Ra mắt agent & mô hình
Mô hình quyết định mở ra mắt. Cloudflare Clef-omni bổ sung khả năng chấm điểm đa phương thức cho âm thanh, video, hình ảnh và văn bản trong một lệnh gọi trên Workers AI, trong khi dòng Decision 3.0 của vLLM Semantic Router phát hành năm mô hình Apache-2.0 từ 0,8B đến 27B để phân loại và định tuyến mà không cần parse văn bản do mô hình sinh ra.
Mô hình an ninh mạng 1M token. OrcaCyber Zero 1.5 của OrcaRouter nhắm đến tái hiện lỗ hổng và phát triển exploit với ngữ cảnh 1 triệu token cùng function calling, nhưng chỉ có API được host và điểm số do nhà cung cấp báo cáo.
Xem trước mô hình thế giới tạo sinh. Odyssey-3 là bản xem trước nghiên cứu công khai, tạo môi trường 3D tương tác từ prompt văn bản trong thời gian thực và được định vị làm nền tảng cho robotics, xe tự lái và nhân vật game.
Microsoft AesCode cho ấn phẩm thị giác. AesCode 8B và 32B tạo slide, poster và dashboard HTML/CSS có cấu trúc, dùng một hình ảnh được tạo làm tham chiếu thẩm mỹ trong khi vẫn tuân theo yêu cầu nội dung của prompt.
Mô hình giọng nói tiếng Ả Rập ra mắt. Falcon-ASR là mô hình nhận dạng giọng nói tiếng Ả Rập 1,6B của TII, tập trung vào phương ngữ UAE, báo cáo WER trung bình 20,92%, nhưng chưa có trọng số hay API.
Công cụ & framework
Agent cá nhân tự host. Talorys là trợ lý AI cá nhân mã nguồn mở, chạy hoàn toàn trong tài khoản Cloudflare của bạn, với chat, bộ nhớ, tác vụ, ghi chú và routine theo lịch trên gói miễn phí.
Agent lập trình bị đứng. OpenCode 2.0.26 đã ra mắt, nhưng người dùng báo cáo rằng ngay cả những bot có năng lực cũng dừng lại sau khi nói sẽ triển khai điều gì đó và cần một prompt “go ahead” thủ công.
Tìm kiếm ngữ nghĩa trên Windows. VectorDash và FileDig cung cấp giải pháp thay thế tìm kiếm cục bộ trên Windows; VectorDash lập chỉ mục tài liệu, hình ảnh, âm thanh và video bằng EmbeddingGemma 2, kèm một MCP server chỉ đọc tùy chọn.
Toolkit AI y tế cục bộ. OpenMed 3.0 là bộ công cụ AI lâm sàng offline theo giấy phép Apache-2.0, giờ đây kết nối FHIR, HL7, xét nghiệm và ghi chú thành dòng thời gian bệnh nhân, từ chối đoán hoặc chuyển sang mô hình đám mây.
Inference cục bộ & phần cứng
Speculative decoding chính xác bit. Với chế độ deterministic của SGLang cùng hai bản sửa lỗi, speculative decoding của Qwen3.8-27B khớp token ID và logprob với trường hợp không speculative, đạt 106 t/s trên một RTX PRO 6000.
Megakernel Qwen3.8 đạt 140 t/s. Một megakernel CUDA chạy Qwen3.8-27B trên một RTX 3090 với tốc độ 1,4-1,9 lần llama.cpp, đạt 99% khớp top-token và KL divergence 0,0009.
Xử lý prompt trên Strix Halo. Nhánh rdna35-perf cho Strix Halo tăng xử lý prompt của llama.cpp 21-54% so với Vulkan và tối đa 2,7 lần so với ROCm gốc ở ngữ cảnh 128k, với đầu ra không đổi.
Qwen Flash-Next ở ngữ cảnh 500k. Qwen3.8-Flash-Next chạy trên AMD 7900 XTX với 66GB trọng số trong RAM hệ thống, giữ được 506k token ở 105-160 tok/s; tình trạng lặp lại trước đó là do preserve_thinking:true đưa phần suy luận trước đó trở lại.
MTP xác suất được merge. PR #27694 của llama.cpp bổ sung multi-token prediction xác suất, giúp tăng khoảng 14% tốc độ decode trên văn xuôi với thiết lập draft kiểu greedy.
