Meta has released Brain2Qwerty v2, a non-invasive brain-to-text system that decodes brain activity into typed sentences using magnetoencephalography (MEG) and end-to-end deep learning. Trained on ~22,000 sentences from nine participants, it achieves 61% word accuracy — a major leap over the 8% from prior non-invasive methods — and 78% for the best participant. The system fine-tunes large language models on neural data to handle noisy brain signals. Accuracy scales log-linearly with data volume, suggesting surgical-level performance may be achievable without implants. Meta is open-sourcing the training code for both v1 and v2, and partner BCBL is releasing the v1 dataset.
Nguồn: https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Cần phân biệt rõ khi nào sử dụng tools (chạy code xác định như API, truy vấn DB) và subagents (vòng lặp suy luận LLM riêng biệt) trong xây dựng AI agent. Bài viết đề xuất khung 3 câu hỏi: nhiệm vụ là thực thi hay suy luận? kết quả trung gian có quan trọng với orchestrator? tác vụ có thể chạy độc lập? Tránh lạm dụng subagents vì tăng độ trễ, chi phí và khó debug. Nên bắt đầu với 1 agent + tools tốt, chỉ dùng subagents khi thật sự cần (song song, cô lập ngữ cảnh, bộ công cụ chuyên biệt).
Lập trình viên nên đọc bài này để tránh xây dựng hệ thống AI phức tạp hơn cần thiết khi biết cách phân biệt giữa công cụ đơn giản và subagent chuyên dụng, giúp tiết kiệm thời gian, chi phí và tránh rủi ro khi over-engineering.
Snowflake cho phép doanh nghiệp nhập các mô hình AI tùy chỉnh hoặc mã nguồn mở từ Hugging Face thông qua tính năng BYOM, sử dụng trực tiếp qua hàm SQL AI_COMPLETE hoặc REST API. Tính năng này hỗ trợ linh hoạt cho các workload chuyên ngành, quản trị dữ liệu tốt hơn và chi phí hạ tầng GPU dự đoán được, hiện đang trong giai đoạn Private Preview.
Lập trình viên AI nên đọc bài này để khám phá cách tích hợp các mô hình AI cá nhân hoặc mở nguồn từ Hugging Face vào Snowflake một cách dễ dàng, giúp tối ưu hóa hiệu suất và quản lý chi phí cho các dự án chuyên sâu mà không cần thay đổi kiến trúc ứng dụng.
Bài viết giới thiệu quy trình RAG nâng cấp cho xử lý tài liệu PDF doanh nghiệp với bốn thành phần chính: phân tích tài liệu, phân tích câu hỏi, truy xuất thông tin và sinh câu trả lời. Các cải tiến bao gồm cấu trúc dữ liệu quan hệ thay vì danh sách phẳng, sửa lỗi chính tả và mở rộng từ khóa bằng từ vựng chuyên ngành, sử dụng bộ định tuyến TOC dựa trên LLM để truy xuất theo ngữ nghĩa, và trả về câu trả lời có cấu trúc kèm trích dẫn nguyên văn cùng bốn chỉ số chất lượng.
Những người lập trình viên xây dựng hệ thống xử lý thông tin doanh nghiệp sẽ tìm hiểu cách nâng cấp pipeline RAG với PDF bằng cách chuyển từ giải pháp đơn giản sang mô hình quan hệ dữ liệu, tăng hiệu quả tìm kiếm và trả lời thông tin chuyên sâu.
Ba nhóm đã trình bày tại sự kiện Beyond Tokens SF về giải pháp hạ tầng phát triển agentic, bao gồm JFrog Fly (bộ nhớ đăng ký thông minh), JFrog Boost (lọc nhiễu ngữ cảnh giảm ~35% chi phí token) và NanoClaw (khung bảo mật agent mã nguồn mở). Các công cụ này giải quyết vấn đề mất ngữ cảnh, lãng phí token và rủi ro bảo mật trong pipeline giao hàng phần mềm agentic.
