VIEN

Nghiên cứu AI

AI Research · Bản tin nghiên cứu ngày 17/11/2026

· 12 bài · 5 nhóm

Bản tin mở rộng khoảng 3 ngày (bài nộp arXiv 13–15/11 và công bố ngày 16/11). Agent làm việc văn phòng vẫn còn xa: trên GDP.xlsx (70 yêu cầu bảng tính thật) mô hình tốt nhất chỉ đạt 38,3% pass@1 nghiêm ngặt; trên WebArena-Pro (300 tác vụ, có audio và video) các agent lập trình hàng đầu dừng ở 62,3%. Mô hình mới: Alibaba phát hành chính thức Qwen4-Max (MoE 2,4T, 71B active, ngữ cảnh 1M, 1,50/4,50 USD mỗi triệu token, không mở trọng số); Tencent ra Hy4 flash (224B, 12B active) giá rẻ hơn khoảng 90% so với Hy4. Kiểm toán và hiệu năng LLM: “dấu vân tay” của một LLM lây sang mô hình viết tiếp hội thoại, làm hỏng việc phát hiện API bí mật đổi sang mô hình rẻ hơn; Concertina gấp Qwen3-4B thành mô hình 2,27B giữ khoảng 90% năng lực chỉ với 22B token.

Mô hình ngôn ngữ lớn (LLM)

1

Contagious Fingerprints: When LLMs Inherit Another Model's Identity

Bài báo cho thấy “dấu vân tay” mà bộ phân loại văn bản dùng để nhận diện một LLM có thể bị mô hình khác thừa hưởng: mô hình viết tiếp một hội thoại do mô hình khác bắt đầu sẽ bắt chước phong cách đó. Khi DeepSeek thay Claude Sonnet giữa chừng, tỷ lệ phát hiện mô hình thay thế giảm từ 0,97 xuống 0,72; với việc hạ cấp xuống Haiku cùng hãng, từ 0,87 xuống 0,54. Các probe chủ động và kiểm định MMD cũng thất bại vì so một câu trả lời phụ thuộc lịch sử với tham chiếu không có lịch sử. Tác giả đề xuất Lineup: lấy mẫu câu trả lời của mô hình được khai báo trên cùng lịch sử rồi xếp hạng câu trả lời cần kiểm toán, đạt tỷ lệ báo động giả 0,056 và phát hiện 0,81 phiên bị thay sau bốn lượt.

Vì sao quan trọngĐây là cảnh báo cho việc kiểm toán các API trung gian có thể lén đổi sang mô hình rẻ hơn, kèm một phương pháp kiểm soát được báo động giả.

2

Folding Language Models into Themselves

Concertina dựng một mô hình học trò nhỏ trực tiếp từ trọng số của mô hình thầy thay vì huấn luyện từ đầu. Cứ N lớp liền kề của mô hình thầy được gộp thành một khối dùng chung chạy lặp N lần, mỗi bước lặp thêm một hiệu chỉnh low-rank khởi tạo từ lớp mà nó thay thế, và một cổng theo từng token trộn các hiệu chỉnh này. Nhóm cũng thiết kế hỗn hợp dữ liệu chưng cất gồm dữ liệu tổng quát, toán, học thuật và trắc nghiệm để giữ mọi năng lực cùng lúc. Với Qwen3-4B làm thầy, mô hình 2,27B chưng cất trên 22B token giữ khoảng 90% hiệu năng ở suy luận thường thức và toán, trung bình 84% trên tám benchmark, và vượt Qwen3-1.7B vốn được huấn luyện trên lượng dữ liệu lớn hơn hơn 1.000 lần.

Vì sao quan trọngCách này cho phép tạo mô hình nhỏ chất lượng cao với chi phí dữ liệu rất thấp, và đã có code.

