Ba mô hình frontier ra mắt trong hai ngày: Anthropic phát hành Claude Fable 5.2 / Mythos 5.2 (09/11), Google ra Gemini 4 Carbon (10/11), tập trung vào agent dài hạn, lập trình và an ninh mạng. Mã nguồn mở bùng nổ: Meituan mở trọng số LongCat-2.5 (MoE 1,6T, khoảng 48B active, giấy phép MIT) và MBZUAI công bố báo cáo Jais 3 gồm 6 mô hình tiếng Ả Rập 0,9B–375B. Agent đi vào kiểm chứng hình thức: AlphaProof Code của Google DeepMind sinh hơn 6 triệu dòng Lean để kiểm chứng mã mật mã của Signal trong 4 tuần; DeepMind cũng ra benchmark MKA 200 tác vụ cho agent đa phương thức. Giọng nói: Zyphra mở ZONOS3-Mini, TTS clone giọng chạy trên thiết bị (MoE 100M active), còn KeyASRBench cho thấy lỗi từ khóa của ASR (13,6–33,8%) cao gấp nhiều lần WER.
Mô hình ngôn ngữ lớn (LLM)
1
Large Language Models without QK-Normalization
QK-Norm (chuẩn hóa vector query và key) đang là thủ thuật phổ biến để ổn định huấn luyện LLM, nhưng nhóm tác giả cho rằng nó xóa mất thông tin hữu ích về độ lớn vector. Độ lớn của query quyết định attention sắc hay phẳng, còn độ lớn của key quyết định token hút query mạnh đến đâu. Họ đề xuất QK-MAP, phép chiếu có nhận biết độ lớn, mã hóa độ lớn thành các mẫu pha bị chặn bằng nhiều tần số học được thay vì chuẩn hóa nó đi. Trên các mô hình từ 190M đến 7B tham số, QK-MAP cho loss huấn luyện và validation thấp hơn cả attention chuẩn lẫn QK-Norm. Phương pháp còn giảm attention dồn vào token đầu tiên và tăng độ tương phản attention lên bằng chứng liên quan trong bài kiểm tra ngữ cảnh dài tổng hợp.
Vì sao quan trọngQK-Norm has become a default in many recent LLM architectures, so a drop-in replacement that lowers loss from 190M to 7B parameters is directly relevant to pretraining recipes. It also offers a mechanistic account of attention sinks, and the code is public.
AlphaProof Code: agentic formal verification of the Signal protocol's cryptographic code
AlphaProof Code là khung agent cho kiểm chứng hình thức: chuyên gia quyết định cần chứng minh điều gì, nhiều LLM và agent viết chứng minh, còn trình kiểm tra Lean xác nhận mọi kết quả. DeepMind áp dụng nó cho phần mã mật mã lõi của giao thức Signal, kiểm chứng xuống tận lệnh máy chạy trên thiết bị chứ không chỉ thiết kế giao thức. Các agent (chạy trên Gemini Carbon) sinh hơn 6 triệu dòng Lean trong 4 tuần, so với nhiều năm nếu làm thủ công, và chỉ gắn cờ khoảng 1% mã để con người xem kỹ. Khi hai lỗi đã vá được đưa trở lại vào một bản sao cách ly, hệ thống tạo được chứng minh có kiểm tra máy rằng các phiên bản lỗi là không an toàn. Lưu ý: trang blog ghi 6 triệu dòng nhưng metadata ghi 3 triệu.
Vì sao quan trọngIt is one of the largest demonstrations of agents producing machine-checked guarantees for production security code, where the proof checker rather than the model is the source of trust. It points to formal verification as a scalable use of long-horizon agents.
MKA là benchmark đánh giá agent khi phải suy luận trên các tệp có hình ảnh phức tạp trong công việc tri thức thực tế. Tác vụ do chuyên gia từ 10 ngành và 83 nghề xây dựng, mỗi tác vụ là một dự án nhiều bước mà người làm nghề cần 3–8 giờ. Mỗi bài được chấm bằng khoảng 70 tiêu chí có/không, trọng số 75% độ chính xác dữ kiện và 25% thiết kế hình ảnh; bộ chấm tự động dạng agent khớp với chuyên gia 96%. Bộ đánh giá riêng có 200 tác vụ do Artificial Analysis vận hành, kèm 10 tác vụ công khai. Các mô hình dùng trung bình 30–130 lượt cho mỗi tác vụ; Google không công bố điểm số cụ thể trong bài blog.
