điểm chỉ số trí thông minh là 50, gần bằng mức 51 của các mô hình tiên tiến từ năm tháng trước. Trên phần cứng tiêu dùng, nó chạy ở tốc độ có thể sử dụng: 44 t/s trên RTX PRO 6000 eGPU, 15 t/s trên ba MI50, và thậm chí 4.5 t/s trên hai RTX 3060 với RAM offloading, nhờ lượng tử hóa khéo léo và offloading một phần.

• DeepSeek-V4-Flash-0731: Models you can run locally now have the intelligence score of the top frontier model from March 2026(mở trong thẻ mới)
• DeepSeek-V4-Flash-0731 on Bosgame M5 with RTX PRO 6000 Max-Q eGPU(mở trong thẻ mới)
• Ran DS V4-Flash-0731 Locally on 3xMI50 32GB @ ~15 t/s TG(mở trong thẻ mới)
• DeepSeek V4 Flash 0731 IQ2_M benchmark for Dual 3060 and 96GB RAM ≈ 3.5 tok/s.(mở trong thẻ mới)

Gọi công cụ đã được sửa, tuân theo quy tắc vẫn không ổn định. Sau các báo cáo từ cộng đồng về việc gọi công cụ bị lỗi, một bản sửa cho llama.cpp đã được hợp nhất, và các giải pháp thay thế cho Unsloth Studio đã được chia sẻ. Tuy nhiên, người dùng nhận thấy rằng mô hình thường bỏ qua các lời nhắc hệ thống và kỹ năng, lưu trữ chúng dưới dạng tóm tắt nén thay vì tuân thủ nghiêm ngặt, điều này làm giảm độ tin cậy của nó cho các tác vụ agent yêu cầu tuân theo chỉ dẫn chính xác.

• Fix for Deep Seek v4 Flash 0731 tool calling has been added to llama cpp(mở trong thẻ mới)
• DeepSeek V4 Flash 0731 local setup gotcha: model, tool call & config setting(mở trong thẻ mới)
• Deepseek v4 flash 0731 still not holding up.(mở trong thẻ mới)

Điểm chuẩn cộng đồng cho các agent Hermes. Người dùng LocalLLaMA thảo luận về các điểm chuẩn tốt nhất để đánh giá các mô hình có khả năng agent như Hermes, với nhiều người cảm thấy rằng các bảng xếp hạng đã được thiết lập như SWE-bench không áp dụng được cho quy trình làm việc trợ lý gia đình hoặc xử lý tài liệu của họ.

• What’s the community’s favorite benchmark to validate performance?(mở trong thẻ mới)

Các bảng xếp hạng chỉ tập trung vào lập trình bị chỉ trích. Lời kêu gọi về các điểm chuẩn đa dạng hơn cho rằng các bảng xếp hạng gần đây tập trung quá mức vào các tác vụ lập trình, khiến việc học ngôn ngữ, viết sáng tạo và suy luận STEM bị thiếu đại diện, gây khó khăn trong việc đánh giá hiệu suất mô hình cho các trường hợp sử dụng agent không liên quan đến lập trình.

• Why are almost all new benchmarks and leaderboards coding focused?(mở trong thẻ mới)

Bộ điểm chuẩn chuyên ngành tự làm. Một Redditor đã xây dựng bộ sưu tập hơn 30 bài kiểm tra nhỏ, chuyên ngành (ví dụ: kiến thức thông thường, mô phỏng rửa xe) và một công cụ web để so sánh phản hồi của mô hình, nhằm lấp đầy khoảng cách giữa các điểm chuẩn rộng và các trường hợp sử dụng cá nhân.

• A collection of small domain-specific benchmarks for local models (30+ and growing)(mở trong thẻ mới)

Astra giải được các bài toán hàng thập kỷ. Gia đình mô hình tiếp theo của OpenAI, Astra, đã giải mười bài toán mở trước đây trong toán học và khoa học máy tính lý thuyết, với chứng minh Lean chính thức và chi phí dưới 2.000 USD cho mỗi lời giải. Các kết quả trải dài trên hình học, lý thuyết mã hóa và độ phức tạp lượng tử, và đã truyền cảm hứng cho nghiên cứu sâu hơn của con người.