3

MMFlash: Faster Speculative Decoding for Vision-Language Models

Nhóm tác giả nghiên cứu speculative decoding cho mô hình thị giác–ngôn ngữ, nơi các phương pháp draft theo khối như DFlash chủ yếu mới được thử trên văn bản. Họ định nghĩa chỉ số “phụ thuộc thị giác” của từng token dựa trên KL divergence khi có và không có ảnh, và thấy tỷ lệ chấp nhận giảm từ 46% ở nhóm token ít phụ thuộc ảnh nhất xuống 22% ở nhóm phụ thuộc nhất. MMFlash tăng trọng số cho các token phụ thuộc thị giác mà drafter dự đoán kém, và thêm sparse attention cho video dài. Kết quả là tăng tốc không mất mát tới 3,58 lần, hơn EAGLE-3 tới 195,4% và hơn DFlash tới 17,1%.

Vì sao quan trọngBài chỉ ra vì sao drafter tối ưu cho văn bản kém trên đầu vào đa phương thức và đưa ra cách sửa nhắm đúng chỗ.

Tác tử AI (AI Agents)

4

GDP.xlsx: Benchmarking Frontier Models on Professional Workbooks

GDP.xlsx là benchmark gồm 70 yêu cầu bảng tính do người làm nghề viết, trải trên 13 lĩnh vực, mỗi yêu cầu đi kèm workbook hoặc CSV thật và rubric chuyên gia gồm các tiêu chí nhị phân (tổng 791 tiêu chí, khoảng 2,18 triệu ô dữ liệu). Agent làm việc trong container có công cụ bảng tính, và một agentic judge mở file kết quả để chấm. Mô hình được xếp hạng theo pass@1 nghiêm ngặt, tức phải đạt mọi tiêu chí. Trên 20 cấu hình, mô hình tốt nhất là Gemini 4 Argon chỉ đạt 38,3%, trung vị 19,3%. Nhóm công bố harness và 3 tác vụ mẫu, giữ kín 67 tác vụ còn lại để tránh nhiễm dữ liệu.

Vì sao quan trọngBảng tính là nơi diễn ra nhiều công việc tri thức thật, và thước đo phải đạt mọi tiêu chí cho thấy agent vẫn thường giao sản phẩm hỏng.

5

WebArena-Pro: A Heterogeneous, Multimodal, Reproducible Benchmark for Web Agents

WebArena-Pro gồm 300 tác vụ trên 20 ứng dụng web tự host thuộc sáu nhóm lĩnh vực, nhằm lấp các khoảng trống của benchmark hiện có: ít ứng dụng, chỉ có văn bản và ảnh, và benchmark live thì khó tái lập. Audio và video được coi là quan sát cốt lõi, với các hành động riêng để trích thông tin từ chúng. Mỗi tác vụ chạy cô lập nên đánh giá tái lập được và chạy song song được. Codex với GPT 6.1 Sol và Claude Code với Claude Opus 5.5 cùng đạt 62,3%, OpenCode với Kimi 3.1 Pro đạt 60,7%, trong khi cấu hình GenericAgent tốt nhất chỉ đạt 30,3%.

Vì sao quan trọngĐây là benchmark kiểu WebArena đầu tiên coi audio và video là trọng tâm, và khoảng cách gấp đôi giữa agent lập trình với agent web chung cho thấy harness quan trọng thế nào.

6

CarryOn: Learning What to Keep in Context for Long-Horizon LLM Agents

CarryOn giải quyết bài toán quản lý ngữ cảnh cho agent làm tác vụ dài nhiều bước, nơi tóm tắt, cắt tỉa hay chọn lịch sử thường làm rơi chi tiết cần cho bước sau hoặc giữ lại nội dung thừa. Phương pháp kết hợp một trạng thái thực thi gọn với bằng chứng chi tiết có liên kết tới nguồn, dùng bộ chọn học được và chính sách giữ lại thích ứng, không tốn thêm lời gọi LLM để quản lý ngữ cảnh. Nhóm đề xuất thêm hai thước đo: S_α (thành công có tính chi phí tài nguyên) và chi phí chuẩn hóa trên mỗi lần thành công (NCS). Trên AppWorld, OfficeBench và Tau2 Telecom với ba mô hình actor, CarryOn đạt 75,7% thành công trung bình, hơn baseline mạnh nhất 6,7 điểm, và tốt nhất cả về S_α lẫn NCS.