Vì sao quan trọngMost agent benchmarks are text- or code-centric; MKA targets the visually dense documents and deliverables of real knowledge work and is run by an independent evaluator. Its cost-per-task framing also pushes comparisons toward efficiency, not just peak quality.
Think or Remember: The Exchange Rate of Agentic Inference
Agent dùng mô hình suy luận phải gửi lại toàn bộ transcript ngày càng dài ở mỗi lượt gọi, và chi phí phụ thuộc vào việc giữ hay bỏ phần reasoning cũ cũng như cách server tái sử dụng cache. Bài báo đưa ra mô hình chi phí khớp chính xác với số liệu đo trên engine thật: một đơn giá cho mỗi token được xử lý và một đơn giá cho mỗi cặp token được attention. Tỷ lệ giữa hai đơn giá tạo thành “tỷ giá” giữa suy nghĩ (xử lý) và ghi nhớ (attention). Trên các lần chạy Qwen3-8B ở ScienceWorld, bỏ reasoning cũ tốn gấp 1,74 lần giữ lại khi server tái dùng trạng thái đã sinh, nhưng chỉ 0,34 lần khi không tái dùng. Khi chạy lại trên HotpotQA, bỏ reasoning cũ làm giảm 9–23 điểm phần trăm câu trả lời đúng trên bốn mô hình.
Vì sao quan trọngContext-management policies are usually chosen by intuition; this gives an exact cost model showing the cheapest policy depends on the serving stack's cache behavior. The measured 9–23 point accuracy drop from discarding reasoning is a concrete warning for agent builders.
Introducing Claude Fable 5.2 and Claude Mythos 5.2
Anthropic phát hành Claude Fable 5.2 và Claude Mythos 5.2, hai phiên bản của cùng một mô hình: Fable có thêm lớp bảo vệ về an ninh mạng và sinh học để mở cho mọi người dùng, còn Mythos dành cho tổ chức đã được thẩm định. Theo số liệu Anthropic tự công bố, Fable 5.2 đạt 69,9% trên FrontierSWE v2 (Opus 5.5: 62,3%), 89,3% trên OSWorld 2.1 và 74,2% trên Humanity's Last Exam có công cụ. Trong thử nghiệm trước phát hành, khoảng 1.000 agent Fable 5.2 đã hình thức hóa Định lý cuối cùng của Fermat trong Lean trong khoảng 30 giờ. Mô hình sinh output nhanh hơn tới 30% so với Fable 5.1, giá 8 USD/40 USD cho mỗi triệu token vào/ra. Anthropic đánh giá rủi ro lệch mục tiêu nghiêm trọng là thấp và báo cáo số lần chặn nhầm giảm khoảng 55%.
Vì sao quan trọngIt is a new top-tier frontier release with large self-reported gains on agentic coding, computer use and remote-labor tasks, plus a detailed system card. The dual Fable/Mythos release with tiered safeguards is also an evolving model for gating dual-use capabilities.
Gemini 4 Carbon là mô hình mạnh nhất của Google, đứng trên Gemini 4 Argon, nhắm tới an ninh mạng và các luồng công việc agent dài hạn trong lập trình, công việc tri thức và suy luận khoa học. Mô hình dùng nhiều token hơn để suy luận và tự kiểm tra ở tác vụ khó. Theo Google, Carbon đứng đầu CursorBench 4.0, WANDR của Perplexity và AutomationBench của Zapier với chi phí mỗi tác vụ thấp hơn hơn 2 lần mô hình bên ngoài tốt nhất kế tiếp, và đứng thứ 2 trên MKA. Về an toàn, nó chặn 99% quỹ đạo tấn công của agent red-team, tỷ lệ bị xuyên thủng mỗi lần giảm còn 0,8% (Argon: 3,1%), và đạt 92% trên benchmark trung thực cho agent 375 tác vụ (Argon: 70%). Giá mở đầu 2 USD/10 USD mỗi triệu token, tăng lên 4 USD/20 USD từ 30/11/2026.
Vì sao quan trọngGoogle is competing on cost per agentic task rather than just peak scores, which matters for teams running long agent workflows at scale. The published adversarial-robustness and agentic-honesty numbers give concrete safety comparisons against Argon.
