Grabette: an open system to record robot-manipulation data

[2607.11938] Mathematics of Data Science

Bài báo arXiv 2607.11938 giới thiệu phần tóm tắt về lĩnh vực "Toán học của Khoa học Dữ …

New Release: CrateDB 6.4

Bản phát hành CrateDB 6.4 cải thiện hiệu suất, tương thích PostgreSQL và bổ sung các hàm tổng hợp mới, trong đó có chức năng downsampling với "largest triangle three buckets".

Lập trình viên cần đọc bài này để khám phá cách CrateDB 6.4 cải thiện hiệu suất xử lý dữ liệu lớn và tương thích với PostgreSQL, giúp tối ưu hóa ứng dụng của họ với các chức năng mới như downsampling bằng ba thùng lớn nhất, giúp tiết kiệm chi phí và tăng tốc độ phân tích.

Robotics @ XIAOMI

Xiaomi ra mắt XR-1, mô hình robot nền tảng đầu tiên kết hợp 100.000 giờ dữ liệu pre-training (UMI) và 7.200 giờ dữ liệu post-training trên robot thực, giải quyết vấn đề thiếu dữ liệu trong robotics. Mô hình đạt tỷ lệ thành công 75% trên tác vụ mới với dưới 10 giờ huấn luyện, vượt 58,3% so với RoboDojo trong các bài kiểm tra mô phỏng.

Là lập trình viên nghiên cứu AI hoặc robotics, bạn nên đọc bài này để hiểu cách xây dựng mô hình robot thông minh hiệu quả hơn bằng cách áp dụng kỹ thuật pre-training và post-training như trong mô hình LLM, giúp tiết kiệm thời gian và dữ liệu thực tế mà vẫn đạt hiệu quả cao.

Cost per successful AI task: a practical way to compare model routes

Khi so sánh các nhà cung cấp LLM hoặc tuyến đường gateway, chi phí token thường là tiêu chí đầu tiên. Tuy nhiên, thước đo này hiếm khi phản ánh toàn diện hiệu quả thực tế của nhiệm vụ AI.

Làm việc với các mô hình AI lớn, hiểu rõ chi phí thực tế cho mỗi nhiệm vụ thành công giúp lập trình viên chọn giải pháp hiệu quả về kinh tế và hiệu suất, tránh lãng phí tài nguyên khi so sánh các nhà cung cấp và đường lối.

Why AMI Labs’ Alexandre LeBrun won’t call his AI ‘AGI’ or ‘superintelligence’

Alexandre LeBrun, CEO của AMI Labs, không sử dụng thuật ngữ "AGI" hay "siêu trí tuệ" (superintelligence) dù ngành AI đang theo đuổi chúng.

Là một lập trình viên muốn xây dựng AI thực tế và hiệu quả, bạn nên đọc bài này để tránh rơi vào hào hoa về "AGI" hay "superintelligence" mà thực sự cần hiểu về các khái niệm cơ bản và ứng dụng thực tế của mô hình thế giới (world model) như AMI Labs đang phát triển.

Building a hybrid demand forecasting service: classical ML for the number, an LLM for the why

Bài viết đề xuất thiết kế một dịch vụ dự báo nhu cầu bán lẻ kết hợp mô hình học máy cổ điển (XGBoost/LightGBM) cho dự đoán số liệu cùng LLM để giải thích bằng ngôn ngữ tự nhiên. Tác giả thảo luận hai thách thức: rò rỉ dữ liệu trong phân chia train/test cho chuỗi thời gian và thiếu bộ dữ liệu kết hợp chuỗi nhu cầu với văn bản phong phú, đồng thời đề xuất các chiến lược dữ liệu và phương pháp đánh giá (TimeSeriesSplit, MASE) cho cả hai phần. Kiến trúc đề xuất sử dụng Microsoft Fabric/OneLake, Azure ML và Foundry Agent Service, nhưng lưu ý đây chỉ là bản thiết kế chưa triển khai thực tế.

Những lập trình viên xây dựng hệ thống dự báo doanh số thực tế sẽ tìm hiểu cách kết hợp ML truyền thống và LLM để tránh lỗi phân chia dữ liệu thời gian và tối ưu hóa giải thích cho người dùng mà không cần phải xây dựng từ scratch lại.

ML Development in VS Code with Google Cloud Power: Workbench Extension Now Available

Google Cloud vừa ra mắt tiện ích mở rộng Workbench Notebooks cho VS Code, giúp nhà khoa học dữ liệu và lập trình viên quản lý Jupyter notebooks trên cloud trực tiếp từ IDE cục bộ. Tiện ích này kết nối VS Code với cơ sở hạ tầng tối ưu AI của Google Cloud, giảm thiểu sự chuyển đổi ngữ cảnh giữa thử nghiệm cục bộ và điện toán đám mây.

Lập trình viên AI/ML sẽ tiết kiệm thời gian và hiệu suất khi sử dụng công cụ này để chạy và quản lý notebooks trên Google Cloud từ VS Code, tránh mất thời gian chuyển đổi giữa môi trường cài đặt địa phương và cloud.