How I use LLMs to learn complex topics

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 …

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.

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.

Jev, Clearly Explained

Bài viết giải thích chi tiết khái niệm Jev kèm theo hình ảnh minh họa trực quan. Nguyên nhân kỹ thuật đằng sau Jev liên quan đến cách trình duyệt render layout khi có các phần tử absolutely positioned. Hệ quả là hiệu suất rendering có thể bị ảnh hưởng đáng kể nếu Jev không được xử lý đúng cách trong CSS. Điều đáng học là việc hiểu rõ Jev giúp tối ưu hóa performance khi thiết kế giao phức với nhiều layer và animation.

Bài viết này giúp lập trình viên nắm bắt nhanh chóng và dễ dàng các khái niệm Jev qua đồ họa trực quan.

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.

Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.

Practical Loop Engineering

Bài viết bắt đầu bằng việc đặt ra mục tiêu của việc thiết kế vòng lặp trong hệ thống phần mềm hiệu suất cao. Nó phân tích nguyên nhân kỹ thuật khi các vòng lặp được viết mà không tính đến truy cập bộ nhớ, dự đoán nhánh và chi phí gọi hàm, dẫn đến sự suy giảm throughput lên tới hàng chục phần trăm trên các nền tảng như x86-64 hoặc ARM. Hệ quả là không chỉ lãng phí tài nguyên CPU mà còn làm tăng độ phức tạp bảo trì khi đội phát triển phải dựa vào giả định thay vì đo lường thực tế. Bài viết nhấn mạnh kỷ luật không ủy phán quyết định cho công cụ hoặc thư viện mà tự mình đo lường, profile và điều chỉnh dựa trên dữ liệu thực nghiệm. Điều đáng học là áp dụng quy trình lặp lại: định nghĩa mục tiêu, đo lường baseline, thay đổi một biến mỗi lần và xác nhận cải thiện trước khi tiếp tục, giúp vòng lặp trở thành một thành phần có thể dự đoán và mở rộng.

Bài viết giúp lập trình viên nắm vững kỹ thuật thiết kế vòng lặp hiệu quả và phát triển tư duy phản biện khi giải quyết vấn đề.