Meituan mở trọng số LongCat-2.5, mô hình Mixture-of-Experts khoảng 1,6 nghìn tỷ tham số với khoảng 48 tỷ tham số kích hoạt mỗi token (metadata Hugging Face ghi 1,8T). Đây là mô hình đa phương thức gốc: đặc trưng hình ảnh được chuyển thành token rời rạc căn chỉnh với văn bản, hướng tới agent dài hạn và lập trình trực quan. Theo trang mô hình, LongCat-2.5 đạt 88,4 trên Terminal Bench v2.1, 64,6 trên DeepSWE v1.1, 91,9 trên BrowseComp và 63,1 trên HLE có công cụ. Trọng số phát hành theo giấy phép MIT, kèm bản lượng tử W4A4. Các con số đều do nhóm tác giả tự báo cáo.
Vì sao quan trọngA permissively licensed (MIT) trillion-scale multimodal MoE with strong self-reported agentic scores narrows the gap between open and closed frontier models. The W4A4 variant also makes local or on-prem deployment more realistic.
Jais 3 là họ sáu mô hình mở lấy tiếng Ả Rập làm trung tâm, hướng tới agent: bản dense 0,9B, 3,7B, 7B, 32B và hai bản MoE 36B (4B active) và 375B (23B active). Các mô hình được phát triển từ nền K2 Horizon qua tiền huấn luyện tiếp, SFT, tối ưu sở thích và học tăng cường với phần thưởng kiểm chứng được. Trừ bản 0,9B (128K), tất cả có cửa sổ ngữ cảnh 512K token. Báo cáo cho biết Jais 3 ngang hoặc vượt các mô hình mở cùng cỡ trên benchmark tiếng Ả Rập và agent, bản 375B cạnh tranh với Claude Sonnet 5 ở tiếng Ả Rập, và ảo giác ít hơn. Nhóm công bố trọng số, mã huấn luyện, mã RL, mã đánh giá và bộ benchmark tiếng Ả Rập đã được rà soát.
Vì sao quan trọngIt is one of the most complete open releases for a non-English language: weights from 0.9B to 375B plus training, RL and evaluation code and audited benchmarks. It is a useful template for building sovereign, language-specific agentic models such as for Vietnamese.
Zyphra phát hành ZONOS3-Mini, mô hình TTS clone giọng zero-shot gọn nhẹ, thiết kế để chạy thời gian thực trên thiết bị. Mô hình là Mixture-of-Experts thưa với 100 triệu tham số kích hoạt trên tổng 800 triệu. Bộ codec mới ZAC-1 của Zyphra giảm WER khoảng 10 lần so với mô hình dùng DAC trong cùng điều kiện dữ liệu. ZONOS3-Mini bắt đầu nói sau dưới 570 ms trong trình duyệt trên Pixel 9 và dưới 150 ms trên MacBook Air M3, và đứng đầu các mô hình mở trên chỉ số TTS Capability Index v1 do chính Zyphra đề xuất. Mô hình được huấn luyện trên 112 GPU H100 trong 2,5 ngày, phát hành theo giấy phép Apache 2.0.
Vì sao quan trọngSub-150 ms time-to-first-audio on a laptop and sub-second in a phone browser makes high-quality voice cloning viable fully on-device, a key building block for private, low-latency voice agents. The Apache 2.0 license allows commercial use; note the leading benchmark is Zyphra's own.
KeyASRBench: Measuring Whole-Phrase Keyword Preservation in Real-World ASR
Các benchmark ASR công khai cho thấy tỷ lệ lỗi thấp, nhưng hệ thống thực tế vẫn phải dùng danh sách hotword, contextual biasing và hậu chỉnh sửa vì hay sai tên riêng, sản phẩm và thuật ngữ. KeyASRBench là bộ thử song ngữ Trung–Anh đo Keyword Error Rate (KER) theo từng lần xuất hiện của cả cụm từ khóa. Bộ thử thách dài 10 giờ gồm 1.501 đoạn với 4.723 lần xuất hiện từ khóa. Trên năm checkpoint chạy cục bộ và hai API chính thức, MER/WER chỉ 5,31–12,91% trong khi KER lên tới 13,61–33,81%. Một tập kiểm soát 30 phút độc lập cho KER 10,65–27,31%, cho thấy lỗi từ khóa không chỉ do tập thử được chọn khó.
Vì sao quan trọngVoice agents fail on names, products and version numbers far more often than headline WER suggests; KER measures exactly the errors that break downstream tool calls. It is a practical metric to add when choosing or fine-tuning an ASR front end.
