How urban design leads to better wellness

Announcing DuckDB 1.5.4 Variegata

DuckDB phiên bản 1.5.4 (Variegata) vừa ra mắt với nhiều bản sửa lỗi quan trọng, tối ưu hiệu năng và vá lỗ hổng bảo mật. Phiên bản này cải thiện xử lý JSON, sửa lỗi crash nghiêm trọng như double free trong Arrow GeoArrow CRS, đồng thời bổ sung tùy chọn giao diện dòng lệnh (CLI) dark/light mode. Nhóm phát triển cũng hé lộ kế hoạch phát hành DuckDB 2.0.0 vào mùa thu sắp tới.

Lập trình viên cần đọc bài này để cập nhật về các cải tiến mới trong DuckDB, đặc biệt là các sửa lỗi quan trọng về kết hợp dữ liệu, xử lý JSON, và hiệu suất—điều này sẽ giúp họ tối ưu hóa các ứng dụng xử lý dữ liệu lớn và tăng tính ổn định cho hệ thống.

Unlocking the Power of the TPU Stack: Introducing our new Developer Hub

Google Cloud vừa giới thiệu TPU Developer Hub, một nền tảng giáo dục tập trung dành cho nhà phát triển ML sử dụng TPU, bao gồm kiến trúc phần cứng, stack phần mềm (XLA, Pallas kernels), công cụ gỡ lỗi XProf, chiến lược tối ưu hóa (như offloading KV cache) cùng networking và bảo mật. Nội dung đa dạng từ Colabs tương tác, mã nguồn mở đến tài liệu chuyên sâu, hỗ trợ tích hợp AI-assisted development.

Lập trình viên ML nên đọc để hiểu cách tối ưu hóa hiệu suất và chi phí của mô hình trên TPU với các công cụ mới như XLA, Pallas và các chiến lược parallelism, từ đó tiết kiệm thời gian và nguồn lực trong triển khai sản phẩm AI.

From Prompt to Classifier: A Production Case Study

Đội kỹ thuật của Gusto xây dựng bộ phân loại chuyển tiếp AI-sang-người cho hệ thống hỗ trợ khách hàng bằng cách bắt đầu với prompt LLM, sử dụng dữ liệu sản xuất để tạo dataset 3.500 lượt hội thoại, sau đó tinh chỉnh mô hình BERT nhẹ đạt 94% precision và 93% recall. Phương pháp LLM-đầu-tiên-sau-chuyên-biệt phù hợp cho quyết định ổn định, khối lượng lớn như phân loại intent, nhưng không hiệu quả với sinh văn bản mở hoặc quy tắc thay đổi.

Lập trình viên nên đọc bài này để hiểu cách chuyển từ việc sử dụng mô hình LLM trực tiếp sang xây dựng hệ thống chuyên biệt hiệu quả, đặc biệt là trong trường hợp phân loại quyết định cụ thể như phân luồng hỗ trợ khách hàng, giúp tối ưu hóa chi phí và tốc độ triển khai.

Miles: A PyTorch-Native Stack for Large-Scale LLM RL Post-Training – PyTorch

Miles is RadixArk's open-source framework for large-scale LLM reinforcement learning post-training. It composes SGLang for high-throughput rollout generation, NVIDIA Megatron-LM for scalable distributed training, Ray for cluster orchestration, and PyTorch as the common programming layer. Key features include MoE-aware rollout/training alignment via Routing Replay, fast NCCL/RDMA weight synchronization, unified low-precision recipes (BF16/FP8/MXFP8/INT4-QAT), LoRA support across rollout and training, asynchronous execution mode, and rank-level fault tolerance. The framework follows a small-core design with explicit extension points for rollout functions, reward functions, loss functions, sample filters, training hooks, and model specs — allowing researchers to customize algorithms without forking the framework. It ships with ready-to-run recipes for frontier models including DeepSeek-V4, Kimi K2.5/K2.6, GLM-5, and Qwen3.5, targeting NVIDIA Hopper and Blackwell GPUs.

Agriculture is ready for AI, but its data isn’t

AI adoption in agriculture is hindered not by technology but by poor data foundations. Predictive models can improve crop yields by 26% and reduce water use by 41%, but only when built on clean, consistent, and governed data. Agricultural operations face unique data challenges including fragmented IoT sensor data, complex land-level attributes, and compliance requirements. Data readiness requires a unified data model connecting customers, suppliers, products, and pricing, along with fast pipelines and ongoing governance. Reltio, an SAP company, is presented as a solution for unifying fragmented enterprise data to enable trustworthy AI outputs.

Jon and Mindy Gray bet $55M on AI to catch cancer before it starts

Cặp vợ chồng tỷ phú Jon và Mindy Gray đã đóng góp 55 triệu USD để thành lập Viện Ung thư Interception Basser tại Đại học Pennsylvania, tập trung nghiên cứu ngăn chặn ung thư di truyền (như BRCA) bằng AI và biomarkers, thay vì chỉ điều trị. Dự án sử dụng machine learning để phát hiện sớm các tín hiệu sinh học cực kỳ yếu mà phân tích thông thường có thể bỏ sót.

Lập trình viên nên đọc bài này để hiểu cách AI được ứng dụng trong y tế để chuyển đổi từ chữa bệnh sang ngăn ngừa bệnh từ giai đoạn sớm nhất, giúp mở rộng kiến thức về cách kết hợp trí tuệ nhân tạo với sinh học phân tử để phát hiện nguy cơ cao hiệu quả hơn.

Why intent prediction needs more than an LLM

Frank Portman, CTO at Yobi, explains why LLMs are poorly suited for intent and behavior prediction tasks. The core argument is that LLMs are trained with an inductive bias toward next-token prediction on text, which doesn't translate well to decision-making under uncertainty or forecasting future behavior. Yobi builds specialized foundation models trained on proprietary behavioral data using large-scale transformers and graph neural networks, targeting ad tech and personalization use cases at millions of queries per second. Key engineering challenges discussed include inductive vs. transductive model architectures for handling new users and behaviors, pre-computation and batching for inference at scale, and privacy-preserving ML techniques like differential privacy and homomorphic machine learning.