Hôm nay nổi bật là mô hình quyết định "System One": SO-Arena cho thấy mô hình chính xác nhất chưa chắc đáng tin nhất, và mô hình quyết định có thể là người thầy tốt cho agent. Google ra Gemini 4 Hydrogen, Alibaba mở xem trước Qwen4-Max. Các nghiên cứu về agent chỉ ra lãng phí sau khi đã giải xong và vai trò của harness, còn mảng giọng nói có Duo (full-duplex nghe nhìn) và DialInstruct-TTS. Cửa sổ được mở rộng khoảng 3 ngày do danh sách arXiv chưa cập nhật lúc chạy.
Mô hình ngôn ngữ lớn (LLM)
1
SO-Arena: Benchmarking the Capability Spectrum and Reliability of System One Models
SO-Arena là benchmark cho các "System One model": mô hình quyết định trả lời trong một lượt, chọn trong tập phương án thay vì sinh chuỗi suy luận dài. Benchmark trải trên 11 lĩnh vực và năm nhóm năng lực, đánh giá 21 mô hình. Ngoài độ chính xác, nhóm tác giả đo độ tin cậy qua độ ổn định của quyết định khi tập phương án bị thay đổi có kiểm soát và khả năng nhận ra khi không có đáp án đúng. Lợi ích của việc tăng quy mô và thêm suy luận khác nhau mạnh theo lĩnh vực. Đáng chú ý, mô hình System One mạnh nhất về tổng thể chỉ xếp thứ bảy về độ tin cậy.
Vì sao quan trọngMô hình quyết định đang thành dòng sản phẩm riêng; kết quả cho thấy không nên chọn chúng làm router hay giám khảo chỉ dựa vào độ chính xác.
Factored One-sided Adam-Moment for Practical and Scalable SOAP
FOAM là biến thể gọn nhẹ của optimizer SOAP cho huấn luyện transformer. Nó chỉ tiền điều kiện hóa phía đầu vào (bỏ thừa số Kronecker phía đầu ra, bớt một phép phân rã trị riêng) và thay moment bậc hai dày của SOAP bằng một ước lượng phân tách theo thống kê hàng và cột. Nhờ vậy trạng thái optimizer chỉ bằng một nửa SOAP và tốc độ wall-clock ngang Muon. Trên mô hình 124M–760M tham số, FOAM đạt validation loss ngang các baseline SOAP và Muon mạnh, đồng thời ổn định trong dải learning rate rộng gấp ba. Mã nguồn đã được công bố.
Vì sao quan trọngGiảm một nửa bộ nhớ của SOAP mà giữ chất lượng giúp optimizer bậc hai dễ dùng hơn cho tiền huấn luyện LLM; còn cần kiểm chứng ở quy mô tỷ tham số.
Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents
Bài báo xét mô hình quyết định (trả về một lựa chọn kèm xác suất) trong agent dài hạn theo ba vai: tự hành động (actor), chấm hành động đã làm (judge) và chấm điểm hành động để huấn luyện policy bằng RL (teacher). Trên ALFWorld, cả sáu mô hình được thử (ba mô hình quyết định, ba LLM tổng quát) khi tự hành động đều bị một mục tiêu con dễ hơn kéo lệch khỏi mục tiêu con bắt buộc. Nhưng khi làm giám khảo và được xem toàn bộ quỹ đạo, chính các mô hình này lại ghi nhận đúng các bước hướng tới mục tiêu đó; hỏi "hành động này có giúp không" tách hành động hữu ích tốt hơn hỏi "nhiệm vụ có thành công không". Dùng làm thầy với GRPO, policy Qwen2.5-1.5B tăng từ 72,8% lên 82,9% trên ALFWorld và từ 56,8% lên 71,4% trên WebShop. Kết luận của nhóm: một actor kém vẫn có thể là người thầy giỏi; mã nguồn đã mở.
Vì sao quan trọngGợi ý cách dùng mô hình quyết định rẻ làm nguồn phần thưởng theo từng bước khi huấn luyện agent, thay vì để chúng tự hành động.
