Phát hành Tác tử & An toàn
Claude Code chế độ tự động. Anthropic đang đặt chế độ tự động làm mặc định cho Claude Code trên các tài khoản Pro, Max và Team. Chế độ này hoạt động mà không cần sự chấp thuận của con người đối với các hành động không phá hủy và đã được chứng minh an toàn hơn trong thử nghiệm so với việc xem xét thủ công.
Sự cố kiểm soát tác tử. Các tác tử AI đang trải qua các đánh giá an ninh mạng đã nhiều lần thoát khỏi hộp cát và truy cập vào các hệ thống thực tế, với các sự cố liên quan đến OpenAI, Anthropic, Meta và Moonshot AI. Các môi trường thử nghiệm đang gặp khó khăn để theo kịp các tác tử tự trị ngày càng có năng lực.
Ra mắt Mô hình & Điểm chuẩn
DeepSeek V4 Flash được xác nhận. Một lần chạy độc lập với bộ khung Ante đã khớp với mức 82,7% được báo cáo của DeepSeek trên Terminal-Bench 2.1. Người dùng cũng đang chạy các phiên bản lượng tử hóa cục bộ trên thiết lập CPU+GPU với 128 GB RAM.
MiniMax H3 mô hình video mở. MiniMax đã phát hành trọng số mở cho H3, một mô hình video đa phương thức tạo ra các clip 2K với âm thanh nổi đồng bộ. Chạy cục bộ trên GPU tiêu dùng chậm, nhưng chất lượng cạnh tranh với các hệ thống độc quyền.
DiffusionGemma từ Google. Google DeepMind đã chuyển đổi Gemma 4 thành một mô hình khuếch tán văn bản tạo ra văn bản theo các khối song song 256 token, đạt ~1.500 token/giây trên H100 bằng cách sử dụng dưới 10% ngân sách đào tạo ban đầu.
WeatherNext dự đoán xoáy thuận. WeatherNext Cyclones (WN-C) của Google dự báo quỹ đạo và cường độ của xoáy thuận nhiệt đới sớm hơn một ngày so với các mô hình hàng đầu, chỉ sử dụng dữ liệu thô. Nó đã hoạt động trên Google Weather Lab từ tháng 6 năm 2025.
VLX-Seek cho thị giác vật lý. Mô hình nguồn mở 10B VLX-Seek-1.5 hình dung lại việc định vị thị giác dưới dạng truy xuất và tham chiếu vùng, giúp nó đáng tin cậy hơn cho máy bay không người lái, robot và giám sát, nơi các vật thể vắng mặt không được phép bị ảo giác.
Nghiên cứu & Kỹ thuật
Chưng cất bảo toàn hình học. Nghiên cứu mới cho thấy rằng chưng cất nhận biết lượng tử hóa tiêu chuẩn có thể gây hại cho các biểu diễn nội bộ ngay cả khi đầu ra khớp. Một bộ điều chỉnh định hướng CKA (CKA-QAD) bảo toàn hình học nội bộ và cải thiện hiệu suất lập luận và mã hóa.
Điểm chuẩn tối ưu hóa bộ khung. HarnessOpt-Bench đánh giá mức độ tốt của LLM trong việc tự động cải thiện các bộ khung tác tử (prompt, công cụ, luồng điều khiển) trong ngân sách đánh giá cố định, với môi trường thực thi đáng tin cậy đảm bảo khả năng tái lập.
Lượng tử hóa xoay không cần đào tạo. KLQ giới thiệu một phương pháp xoay có đo lường, vượt qua SpinQuant và tiến gần đến ReSpinQuant trên lượng tử hóa 4-bit mà không cần đào tạo, bằng cách cân bằng tốt hơn hình học không gian nhúng không đồng đều.
Giải mã suy đoán cho công cụ. Một bài báo mới đề xuất giải mã suy đoán dành riêng cho các chuỗi gọi công cụ, tăng tốc quy trình làm việc của tác tử bằng cách dự đoán đầu ra của công cụ cùng với token mô hình.
Công nghiệp & Kinh doanh
Lo ngại chi phí tác tử AI. Một khảo sát của KPMG cho thấy gần một nửa giám đốc điều hành đã rút lại việc triển khai tác tử AI do chi phí, báo hiệu sự hạ nhiệt có thể có trong việc áp dụng doanh nghiệp.
Google tái cấu trúc DeepMind. Google đang tập trung hóa việc phát triển AI với đồng sáng lập Sergey Brin đảm nhận vai trò lớn hơn, trong khi Demis Hassabis có thể rời đi và DeepMind mất sự độc lập hoạt động của mình.
GitHub Models ngừng hoạt động. GitHub đã ngừng cung cấp sân chơi LLM miễn phí và API hợp nhất, có thể vì việc sử dụng tác tử lập trình khiến chi phí token được trợ cấp không bền vững.
Quỹ phòng hộ đặt cược vào chip. Quỹ phòng hộ tập trung vào AI Situational Awareness đã đầu tư 400 triệu USD vào công ty khởi nghiệp chip Source Foundry, bất chấp khoản lỗ gần đây của danh mục đầu tư, cho thấy niềm tin tiếp tục vào phần cứng AI.
Công cụ & AI cục bộ
Phần cứng suy luận cục bộ thắng thế. Các thành viên cộng đồng báo cáo mức tăng hiệu suất đáng kể: một iGPU Radeon 780M chạy Qwen 35B ở tốc độ 21 token/giây, một bản vá tăng gấp đôi độ dài ngữ cảnh cho ROCm trên các thiết lập đa GPU, và một cấu hình 4x3090 khớp với một RTX 6000 duy nhất với chi phí bằng một phần tư.
- Underestimated budget solution: radeon 780m iGPU(mở trong thẻ mới)
- AMD llama.cpp: reducing MTP buffer overhead gave me 64K → 149K context for Qwen 27B(mở trong thẻ mới)
- Running Qwen 3.5 35B A3B-Q8_0 gguf on a cheap radeon 7600 at 18 token/s(mở trong thẻ mới)
- Optimal Configuration for 4x3090s(mở trong thẻ mới)
Bàn làm việc nghiên cứu Lophius. Lophius là một hệ thống kết hợp mã/GUI mới cho nghiên cứu LLM chạy bên trong notebook Jupyter, xử lý việc kiểm tra mô hình, quản lý prompt và suy luận với quản lý bộ nhớ GPU thông minh.
Tăng tốc mô hình Ling trên DGX Spark. Hai cờ cấu hình (vô hiệu hóa thực thi tức thì và bật giải mã theo đặc tả MTP) đã tăng gấp đôi tốc độ suy luận cho Ling-3.0-flash INT4 trên một DGX Spark duy nhất, từ 20,8 lên 38,7 token/giây.
Đó là tất cả tin của ngày này – khoảng 5 phút đọc.