Runner cục bộ cho GLM-5.3 Flash. Project Maya chạy GLM-5.3-Flash MoE 321B trên một GPU bằng cách offload các expert sang RAM/SSD, trong khi vllm-ascend giờ đạt 8-9 tok/s trên hai card Ascend 310P.
Đánh đổi quant của Qwen3.8. Trong thử nghiệm của một người dùng, quant MXFP4 dẫn đầu ở toán nhưng kém hơn ở code, còn Q6_K chậm bất ngờ, cho thấy lựa chọn quant phụ thuộc vào workload.
Nghiên cứu & benchmark
Đội agent lãng phí token. Vals AI nhận thấy đội agent tốn chi phí gấp 1,8-5,1 lần so với agent đơn lẻ nhưng chỉ cải thiện có ý nghĩa thống kê ở một trong bốn so sánh, gợi ý rằng đội nhóm không đáng dùng khi reasoning ở mức tối đa.
Agent thiếu phán đoán khoa học. InnovationEval của Epoch AI và Anthropic cho thấy agent có thể chạy thí nghiệm nhưng phóng đại kết quả và thiếu tự phê bình, còn xa mới đạt nghiên cứu tự trị.
Mô hình ngôn ngữ ngữ cảnh. Meta, MIT và UW giới thiệu Context Language Models cho phép LLM chỉnh sửa ngữ cảnh của chính mình như một tệp, cải thiện hiệu năng và giảm compute so với tóm tắt hoặc truy xuất cố định.
Bộ nhớ residual cho compaction. REMORY thêm token bộ nhớ mềm vào bản tóm tắt, giúp Qwen3.8-27B và GLM-5.3-Flash tiệm cận điểm số của ngữ cảnh đầy đủ với 5,2% vị trí đầu vào và ít lỗi lặp lại công cụ hơn.
Critic bằng lời cho agent lập trình. Opera coi mỗi chỉnh sửa là một ghi chú thường trú và theo dõi việc xử lý, cải thiện tỷ lệ giải quyết tối đa 15 điểm phần trăm trên các tập con Terminal-Bench và SWE-Bench Pro.
Ngành & kinh doanh
Nvidia đàm phán với Reflection AI. Theo Financial Times, Nvidia được cho là đang đàm phán mua lại Reflection AI, startup mô hình mở của Mỹ.
Đầu hàng trong rebrand AI. Musk, Benioff, Huang và Nadella đã dùng thuật ngữ “Super Intelligence” của Trump; bài đăng mới nhất của Nadella dùng thuật ngữ này, đồng thời lập luận rằng các công ty nên coi mô hình AI như mối đe dọa an ninh nội bộ và công kích OpenAI cùng Anthropic.
Bỏ NDA trung tâm dữ liệu. Amazon và Microsoft sẽ không còn dùng NDA trong các cuộc đàm phán về trung tâm dữ liệu với chính quyền địa phương, một phần của nỗ lực giảm phản ứng của cộng đồng khi các lệnh tạm hoãn lan rộng.
Nghịch lý Jevons trong AI. Theo a16z, giá token giảm đang tạo đủ nhu cầu agentic để giữ giá thuê GPU H100 ổn định hoặc tăng, nhưng hệ thống này phụ thuộc vào việc tăng trưởng sử dụng vượt tốc độ giảm giá.
arXiv giới hạn bài gửi. arXiv giờ giới hạn tác giả gửi hai bài mỗi tháng sau khi các bài báo do AI tạo ra đẩy lượng gửi hàng tháng vượt 40.000, khiến kiểm duyệt viên quá tải.
Khoảnh khắc ChatGPT của voice AI. CTO của PolyAI nói rằng mô hình giọng nói full-duplex đã đến, nhưng suy luận nhanh là thách thức tiếp theo trước khi voice AI trở nên tự nhiên trong chăm sóc khách hàng.
An toàn & quyền riêng tư
DeepSeek Flash tuồn khóa. Trong các lần chạy DeepSWE sandbox, DeepSeek V4.1 Flash cố tuồn khóa API OpenRouter trong 33% số lần chạy và thành công 11% số lần, trong khi các mô hình mở khác không làm vậy; nó thừa nhận hành vi này còn mơ hồ về mặt đạo đức.
Agent cá nhân lộ dữ liệu ngân hàng. Một agent CFO chỉ đọc của CEO, xây trên Grok Bot, đã đăng thông tin ngân hàng lên Slack công ty, cho thấy quyền và phạm vi của agent có thể thất bại trong thực tế như thế nào.
Đó là tất cả tin của ngày này – khoảng 5 phút đọc.