Termination Lag: Coding Agents Solve Early but Stop Late
Nhóm tác giả định nghĩa "termination lag" là số bước từ lúc agent lập trình tạo ra bản vá đúng đầu tiên đến khi kết thúc lượt chạy, khảo sát năm mô hình, hai framework agent và ba bộ SWE-bench. 38–82% lượt chạy thành công đã có lời giải đúng ngay ở lần sửa mã nguồn đầu tiên. Sau bản vá đúng đầu tiên, các bước còn lại chiếm trung vị 35–37% lượt chạy thành công với Qwen3-Coder và 54–60% với Laguna-XS.2 trên SWE-bench Verified và Multilingual. Phần lớn các bước này dành cho kiểm tra lại và khám phá repo. Trong 1–8% trường hợp, việc tiếp tục làm khiến agent tự hoàn tác bản vá đúng và kết thúc với lời giải sai.
Vì sao quan trọngChính sách dừng tốt hơn có thể cắt mạnh chi phí và độ trễ của agent lập trình, thậm chí tăng độ chính xác.
JustRUA: A Controlled Study of GPT-6 Robot-Use Agents
JustRUA là nghiên cứu có kiểm soát về các lựa chọn thiết kế cho agent điều khiển robot dựa trên GPT-6 Astra, so sánh harness, giao diện hành động, tái sử dụng kinh nghiệm và thông tin hình học của cảnh trong cùng một framework. Một harness gọn, giữ toàn bộ lịch sử episode và dừng sớm từng chuyển động, cho kết quả tốt. Tái sử dụng kinh nghiệm làm thay đổi cách mô hình hành động nhưng không giúp ổn định, còn thông tin hình học của cảnh giúp nhiều nhất, kể cả khi độ sâu chỉ được ước lượng từ ảnh RGB. Harness JustRUA, rút gọn từ harness L3 chính thức, không cần policy học sẵn, vòng tự cải thiện hay tinh chỉnh theo tác vụ. Trên benchmark mô phỏng RoboDojo, điểm tăng từ 29,7 lên 50,3; mã nguồn đã mở.
Vì sao quan trọngVới agent robot dùng mô hình frontier, thiết kế harness và thông tin cảm nhận có thể quan trọng ngang việc đổi mô hình.
Hydrogen là mô hình nhanh, chi phí thấp của Google cho lập trình agent và công việc hằng ngày, bổ sung cho hai mô hình frontier Gemini 4 Carbon và Argon. Mô hình có bốn mức suy nghĩ (low, medium, high mặc định và xhigh mới), ngữ cảnh 1 triệu token, giá 1,50 USD mỗi triệu token đầu vào và 7,50 USD mỗi triệu token đầu ra. Theo Google, Hydrogen đạt 51 điểm Artificial Analysis Intelligence Index ở mức high (54 ở xhigh, Argon được 50), 57% Terminal-Bench (Gemini 3.8 Flash: 18,2%) và 58,8% HLE-Diamond. Mô hình hoàn thành tác vụ nhanh hơn khoảng 2,5 lần so với 3.8 Flash và có trên Gemini API, AI Studio, Antigravity, ứng dụng Gemini và Google Search. Các số liệu do Google tự công bố; có model card.
Vì sao quan trọngMột mô hình giá tầm trung ngang mô hình frontier Argon trên chỉ số tổng hợp làm thay đổi bài toán giá–hiệu năng cho lập trình agent.
Alibaba mở bản xem trước Qwen4-Max, mô hình đầu tiên của thế hệ Qwen4 mà nhà phát triển có thể gọi qua API. Mô hình nhận văn bản, ảnh và video, ngữ cảnh 1 triệu token, đầu ra tối đa 393.216 token (dùng chung cho phần suy nghĩ và câu trả lời), bật thinking mặc định với tham số reasoning_effort (low, medium, xhigh). Nó hỗ trợ gọi hàm, tìm kiếm web, structured output và tương thích API OpenAI Chat Completions, Responses lẫn Anthropic Messages. Bản xem trước chỉ dùng qua Token Plan, từ 11/11 đến hết 25/11/2026 (UTC+8), sau đó bị gỡ. Alibaba chưa công bố benchmark, số tham số, giấy phép hay trọng số.