Vì sao quan trọngQuản lý ngữ cảnh đang là nút thắt của agent tác vụ dài, và bộ chọn học được không tốn thêm lời gọi LLM nên dễ áp dụng.

7

Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent

Gamer là mô hình nền tảng vision-language-action cho agent chơi game thời gian thực trong các tác vụ dài, kết hợp nhận thức, quản lý bộ nhớ và suy luận nhiều bước. Mô hình được pre-train trên hàng chục nghìn giờ tương tác bàn phím và chuột ở cấp thiết bị trong game mô phỏng và môi trường embodied. Nhóm dùng instruction tuning “sparse thinking” để bớt tính toán thừa, một phương pháp RL nhiều lượt xử lý giới hạn ngữ cảnh, lỗi tích lũy và phần thưởng thưa, cùng một engine suy luận cloud-edge chạy đồng thời nhiều môi trường với ngữ cảnh không giới hạn. Tác giả báo cáo khả năng tổng quát hóa và hiệu quả thao tác tương đương người chơi giỏi trên nhiều game thế giới mở 3D, nhưng phần tóm tắt chưa đưa số liệu cụ thể.

Vì sao quan trọngBài được upvote nhiều trên Hugging Face, đưa mô hình VLA sang điều khiển bàn phím–chuột thời gian thực; tuy vậy chưa có số liệu cụ thể hay trọng số.

Mô hình mới

8

Qwen4-Max (general availability)

Sau bản xem trước giới hạn ngày 11/11, Alibaba phát hành chính thức Qwen4-Max qua QwenCloud (API và Token Plan), QwenWork và QwenStudio. Đây là mô hình MoE thưa 2,4 nghìn tỷ tham số, khoảng 71 tỷ tham số active mỗi token (ít hơn 25% so với Qwen3.8-Max), có thị giác tích hợp và ngữ cảnh 1 triệu token. Alibaba công bố mô hình xếp thứ 6 trên Code Arena và trên benchmark nội bộ Work360 dùng ít hơn 35% token, giảm khoảng 60% chi phí mỗi tác vụ so với Qwen3.8-Max. Giá niêm yết 1,50 USD mỗi triệu token đầu vào và 4,50 USD mỗi triệu token đầu ra; Qwen4-Max không mở trọng số, còn các mô hình Qwen4 nhỏ hơn được hứa sẽ mở sớm. Mọi số liệu đều do Alibaba tự công bố.

Vì sao quan trọngBản xem trước tuần trước đã thành mô hình flagship dùng rộng rãi với giá thấp hơn nhiều so với các mô hình Mỹ; các mô hình Qwen4 mở trọng số được hứa sẽ ra tiếp.

9

Hy4 flash

Tencent ra Hy4 flash, phiên bản rẻ của Hy4 cho công việc văn phòng hằng ngày, đa phương thức gốc với ngữ cảnh 1 triệu token (tối đa 960k token vào, 64k token ra) theo tài liệu Tencent Cloud. Theo công bố của Tencent, mô hình có 224 tỷ tham số (gồm 64 tỷ tham số Engram), 12 tỷ active mỗi token, KV cache chỉ bằng 1/6 so với Hy4 và tốc độ giải mã trên 150 token/giây. Giá đầu vào 0,070 USD và đầu ra 0,281 USD mỗi triệu token, thấp hơn khoảng 92% và 89% so với Hy4. Trên bộ đánh giá nội bộ WorkIndex, Tencent báo điểm nhỉnh hơn Hy4 preview với chi phí mỗi tác vụ chỉ khoảng 1/13; trọng số mở được hứa nhưng chưa có ngày.

Vì sao quan trọngMô hình đa phương thức ngữ cảnh 1M với giá gần như bằng không, tăng sức ép lên phân khúc giá rẻ; số liệu chất lượng đều là đánh giá nội bộ.

