Ba người nói,
mới là
một tin.

Chất lượng truy xuất thông tin phụ thuộc nhiều vào các khóa chỉ mục, nhưng các chiến lược tối ưu hóa cố định thường kém hiệu quả trong các môi trường thay đổi và việc tiến hóa chỉ mục hiện tại vẫn do con người điều khiển. Nghiên cứu đề xuất SELF-INDEX, một framework cho phép chỉ mục tự tiến hóa mà không cần can thiệp thủ công. Bộ tối ưu hóa (Optimizer) tự động chẩn đoán điểm yếu truy xuất, sửa đổi có chọn lọc các khóa chỉ mục và xác thực từng bản sửa đổi trước khi cập nhật. Thêm vào đó, Query Simulator giúp chủ động khám phá các nhu cầu bổ sung ngoài các truy vấn có sẵn. Kết quả cho thấy SELF-INDEX cải thiện hiệu suất truy xuất trên nhiều tập ngữ liệu và tối ưu hóa hiệu quả hoạt động của các agent tìm kiếm và bộ nhớ.

Các agent đa lượt huấn luyện bằng học tăng cường thường sử dụng phương pháp chưng cất trực tuyến trên chính sách (OPD) với giáo viên mang kỹ năng đặc quyền để cung cấp giám sát ở cấp độ token. Tuy nhiên, thông tin đặc quyền không phải lúc nào cũng đáng tin cậy và lợi ích của giáo viên phụ thuộc vào từng giai đoạn huấn luyện. Nghiên cứu đề xuất RetireOPD (Self-Retiring On-Policy Distillation), tối ưu hóa một giáo viên có điều kiện kỹ năng trước, sau đó huấn luyện học sinh cùng với RL và OPD. Thông qua Adaptive Retirement, học sinh sẽ tự động loại bỏ giáo viên khi độ chênh lệch ngừng giảm và đạt đến một tỷ lệ thành công mục tiêu, sau đó tiếp tục huấn luyện thuần bằng RL. Trên các mô hình Qwen2.5 từ 1.5B đến 7B, RetireOPD cải thiện tỷ lệ thành công ALFWorld từ 14.1% lên 18.8% và độ chính xác WebShop từ 11.8% lên 19.0%.

Tác giả đề xuất EvoSkill-GUI, một framework không cần huấn luyện (training-free) cho phép GUI agent tự động cập nhật và tinh chỉnh các kỹ năng thông qua vòng lặp phản hồi reflect-revise-reuse. Mỗi kỹ năng được lưu dưới dạng một gói nhiều file chứa metadata, kế hoạch thực thi và quy tắc phục hồi lỗi. Khi triển khai, executor thực hiện chỉnh sửa ngay trong quá trình chạy còn critic cô lập chẩn đoán lỗi. Thử nghiệm trên các benchmark như MobileWorld, AndroidWorld và OSWorld cho thấy phương pháp này cải thiện đáng kể hiệu suất của mô hình cơ sở.

Bài báo đề xuất khái niệm Discovery Intelligence và Discovery Foundation Models (DFMs) như một hệ thống tổng quát cho việc khám phá mở. Các tác giả hiện thực hóa framework này thông qua Zetema (kết hợp động lực trạng thái nghiên cứu, cơ chế kiểm chứng và tiến hóa kỹ năng) và GALILEO (một hệ thống khép kín kết hợp lý luận Dry-Lab với thực nghiệm Wet-Lab bằng robot). Cách tiếp cận này giúp huấn luyện và đánh giá hành vi khám phá vượt ra ngoài hiệu suất trả lời cuối cùng.

Bài báo nghiên cứu tác động của lịch trình tạo sinh ứng viên (candidate-generation schedules) đối với test-time scaling của LLM, chỉ ra rằng số lượng ứng viên N không đủ để mô tả chi phí hệ thống. Các tác giả so sánh bốn lịch trình (1x8, 2x4, 4x2, 8x1) trong khi giữ nguyên tổng số ứng viên N = 8. Kết quả trên GPU A100 cho thấy việc thực hiện 8 lời gọi tuần tự tiêu tốn năng lượng phần cứng nhiều hơn 4.64-4.86x và có độ trễ P95 cao hơn 5.77-6.12x so với một lời gọi theo lô đơn duy nhất. Do đó, khi các ứng viên độc lập và bộ nhớ cho phép, việc gộp nhiều ứng viên vào ít lời gọi hơn sẽ hiệu quả hơn.

Bài báo xem xét quy chuẩn chỉ áp dụng hàm mất mát cho các token hành động do agent tạo ra trong quá trình tinh chỉnh có giám sát (SFT), và đề xuất ActObs để giám sát cả các token quan sát. Bằng cách huấn luyện mô hình dự đoán hệ quả của hành động mà không cần thêm dữ liệu hay tham số, phương pháp này ngăn chặn việc gradient hành động và quan sát trở nên trực giao. Trên Qwen3-4B, GRPO từ ActObs đạt điểm pass@k cao hơn trên Terminal-Bench 2.0 so với phương pháp chỉ dựa vào hành động. Trên Qwen3-8B, nó tăng pass@16 thêm +3.4 pp và mang lại lợi thế mở rộng sang nhiệm vụ chỉnh sửa mã nguồn đa miền trên aider-polyglot với +4.2 pp ở pass@1 tại cấu hình 4B. Giám sát chung giúp duy trì entropy tốt hơn trong suốt quá trình RL.