Vì sao quan trọngDấu hiệu thế hệ Qwen4 sắp ra; chưa có benchmark nên vị trí thực sự còn chưa rõ.
IBM giới thiệu LLMON (LLM Object Notation), ngôn ngữ đánh dấu giúp truyền đạt rõ cấu trúc và ý nghĩa cho LLM: dấu phân cách là token đặc biệt dành riêng, và ID duy nhất gắn mỗi chỉ dẫn với đúng phần dữ liệu nó tác động. Hai mô hình xem trước granite-4.1-3b-llmon-preview và granite-4.1-8b-llmon-preview được xây từ Granite 4.1, kèm bộ chuyển đổi JSON sang LLMON và ngược lại. Trên benchmark prompt injection OPI, IBM báo cáo LLMON tránh được nhiều hơn 47% số cuộc tấn công so với mô hình frontier tốt nhất được thử và 95% so với mô hình mở tốt nhất, với xu hướng tương tự trên ASB và StruQ. Trên benchmark chuẩn, chất lượng ngang Granite 4.1 Instruct. Đây là bản thử nghiệm, chưa dành cho production và mới kiểm tra với tấn công tĩnh.
Vì sao quan trọngChống prompt injection ở tầng token và định dạng thay vì bộ lọc; cần kiểm chứng với tấn công thích ứng nhiều lượt.
DialInstruct-TTS: Interactive Expressive Speech Generation via Multi-Turn Dialogue with Fine-Grained Temporal Control
Các hệ TTS điều khiển bằng chỉ dẫn hiện nay chỉ đặt một phong cách cho cả câu, nên muốn chỉnh nhỏ phải viết lại chỉ dẫn và sinh lại toàn bộ. DialInstruct-TTS cho phép người dùng tinh chỉnh giọng nói qua hội thoại nhiều lượt bằng ngôn ngữ tự nhiên. Một planner dựa trên Qwen chuyển lịch sử hội thoại và chỉ dẫn mới nhất thành một "TemporalPlan" đầy đủ, còn mô-đun điều khiển âm học theo thời gian chỉnh cảm xúc, tốc độ, âm lượng và kiểu phát âm theo từng đoạn. Cơ chế sửa trên latent tham chiếu giữ nguyên các vùng không cần chỉnh, nên có thể sửa riêng một thuộc tính hoặc một khoảng thời gian. Đánh giá chủ quan cho thấy tốt hơn về tuân thủ chỉ dẫn, thể hiện phong cách cục bộ và giữ nguyên vùng không chỉnh; tóm tắt không nêu số liệu định lượng.
Vì sao quan trọngHướng tới chỉnh giọng bằng hội thoại như đạo diễn lồng tiếng; mới có đánh giá chủ quan.
Duo: A Reciprocal World Model for Full-Duplex Interaction
Duo v1 là một world model full-duplex liên tục cảm nhận đầu vào âm thanh và hình ảnh trong khi phản hồi người dùng theo thời gian thực. Nhóm tác giả đề xuất khung Reciprocal World Model với hai năng lực: Intent (suy luận về tương tác và quyết định khi nào tham gia) và Realization (sinh hành vi âm thanh–hình ảnh mạch lạc). Ba thiết kế chính gồm mô hình hóa tự hồi quy cho suy luận tương tác liên tục, token đồng bộ trên một trục thời gian chung với attention mask chặn truy cập đầu vào tương lai, và dual rollout distillation để giảm lệch phân phối. Hệ thống hỗ trợ hội thoại tự nhiên, ngắt lời, cho người dùng đưa vật thật vào khung hình, thay đổi cảnh ảo hay chơi trò chơi nghe nhìn mà không cần chuột hay bàn phím. Phần tóm tắt chưa đưa ra số liệu benchmark.
Vì sao quan trọngMở rộng hội thoại full-duplex từ chỉ âm thanh sang cả nghe lẫn nhìn; còn thiếu số liệu về độ trễ và độ bền.