Lập trình viên nên đọc bài này để khám phá cách giải quyết những thách thức thực tế trong việc xây dựng và triển khai các hệ thống AI agent—từ quản lý trạng thái giữa các phiên chạy đến tối ưu hóa chi phí và bảo mật, giúp công việc của họ trở nên hiệu quả và an toàn hơn.
Việc chuyển ý định thành tài liệu (docs) và tệp AGENTS.md rất hữu ích, nhưng tích lũy quá nhiều ngữ cảnh gây ra lỗi mới. Bài viết chỉ ra rằng việc quá tải thông tin ảnh hưởng xấu đến cả con người lẫn các tác nhân AI — 18 mô hình LLM hàng đầu đều cho kết quả kém hơn khi đầu vào dài hơn, ngay cả trước khi đạt giới hạn cửa sổ ngữ cảnh, với hiệu suất giảm 14–85%. Giải pháp là kỹ thuật quản lý: tiết lộ thông tin phù hợp dần theo từng bước, ưu tiên tuyển chọn hơn là tích trữ, và đặt logic suy luận vào đúng vị trí hệ thống thay vì dồn tất cả cùng lúc.
Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa kiến thức dự án bằng cách phân đoạn thông tin chứ không phải tích lũy vô hạn, giúp cải thiện hiệu suất cả cho đội ngũ và các hệ thống AI trong tương lai.
Mistral AI vừa ra mắt Leanstral 1.5, một mô hình hỗn hợp chuyên biệt (119B tham số, ~6B hoạt động) dành cho việc viết và xác minh chứng minh hình thức trong Lean 4, giải được 587/672 bài toán Putnam và đạt 100% trên miniF2F. Ngoài ra, mô hình còn hoạt động như một tác nhân mã hóa, phát hiện 5 lỗi chưa biết trong 57 kho mã nguồn mở nhờ cơ chế phản hồi được xác nhận bởi trình biên dịch.
Lập trình viên nên đọc bài này vì Leanstral 1.5 không chỉ là một công cụ giải quyết toán học mà còn là một mô hình AI có khả năng phát hiện lỗi trong mã nguồn thực tế, giúp tối ưu hóa chất lượng code và hiệu suất trong các dự án lớn.
Các thương hiệu đang sử dụng thủ thuật Generative Engine Optimisation (GEO) để nhồi nhét bài đăng và bình luận giả mạo trên Reddit nhằm thao túng các chatbot AI như ChatGPT hay Gemini quảng bá sản phẩm. Reddit chống lại bằng hệ thống phát hiện dựa trên LLM, loại bỏ 25.000 bài spam mỗi ngày trong Q1, giảm 20% lượt tiếp xúc spam so với năm ngoái, dù phần lớn vẫn do người kiểm duyệt xử lý.
Lập trình viên nên đọc bài này để hiểu cách các công nghệ AI hiện đại như LLM được xây dựng và ứng dụng trong việc chống lại các chiến lược spam marketing phức tạp, từ đó tìm hiểu về kỹ thuật phát triển hệ thống nhận diện và phòng ngừa lừa đảo trong tương lai.
Zscaler phát hiện 26 LLMs, bao gồm Llama và Gemini, dễ bị tấn công IPI (indirect prompt injection) khi các tác nhân AI tự động mắc bẫy từ nội dung web độc hại mà con người dễ nhận ra. Bốn mô hình bị xếp vào nhóm dễ bị tấn công, trong khi ba mô hình an toàn, do kiến trúc transformer không thể tách biệt nội dung web không tin cậy khỏi hướng dẫn tin cậy. Nguy cơ lớn nhất nằm ở các quy trình doanh nghiệp tự động hóa, như thanh toán hay mua sắm, nơi tấn công có thể gây thiệt hại tài chính nghiêm trọng.
Lập trình viên cần đọc bài này để hiểu cách bảo mật AI hiện nay bị lỗ hổng trong việc phân biệt nội dung web không đáng tin cậy với các lệnh thực thi, đặc biệt khi các mô hình lớn như Llama và Gemini dễ bị tấn công trong môi trường doanh nghiệp, đòi hỏi kiến thức về các rủi ro mới trong hệ sinh thái AI.