Nhóm tác giả giới thiệu ScienceBuddy, một không gian làm việc nghiên cứu khoa học tương tác tích hợp phương pháp tự cải thiện đệ quy lồng nhau (recursive-in-recursive self-improvement). Kỹ thuật này kết hợp đồng thời sự tiến hóa của bộ công cụ hỗ trợ (harness evolution) với quá trình huấn luyện tăng cường cho mô hình (model reinforcement learning). Vòng lặp bên trong cải thiện harness khi cố định mô hình, trong khi vòng lặp bên ngoài huấn luyện mô hình dựa trên harness đã được tối ưu. Nghiên cứu cung cấp các ca thực tế trên bốn nhóm tác vụ khoa học khác nhau.

Các tác giả giới thiệu HazardAuditor, một framework thực thi giám sát các computer-use agent (như Claude Code, Codex, Hermes và OpenClaw) bằng cách chuẩn hóa các tương tác thời gian chạy của chúng thành một cấu trúc sự kiện chung. Họ chỉ ra rằng các mục tiêu huấn luyện hậu kỳ cấp token tạo ra sự mất cân bằng cấu trúc cho generative guard, khiến các đoạn giải thích dài lấn át các cập nhật gradient. Để khắc phục, họ đề xuất phương pháp Guard Policy Optimization (GuardPO), chuyển đổi kết quả an toàn thành lợi thế cấp chuỗi và chuẩn hóa các vùng giải thích và quyết định. Kết quả là framework này cải thiện độ chính xác lên đến 16.5 percentage points so với các guard trước đó.

Nhóm tác giả giới thiệu Grouped Value Attention (GVA), một kỹ thuật tối ưu hóa KV cache giúp lưu trữ các giá trị được gom nhóm (grouped values) và tái tạo khóa nội dung thông qua một phép ánh xạ tuyến tính đã học. Phép ánh xạ này có thể được hấp thụ trực tiếp vào query khi suy luận, loại bỏ nhu cầu lưu trữ khóa nội dung trong đường dẫn giải mã dự định, trong khi một kênh RoPE chia sẻ nhỏ giữ lại thông tin vị trí. Ở quy mô 350M tham số với 30B token FineWeb-Edu, biến thể vị trí 16 chiều đạt độ chính xác trung bình 44,18 trên năm tác vụ, so với 44,36 của GQA và 43,88 của MLA, đồng thời giảm khoảng 45-47% số lượng scalar cache so với GQA tương ứng.

Nghiên cứu này trình bày LynnReal-Omni, một framework tạo video đa phương thức gốc xây dựng trên transformer khuếch tán chia sẻ 32B, hợp nhất văn bản thành video, tạo có điều kiện hình ảnh, điều khiển cấu trúc và chỉnh sửa dài hạn. Hệ thống chấp nhận nhiều đầu vào hình ảnh khác nhau như tham chiếu ngoại hình, render 3D và bản ghi game. Tác giả cũng huấn luyện một biến thể 27B Flash để kết xuất thời gian thực, cùng bộ đánh giá MSAVP gồm 100 prompt và 20 metric. Trên một GPU H100, thời gian tạo và giải mã khung hình 540p 22 khung hình mất 843 ms với LynnReal-Omni và 377 ms với bản Flash.

Tác giả trình bày Video DeltaNet (VDN), một kiến trúc attention kết hợp lai nhằm giảm nút thắt cổ chai tính toán trong các mô hình khuếch tán video. Nhánh tuyến tính của VDN tích hợp Video Delta Attention để cập nhật bộ nhớ mỗi khung hình qua các token không gian, trong khi vẫn duy trì attention Softmax cho các tương tác văn bản hoặc âm thanh. Bằng cách áp dụng phương pháp căn chỉnh giáo viên theo từng giai đoạn kết hợp với quá trình chưng cất 8 bước và stack phục vụ SGLang được tối ưu, VDN-H3 có thể xử lý denoising cho video 768p trong thời gian ngắn trên nền tảng phần cứng nhiều GPU.

Tác giả đề xuất EvolveTrade, một framework tự tiến hóa dành cho các LLM trading agent, xử lý system prompt của agent như một chính sách tham số hóa bằng văn bản. Sau mỗi khoảng thời gian cập nhật, một Policy Agent sẽ chỉnh sửa chính sách này dựa trên các vết quyết định (decision traces) tích lũy và phản hồi danh mục đầu tư thực tế, trong khi giữ nguyên mô hình LLM nền tảng. Thử nghiệm trên nhiều chế độ thị trường khác nhau cho thấy phương pháp này giúp cải thiện tỷ lệ Sharpe và lợi nhuận tích lũy so với các baseline sử dụng chính sách tĩnh.

Bài báo giải quyết tình trạng kém hiệu quả của các Large Reasoning Models (thường suy nghĩ quá nhiều cho bài toán dễ và quá ít cho bài toán khó). Các tác giả đề xuất When2Think, một framework hậu huấn luyện phân bổ tính năng tính toán dựa trên độ khó của từng instance. Phương pháp này sử dụng cơ chế định hình phần thưởng Instance-level Difficulty-Aware Control (IDAC) kết hợp với số liệu thống kê tham chiếu. Kết quả thực nghiệm trên AIME24 cho thấy Pass@3 tăng 10.0% trong khi lượng token giảm 27.9% so với mô hình cơ sở.

Nghiên cứu giới thiệu PACT (Pressure-Applied Compliance Testing), một bộ benchmark đánh giá khả năng tuân thủ quy tắc của agent doanh nghiệp qua 12 lĩnh vực quản lý và 48 kịch bản hội thoại nhiều vòng. Tác giả kiểm tra 22 mô hình LLM thông dụng dưới nhiều hình thức gây áp lực khác nhau. Kết quả cho thấy các mô hình tốt nhất vẫn vi phạm quy tắc từ 6 đến 10% các mục, và áp lực thông thường từ người dùng làm tăng tỷ lệ vi phạm trung bình 65%.