• Ten advances in mathematics and theoretical computer science(mở trong thẻ mới)
• OpenAI announces its "next major model" Astra by dropping ten previously unsolved math solutions(mở trong thẻ mới)

Các agent lập trình hồi sinh phần mềm nghiên cứu cũ kỹ. Một nghiên cứu thực địa với OpenAI và các đối tác học thuật cho thấy rằng các agent lập trình AI như GPT-5.5 và Claude Code có thể hiện đại hóa phần mềm khoa học mong manh, đạt được tốc độ tăng hơn 60 lần trong một số trường hợp, nhưng công việc chuyển gánh nặng sang việc xác minh tính đúng đắn—các agent không thể đánh giá khoa học.

• AI coding agents can modernize research software but can't judge if the science is right(mở trong thẻ mới)

Sâu tiêm lời nhắc tự lan truyền tấn công Copilot. Một nhà nghiên cứu bảo mật đã trình diễn một con sâu sử dụng văn bản trắng trên nền trắng ẩn trong tài liệu Word để tiêm các chỉ dẫn độc hại vào Microsoft Copilot, sau đó Copilot sao chép payload vào các tệp mới. Microsoft đã xác nhận hành vi này nhưng chưa sửa nó sau 144 ngày.

• A security researcher built a self-spreading worm that hides inside Word docs and hijacks Microsoft Copilot(mở trong thẻ mới)

Nhiệm vụ ghi nhãn theo Đạo luật AI của EU bắt đầu. Từ ngày 2 tháng 8 năm 2026, EU yêu cầu rằng hình ảnh, video, âm thanh và văn bản do AI tạo ra phải được ghi nhãn rõ ràng. Quy định này có thể ảnh hưởng đến các agent tự động xuất bản nội dung hoặc tạo phương tiện truyền thông.

• EU AI Act takes effect tomorrow, August 2, 2026. 🤡(mở trong thẻ mới)

Lệnh cấm 'nudify' của Minnesota vượt qua thách thức pháp lý của xAI. Một thẩm phán liên bang đã từ chối nỗ lực của xAI nhằm tạm thời chặn luật của Minnesota chống lại các ứng dụng tạo ra hình ảnh khiêu dâm không có sự đồng thuận, lưu ý rằng xAI đã đợi ba tháng mới khởi kiện. Luật có hiệu lực trong khi vụ kiện tiếp tục.

• Judge denies xAI’s request to block Minnesota ban on ‘nudify’ apps(mở trong thẻ mới)

Kimi K3 chạy trên một CPU duy nhất, chậm rãi. Hai nhà phát triển độc lập đã viết các công cụ suy luận C tối thiểu để chạy mô hình MoE 1,56 TB Kimi K3 trên đĩa mà không cần GPU. Một người đạt được một token mỗi 30 giây bằng cách sử dụng 8 GB RAM và phát trực tuyến NVMe; người khác đạt 0,5 t/s với 29 GB RAM, tất cả các chuyên gia được đọc theo yêu cầu.

• I pushed Kimi K3 onto one CPU with 8 GB of RAM(mở trong thẻ mới)
• Weight-Aware Streaming Tensor Engine: run Kimi K3 using 29 GB of RAM at 0.50 tok/s(mở trong thẻ mới)

LongCat-Flash-Lite-Sparse hiện đã có sẵn. Bản phát hành mới này thay thế chú ý dày đặc bằng LongCat Sparse Attention (LSA) và hỗ trợ tối đa 1 triệu token ngữ cảnh một cách tự nhiên, phù hợp cho các tác vụ agent với tài liệu dài.

• LongCat-Flash-Lite-Sparse Is Now Available for Download(mở trong thẻ mới)

Laguna S 2.1 cập nhật ngữ cảnh và lượng tử hóa. Poolside đã phát hành các điểm kiểm tra FP8 và NVFP4 mới cho Laguna S 2.1, nâng kích thước ngữ cảnh mặc định lên 1M token và hy vọng sửa một vấn đề lặp đã cản trở quy trình phát triển.

• New official weights for Laguna S 2.1 FP8 & NVFP4 are now available(mở trong thẻ mới)