Tin tức và sản phẩm nổi bật
1. ChatGPT riêng cho thanh thiếu niên
Ngày 18/8, OpenAI giới thiệu ChatGPT for Teens dành cho người dùng từ 13 đến 17 tuổi, bổ sung các lớp bảo vệ an toàn, quyền kiểm soát của phụ huynh và phương pháp hỗ trợ học tập theo hướng gợi mở từng bước thay vì cung cấp đáp án ngay lập tức.
Nguồn: https://openai.com/index/chatgpt-for-teens/
2. Mô hình mạnh nhưng không lưu dữ liệu
Ngày 19/8, OpenAI giới thiệu Private Safety Processing, cho phép khách hàng sử dụng các mô hình biên với chính sách Zero Data Retention, tức nội dung nhạy cảm không phải được lưu lại để phục vụ quá trình kiểm tra an toàn.
Nguồn: https://openai.com/index/offering-zero-data-retention-for-frontier-models/
3. Google Search trở thành môi trường học tương tác
Google bổ sung cho AI Mode và AI Overviews khả năng tạo câu đố có giải thích, giao diện trực quan tùy biến và trải nghiệm Lens hướng dẫn từng bước, đưa công cụ tìm kiếm tiến gần hơn tới một gia sư học tập cá nhân hóa.
Nguồn: https://blog.google/products-and-platforms/products/search/back-to-school-study-tools/
4. Mistral giới thiệu Agentic Search
Agentic Search cho phép tác nhân tự tìm kiếm, mở, điều hướng, đọc và kiểm chứng thông tin trong các tài liệu phức tạp; theo kết quả do Mistral công bố, độ chính xác trên FinanceBench tăng từ 26,7% lên 86% trong khi token và độ trễ đều giảm.
Nguồn: https://mistral.ai/news/agentic-search/
5. NVIDIA tăng mạnh hiệu quả hạ tầng cho AI agent
Kết quả ban đầu của NVIDIA cho thấy Vera Rubin NVL72 có thể đạt thông lượng tác nhân trên mỗi megawatt cao hơn tối đa 30 lần và chi phí token thấp hơn tới 35 lần so với GB300 NVL72.
Nguồn: https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/
6. GPT‑5.6 được tích hợp vào Kiro
Việc đưa GPT‑5.6 Sol, Terra và Luna vào Kiro cho phép nhà phát triển chọn mức trí tuệ, tốc độ và chi phí phù hợp với từng giai đoạn của quy trình phát triển phần mềm, từ lập kế hoạch đến viết mã và kiểm thử.
Nguồn: https://openai.com/index/gpt-5-6-in-kiro/
Những paper đáng chú ý nhất
7. Agentic ESOpt: Tinh chỉnh tác nhân với ít bộ nhớ GPU hơn
Agentic ESOpt sử dụng chiến lược tiến hóa thay cho backpropagation, cho phép tinh chỉnh toàn bộ mô hình tác nhân dài hạn với mức bộ nhớ GPU gần quá trình suy luận và giúp Qwen‑3.5‑27B tăng 6,69% trên WebArena‑Lite.
Nguồn: https://arxiv.org/abs/2608.17310
8. Dự báo siêu tham số cho mô hình MoE cực lớn
Nghiên cứu Let’s Scale Step by Step kết hợp tham số hóa cập nhật cực đại và quy luật co giãn để dự báo tốc độ học tối ưu cho mô hình huấn luyện tới 10 nghìn tỷ token từ những thí nghiệm nhỏ hơn, giúp giảm mạnh chi phí dò siêu tham số.
Nguồn: https://arxiv.org/abs/2608.20061
9. EviRank: Tìm ảnh bằng bằng chứng có cấu trúc
EviRank phân tích truy vấn ảnh–chữ thành các tiêu chí bắt buộc, bị cấm và có thể bỏ qua, nhờ đó quá trình xếp hạng ảnh trở nên chính xác, minh bạch và dễ kiểm chứng hơn cách nén mọi yêu cầu vào một embedding duy nhất.
Nguồn: https://arxiv.org/abs/2608.20886
10. Graph Engineering cho hệ thống nhiều tác nhân
Bài tổng quan Graph Engineering đề xuất biểu diễn nhiệm vụ, tác nhân và trạng thái bằng đồ thị động, chuyển trọng tâm từ việc xây dựng một mô hình thật giỏi sang tổ chức một hệ thống gồm nhiều tác nhân chuyên môn hóa, phối hợp và kiểm chứng lẫn nhau.
Nguồn: https://arxiv.org/abs/2608.21156
Thủ thuật triển khai đáng áp dụng
11. Không phải tác nhân nào cũng cần thật nhiều bộ nhớ
Thử nghiệm trên tám mô hình cho thấy mô hình mạnh có thể tận dụng toàn bộ tập kinh nghiệm, trong khi mô hình yếu phù hợp hơn với một lõi hướng dẫn nhỏ cộng truy xuất theo nhiệm vụ; cách chọn lọc giúp gpt‑oss‑120b tăng 16,1 điểm phần trăm với chỉ 5% token bổ sung.
Nguồn: https://huggingface.co/blog/ibm-research/altk-evolve-hmm
12. Tăng tốc mô hình cục bộ bằng speculative decoding
LFM2.5‑DSpark sử dụng mô hình nháp khoảng 300 triệu tham số để dự đoán trước token, giúp tăng thông lượng tới 3,18 lần trên H100, 2,87 lần trên MacBook và giảm trung bình 57% độ trễ gọi hàm.
Nguồn: https://huggingface.co/blog/LiquidAI/lfm25-dspark
13. Kiểm thử tác nhân giọng nói trong CI/CD
Google ADK cho phép kết hợp người dùng mô phỏng, rubric ngôn ngữ tự nhiên, transcript và âm thanh phát lại trong lệnh adk eval, giúp phát hiện lỗi hội thoại và hồi quy trước khi phát hành tác nhân giọng nói.
Nguồn: https://developers.googleblog.com/how-to-evaluate-live-voice-agents-in-adk/
Trần Ngọc Minh 