adam bien's blog

Are LLMs still surprisingly bad at some simple tasks?

Năm ngoái tác giả đã thực hiện thí nghiệm kiểm tra khả năng của các modern LLMs trong việc …

MapStruct — Nothing Falls Through

Bối cảnh là strict object mapping với MapStruct trên JDK 25, đảm bảo mỗi khi dữ liệu …

How to talk about "AI" without adding to the anthropomorphization

Bối cảnh: Các tác giả Emily M. Bender và Nanna Inie trong bài viết cho Tech Policy Press phản đối cách gọi "AI" (Artificial Intelligence) như thể nó có ý thức hoặc khả năng ngôn ngữ. Nguyên nhân kỹ thuật: Thuật ngữ "AI" hiện tại che giấu sự thật kỹ thuật - các mô hình ngôn ngữ lớn chỉ là công cụ thống kê dự đoán từ tiếp theo dựa trên dữ liệu huấn luyện. Hệ quả: Cách gọi anthropomorphization này khiến công chúng hiểu sai, tạo kỳ vọng không thực tế và giảm trách nhiệm của nhà phát triển. Điều đáng học: Chúng ta cần dùng ngôn ngữ chính xác như "stochastic parrots" (vẹt ngẫu nhiên) để mô tả bản chất thực của các hệ thống AI và nhấn mạnh yếu tố dữ liệu đào tạo.

Bài này giúp lập trình viên nhận thức và tránh cách nói nhân hóa AI khi thảo luận về công nghệ này.

A Gentle Introduction to Model Distillation

Model distillation phương pháp nén khả năng của mô hình teacher lớn vào một student nhỏ hơn, ban đầu qua training trên soft probability distributions và temperature scaling, nay cho LLMs chủ yếu qua synthetic data generation, feature matching hoặc logit matching. Mặc dù distillation đã trở thành tiêu chuẩn (ví dụ Llama 3.1 405B của Meta được cấp phép rõ ràng cho mục đích này), năm 2026 chứng kiến các tranh chấp lớn khi OpenAI cáo buộc DeepSeek, Anthicism cáo buộc Qwen (Alibaba) và báo cáo về việc truy cập tài khoản giả để khai thác Claude, cùng Google can thiệp các tấn công vào Gemini. Chưa có kiểm toán pháp y hay phán xét tòa án nào giải quyết được các cáo buộc này, và xung đột cơ bản giữa việc mô hình bị bộc lộ qua API và được bảo vệ khỏi sao chép vẫn chưa được giải quyết.

Bài này giúp lập trình viên hiểu rõ thực trạng pháp lý và kỹ thuật của mô hình model distillation trong bối tranh tranh bản quyền công nghệ AI.

Introduction to FitNesse – An Acceptance Testing Framework

FitNesse là một acceptance testing framework giúp viết test cho ứng dụng Java. Framework này cho phép tạo test case bằng ngôn ngữ tự nhiên (wiki format) mà không cần code, nhưng bên dưới vẫn hỗ trợ kết nối với code thực tế. FitNesse tích hợp tốt với các công cụ build như Maven và CI/CD pipeline. Điểm mạnh của FitNesse là khả năng self-testing và documentation trực tiếp từ test case. Lập trình viên nên cân nhắc FitNesse khi cần test hệ thống phức tạp với yêu cầu nghiệp vụ chi tiết, đặc biệt trong team có cả người không chuyên kỹ thuật.

FitNesse giúp lập trình viên viết test chấp nhận cho ứng dụng Java một cách dễ dàng và hiệu quả.

Introduction to Triton Java API

Bối cảnh là server NVIDIA Triton hỗ trợ nhiều ngôn ngữ lập trình bao gồm Java để triển khai inference. Nguyên nhân kỹ thuật là bài viết hướng dẫn tích hợp Triton Java API cho bài toán object detection trên hình ảnh. Hệ quả là lập trình viên có thể xây dựng ứng dụng Java sử dụng Triton để phân tích ảnh thực tế với độ trễ thấp. Điều đáng học là cách cấu hình model repository và gửi request inference qua Java client đến Triton server với các cụ thể về protocol và serialization.

Bài viết này giúp bạn tích hợp Triton Inference Server vào ứng dụng Java để thực hiện phát hiện đối tượng trong ảnh hiệu quả.

We Automated Over 15,000 Security Reviews Without Letting AI Decide Everything

Để giải quyết bài toán kiểm tra bảo mật mất hàng giờ, công ty đã triển khai hệ thống automation với 15,000+ security reviews. Họ kết hợp deterministic controls và specialized AI agents để xử lý tác vụ nhưng vẫn giữ con người giám sát an toàn. Nhờ hệ thống này, thời gian verification giảm từ vài giờ xuống còn vài phút. Bài học đáng học là cách thiết kế hybrid approach giữa AI và human oversight mà không để AI tự quyết định, sử dụng safe escalation khi cần xử lý phức tạp. Các công nghệ như deterministic controls và specialized AI agents được tận dụng tối ưu để đạt hiệu suất cao.

Bài viết này giúp lập trình viên hiểu cách kết hợp kiểm soát xác định và AI chuyên dụng để tự động hóa hiệu quả quy trình rà bảo mật.

Fighting AI Slop in Production Codebases: How Huntress Improved Fable 5.1’s API Recall

Huntress đã cải thiện đáng kể độ chính xác của Claude Fable 5.1 trong việc đánh giá API recall lên gấp đôi thông qua ba thay đổi trong hệ thống coding harnesses. Nguyên nhân kỹ thuật nằm ở việc tối ưu hóa phương pháp đánh giá và cải thiện chất lượng dữ liệu đầu vào. Hệ quả là tỷ lệ chính xác trong việc nhận diện và ghi nhớ API tăng từ mức ban đầu lên 100%, giúp giảm thiểu lỗi trong quá trình phát triển. Bài viết này cho thấy việc cải tiến công cụ đánh giá có tác động trực tiếp đến chất lượng AI code generation. Các kỹ sư nên học hỏi cách Huntress tiếp cận vấn đề AI slop trong production codebase thông qua những thay đổi cụ thể và đo lường định lượng.

Ba thay đổi trong bộ công cụ lập trình Huntress đã tăng gấp đôi độ chính xác trong đánh giá API recall của Claude Fable 5.1, giúp lập trình viên cải thiện hiệu quả AI trong sản phẩm thực tế.