Real-Time AI Translation over MoQ

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 …

Sergey Brin is back at Google, working on Gemini

Sergey Brin đã quay trở lại Google và tăng cường ảnh hưởng đến dự án Gemini từ văn phòng microkitchen ở Mountain View sau khi Google tái cấu trúc DeepMind vào tháng 8. Việc tái cấu trúc DeepMind đã dẫn đến sự thay đổi trong điều hành dự án AI quan trọng nhất của Google. Gemini hiện đang chịu sự giám sát trực tiếp của Brin, người đồng sáng lập Google, thay vì chỉ phụ thuộc vào đội ngũ DeepMind. Điều này cho thấy tầm quan trọng chiến lược mà Google đang đặt vào dự án Gemini trong cuộc đua AI với đối thủ như OpenAI. Brin đang ưu tiên cá nhân hóa giám sát dự án AI quan trọng nhất, cho thấy sự thay đổi trong cách tiếp cận quản lý AI tại Google sau khi DeepMind được sáp nhập hoàn toàn vào Google.

Sergey Brin đang tác động đáng kể đến dự án Gemini của Google sau tái cấu trúc DeepMind.

Google’s next Gemini Pro is months behind schedule as coding capabilities fall short of internal goals

Google đang chậm tiến độ vài tháng trong việc nâng cấp Gemini Pro do khả năng lập trình không đạt mục tiêu nội bộ, nhiều kỹ sư rời đi sang Anthropic, và việc làm mới dữ liệu huấn luyện khiến nội bộ thất vọng.

Lập trình viên nên theo dõi để hiểu cách AI hiện tại và tương lai ảnh hưởng đến công cụ phát triển mã, từ đó tối ưu hóa hiệu suất và chọn lựa công nghệ phù hợp cho dự án của mình.

Gemini 2.5 Pro and Gemini 3 Flash deprecated

GitHub đã ngừng hỗ trợ Gemini 2.5 Pro và Gemini 3 Flash từ ngày 31/7/2026, yêu cầu người dùng chuyển sang Gemini 3.1 Pro (Preview) và Gemini 3.6 Flash. Quản trị viên Copilot Enterprise có thể phải kích hoạt quyền truy cập các model thay thế trong cài đặt chính sách mô hình.

Lập trình viên nên đọc bài này để biết cách chuyển đổi sang phiên bản mới của Copilot—Giải pháp để tiếp tục sử dụng AI hỗ trợ phát triển mà không bị gián đoạn khi các phiên bản cũ bị ngừng hỗ trợ vào tháng 7/2026.

Announcing ADK for Kotlin 1.0: Building Production-Ready AI Agents in Kotlin, Android, and Beyond

ADK for Kotlin 1.0 được ra mắt để phát triển AI agents với Kotlin Multiplatform và zero-reflection KSP tools. Công cụ hỗ trợ Kotlin Native giúp triển khai AI agents trên Android và nhiều nền tảng khác mà không cần reflection. KSP (Kotlin Symbol Processing) xử lý metadata hiệu quả, giảm thiểu runtime overhead. ADK tích hợp với Android extensions, cho phép các ứng dụng thông minh sử dụng năng lực AI mà không tốn nhiều bộ nhớ. Lập trình viên nên xem xét ADK nếu đang xây dựng cross-platform AI agents với performance tối ưu.

ADK for Kotlin 1.0 cho phép lập trình viên xây dựng tác nhân AI sẵn sàng sản xuất trên Kotlin và Android với hiệu năng cao.

I almost gave up on Gemini until I finally understood its strengths

Tác giả đã cảm thấy hài lòng với ChatGPT và Claude nên khi thử Gemini ban đầu ông nghĩ về việc bỏ qua nó. Sau khi dành thời gian khám phá sâu hơn, ông nhận ra Gemini mang lại những điểm mạnh mà các mô hình khác không thể thay thế được. Điều này khiến ông thay đổi quan điểm và bắt đầu sử dụng Gemini thường xuyên trong công việc. Kinh nghiệm này cho thấy việc đánh giá công cụ chỉ dựa trên ấn tượng ban đầu có thể bỏ qua những ưu điểm tiềm ẩn. Bài học đáng rút ra là nên đầu tư thời gian để hiểu thực sự khả năng của một công nghệ trước khi quyết định loại bỏ nó.

Bài viết này giúp lập trình viên khám phá những điểm mạnh độc đáo của Gemini sau khi đã quen với các AI như ChatGPT và Claude.

Designing Ephemeral Video Chat Sessions with WebRTC and JavaScript

Bài viết mô tả cách xây dựng phiên trò chuyện video tạm thời trên trình duyệt bằng WebRTC, WebSockets và Node.js, với mục tiêu giảm thiểu dữ liệu lưu trữ sau khi cuộc gọi kết thúc. Nó giải thích việc tách luồng média ra khỏi kênh tín hiệu, yêu cầu quyền truy cập camera/mic chỉ khi người dùng thực hiện hành động, và sử dụng máy chủ để ghép phiên dựa trên thông báo qua WebSocket. Khi thiết lập kết nối peer‑to‑peer, bài viết chi tiết quá trình trao đổi SDP offer/answer và ứng viên ICE, lý do STUN thường không đủ và cần TURN làm phương án dự phòng để vượt qua NAT/firewall. Các phiên được mô hình như máy trạng thái rõ ràng, đảm bảo việc ngắt kết nối đúng cách bao gồm đóng RTCPeerConnection, dừng các MediaTrack và xóa trạng thái phiên ở phía server để tránh rò rỉ tài nguyên. Ngoài ra, bài viết đề xuất thêm các hook kiểm duyệt, giám sát trạng thái kết nối và deliberately test các đường dẫn lỗi (mất ICE, thất bại TURN) để nâng cao độ ổn định và bảo mật của hệ thống chat video tạm thời.

Bài viết này giúp bạn nắm vững cách xây dựng hệ thống video chat an toàn, hiệu quả bằng cách giải quyết các vấn đề kỹ thuật phức tạp trong giao tiếp WebRTC.

Mushroom hunting with LLMs: what can go wrong?

Bài benchmark đánh giá 4 model LLM (GPT-5.6-Sol, Gemini 3.7 Flash, GLM-5.3-Flash, Claude Fable 5.1) trong nhiệm vụ nhận diện nấm độc/ăn được trên dataset FungiTastic. Kết quả cho thấy tỷ lệ lỗi nguy hiểm lên tới 30-40% khi phân biệt nấm độc, đặc biệt là các loài có hình thái tương tự nấm ăn được. Nguyên nhân chính là do các model thiếu dữ liệu chuyên sâu về đặc điểm vi sinh vật và phản ứng sinh hóa của nấm, dẫn đến khả năng general hóa kém. Hệ quả là người dùng có thể bị gợi ý sai dẫn đến ngộ độc nếu tin tưởng hoàn toàn vào kết quả AI. Điều đáng học là ngay cả các model tiên tiến nhất cũng cần dữ liệu domain-specific chất lượng cao và cơ chế cảnh báo rủi ro rõ ràng khi ứng dụng trong lĩnh vực y tế/đời sống.

Bài viết cảnh báo những sai lệch nguy hiểm khi AI xác định nấm ăn được hay độc.