Giọng nói

10

eDIAR: Training-Free Open-Speaker Streaming Diarization for Long Meetings and Large Archives via e-means

Các bộ diarization streaming thần kinh như Streaming Sortformer chỉ có số “slot” người nói cố định (ví dụ 4), nên hỏng khi cuộc họp đông người. eDIAR giữ đầu slot để phát hiện ai đang nói và chồng tiếng, nhưng khi mọi slot đã dùng hết thì phân cụm embedding người nói bên trong slot bằng thuật toán e-means, không cần huấn luyện thêm. Việc phân cụm lại chỉ diễn ra trong cửa sổ 90 giây nên chi phí mỗi lần cập nhật không đổi (khoảng 57 ms) dù cuộc họp dài bao nhiêu. Với 20 người nói, DER giảm từ 66,5% xuống 43,7%; ở phút 45 của cuộc họp một giờ có 12–20 người, Streaming Sortformer lên khoảng 57% DER còn eDIAR giữ quanh 25%.

Vì sao quan trọngCuộc họp thật thường vượt giới hạn số người nói của diarizer streaming, và cách sửa này không cần huấn luyện, chi phí không đổi, đã có model và demo.

11

Marimba: A System One Model for Speech

Marimba là giao diện trả lời các câu hỏi có kiểu về giọng nói (có từ khóa này không, lượt nói đã kết thúc chưa, đang nói ngôn ngữ nào, người nói có đổi không) bằng các đặc trưng đóng băng của Qwen3-ASR 0.6B. Phát hiện từ khóa và ngôn ngữ dùng chính bản ghi và điểm ngôn ngữ của mô hình ASR, còn các readout nhẹ ở từng lớp xử lý các câu hỏi khác. Readout lớp 18 phát hiện kết thúc lượt với AUROC 0,930 (Smart Turn v3.2 đạt 0,982 trên tập của chính nó, nhưng trên ICSI hai bên tương đương). Readout lớp 12 phát hiện đổi người nói với AUROC 0,966–0,980 trên AMI và VoxConverse, vượt baseline ECAPA, và đếm số người nói tốt hơn pyannote 3.1. Code và trọng số đã được công bố.

Vì sao quan trọngDùng một backbone ASR đóng băng cho nhiều câu hỏi (kết thúc lượt, từ khóa, ngôn ngữ, người nói) có thể thay nhiều mô hình riêng trong hệ voice agent.

Tác tử giọng nói

12

FEND: Far-End Detection in Outbound Voice AI Calls

Nhận diện máy trả lời (AMD) truyền thống chỉ phân biệt người hay máy, không đủ để voice agent gọi ra quyết định hành động tiếp theo. FEND xác định đầu dây bên kia là người thật, hộp thư thoại, tổng đài IVR hay một AI, dựa trên audio và bản ghi streaming, với bộ phát hiện riêng cho từng loại tự động và mặc định là “người” khi không bộ nào kích hoạt, trả nhãn trong vòng 20 giây. Trong 1.000 cuộc gọi lấy mẫu từ hệ thống thật, 48,1% gặp người, 44,6% hộp thư thoại, 6,9% gặp một AI và 0,4% IVR. Thành phần hộp thư thoại đạt 100% trên benchmark công khai mà không nhầm người thật (AMD của Asterisk nhầm 30–66% số người); nhịp thời gian lời nói tách AI khỏi người với ROC-AUC 0,952, và trong vận hành thật F1 tách người khỏi mọi đầu tự động đạt 0,979.

Vì sao quan trọngVoice agent giờ đã gọi trúng AI khác khá thường xuyên (6,9% cuộc gọi), nên phân loại đầu dây cần thêm lớp “AI”; số liệu vận hành thật làm bài này có giá trị thực tiễn.

Tin tức công nghệ mới nhấtLLM & Agent · Bản tin ngày 20/11/20267 tin · Thứ sáu, 20/11/2026 →