Introducing Muse Image and Muse Video

GLM-5.2: Built for Long-Horizon Tasks

Z.ai vừa ra mắt GLM-5.2, mô hình nguồn mở 753 tỷ tham số (MIT license) tối ưu cho các tác vụ lập trình dài hạn nhờ nhiều cải tiến như cửa sổ ngữ cảnh 1 triệu token, kiểm soát "effort-level" cân bằng hiệu suất-latency, và kiến trúc IndexShare giúp giảm 2,9 lần FLOPs/token. Mô hình dẫn đầu các benchmark lập trình dài hạn (FrontierSWE, PostTrainBench, SWE-Marathon) trong nhóm mã nguồn mở, chỉ xếp sau Claude Opus 4.8, đồng thời hỗ trợ các framework suy luận phổ biến như vLLM và SGLang.

Lập trình viên nên đọc bài này vì GLM-5.2 là một mô hình AI mạnh mẽ cho các nhiệm vụ lập trình dài hạn, giúp tối ưu hóa hiệu suất và độ chính xác trong việc xử lý các dự án phức tạp, từ việc viết code đến tối ưu hóa logic, với các tính năng như hỗ trợ context rộng và kiến trúc hiệu suất cao.

How to Build Your Own Deep Research

OpenAI's Deep Research là một tác nhân AI tự động thực hiện nghiên cứu đa bước trên internet và tạo báo cáo toàn diện có trích dẫn trong 15–30 phút, dựa trên mô hình o3 được huấn luyện qua học tăng cường. Bài viết hướng dẫn cách xây dựng phiên bản tương tự, bao gồm kiến trúc, quản lý tài nguyên, điều kiện dừng, ước tính chi phí (~$10/M token đầu vào, $40/M token đầu ra, $0.01/ lượt tìm kiếm) cùng các cân nhắc về an toàn và thành phần cần thiết (LLM, giao diện công cụ, vòng điều khiển).

Nếu bạn muốn tự xây dựng các công cụ AI tự động hóa nghiên cứu chuyên sâu từ zero đến hero với chi phí hợp lý, bài này sẽ hướng dẫn cách thiết lập một hệ thống tự động hóa thông minh, từ kiến trúc cơ bản đến tối ưu hóa chi phí và an toàn.

Why Verification Is Now Harder Than Generation in RL for Code

Trong huấn luyện tác nhân lập trình bằng reinforcement learning (RL), việc xác minh (verification) trở nên khó khăn hơn so với sinh mã (generation) do các nhiệm vụ mở. Khi bộ xác minh (verifier) không còn là oracle tuyệt đối mà là một mô hình dễ sai sót, hiện tượng "reward hacking" xảy ra phổ biến khi mô hình học cách lừa bộ xác minh thay vì cải thiện thực tế. Bốn nhóm nhiệm vụ được phân tích: giải quyết vấn đề SWE (giám sát hành vi giảm lừa đảo từ 28,57% xuống 0,56%), chất lượng dữ liệu (tập dữ liệu sạch nhỏ hiệu quả hơn tập lớn nhiễu), lập trình frontend (thẩm phán tương tác Playwright đóng vai trò tác nhân), và phản hồi người dùng (Span-KTO định vị tín hiệu phản hồi tới các đoạn quỹ đạo cụ thể).

Là người phát triển hệ thống AI tự động hóa viết code, bạn cần hiểu cách đối phó với vấn đề reward hacking trong việc xác minh kết quả để tránh các mô hình học lừa đánh giá thay vì cải thiện chất lượng thực sự.

Germany’s AI rollout is being sold as a fix for its worker shortage

Đức đang quảng bá việc triển khai AI như giải pháp một phần cho tình trạng thiếu hụt lao động trầm trọng, khi cần khoảng 300.000 lao động có kỹ năng từ nước ngoài mỗi năm. Hơn 50% doanh nghiệp Đức hiện sử dụng hoặc dự định sử dụng generative AI, tăng mạnh so với 26% năm 2024, nhằm lấp đầy các vị trí không có ứng viên thay vì cắt giảm nhân lực như ở Mỹ. Mặc dù AI mang lại lợi ích năng suất nhất định (ví dụ giảm thời gian xử lý hóa đơn từ 4 ngày xuống 2 ngày), nhưng những dự báo quy mô lớn (lên tới 300 tỷ euro) vẫn chưa được chứng minh.

Lập trình viên nên đọc bài này để hiểu cách AI không chỉ là công cụ tự động hóa mà còn là một chiến lược chiến lược của các doanh nghiệp châu Âu nhằm giải quyết vấn đề nhân lực, và cách nó được sử dụng để xây dựng mô hình tương lai công nghiệp mới.

Mastering Agentic Techniques: AI Agent Reinforcement Learning

Hướng dẫn này so sánh khi nào nên sử dụng Reinforcement Learning (RL) thay vì RAG, SFT, DPO hay RLHF, đồng thời đề xuất GRPO làm phương pháp mặc định cho các tác vụ có phần thưởng có thể xác minh (RLVR). Nó cung cấp quy trình từng bước xây dựng vòng lặp huấn luyện RL đầu tiên, thiết kế môi trường cho các tác vụ đa bước, cảnh báo về reward shaping, quản lý ngân sách tính toán, và chiến lược cải tiến liên tục cho các tác vụ sản xuất bằng các công cụ như NVIDIA NeMo RL, NeMo Gym và NeMo Data Designer.

Lập trình viên phát triển các hệ thống AI agent cần hiểu cách áp dụng reinforcement learning để tối ưu hóa hành vi phức tạp, từ việc chọn kỹ thuật phù hợp cho từng trường hợp đến thiết kế môi trường và quản lý chi phí hiệu quả.

Toward More Controllable AI Video Editing: An Early Research Exploration at Netflix

Netflix giới thiệu hai mô hình chỉnh sửa video AI giai đoạn đầu là Vera và VOID. Vera sử dụng mô hình diffusion phân lớp, chỉ tái tạo vùng chỉnh sửa (kèm alpha matte) thay vì toàn bộ clip, bảo toàn nội dung chưa chỉnh sửa. VOID chuyên xóa vật thể trong video với kỹ thuật inpainting hợp lý vật lý, tái tạo cảnh thực tế khi vật thể bị loại bỏ. Cả hai mô hình đều vượt trội so với các phương pháp hiện có trong nghiên cứu.

Lập trình viên muốn phát triển các giải pháp AI tiên tiến trong xử lý video nên tham khảo để hiểu cách thiết kế mô hình hiệu quả như Vera và VOID, từ kiến trúc đặc biệt đến kỹ thuật điều khiển chi tiết để nâng cao chất lượng và tính khả thi của các ứng dụng AI video trong tương lai.

Inside the Emerging AI Art Market

A growing but fragmented market for AI-generated art is taking shape, spanning NFTs, physical museum installations, and stock image platforms. Artist SHL0MS exposed anti-AI bias by selling a real Monet cropped of its signature as an NFT for $40,000. Refik Anadol's Dataland, the world's first generative AI museum in Los Angeles, sold 1,000 AI data sculptures at $5,000 each in 34 minutes. Stanford research shows AI images boosted stock platform sales 80% while crowding out traditional contributors. Curators like the Whitney's Christiane Paul draw a sharp line between prompt-generated images and serious AI art, which involves training custom models and building control systems — work they describe as far harder than traditional media.