MagiQware Raises €575K Pre-Seed Round to Advance AI Software For Quantum Computing

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.

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.

The post-quantum EO is an important milestone. Now it’s time to get to work

Sắc lệnh hành pháp 14409 của Mỹ yêu cầu các cơ quan liên bang và nhà thầu phải chuyển sang mã hóa hậu lượng tử (PQC) vào năm 2030 và xác thực hậu lượng tử vào năm 2031, nhằm ngăn chặn các cuộc tấn công "thu thập giờ đây giải mã sau". Cloudflare khuyến nghị cần làm rõ tiêu chuẩn "chuyển đổi", ưu tiên khả năng thích ứng mật mã (crypto agility) và thúc đẩy sự thống nhất toàn cầu về thuật toán NIST để tránh phân mảnh.

Lập trình viên nên đọc bài này để hiểu cách chuyển đổi sang các giải pháp mã hóa chống lượng tử (post-quantum) không chỉ là một yêu cầu pháp lý mà là một chiến lược bảo mật cấp hệ thống, giúp bảo vệ ứng dụng của bạn trước các mối đe dọa tương lai từ máy tính lượng tử trong thời gian ngắn nhất.

University of Sydney and IBM Identify Major Source of Quantum Computing Errors

Researchers from the University of Sydney and IBM have pinpointed measurement-induced idling noise as a major source of errors in superconducting quantum computers. Using a 156-qubit IBM Quantum Heron r2 processor, the team demonstrated that mid-circuit measurements — essential for quantum error correction — force other qubits to idle, introducing significant noise. By redesigning error-correction circuitry to reduce idling time, they improved logical qubit survival rates from below 90% to over 96% per error-correction cycle. The findings, published in Nature Communications, provide quantitative benchmarks for the performance requirements of error-checking operations and offer a clearer roadmap for scaling fault-tolerant quantum systems.

Build a Reasoning Model From Scratch Is Out

Sebastian Raschka announces the release of his new book 'Build a Reasoning Model (From Scratch)', a 440-page follow-up to 'Build a Large Language Model (From Scratch)'. The book covers implementing modern reasoning techniques on top of a small Qwen3 base model, focusing on inference scaling, reinforcement learning, and distillation. It also includes a full implementation of the Qwen3 architecture in the appendix. The book is now shipping from the publisher and available for preorder on Amazon.