The White House is asking OpenAI to slow roll the release of its new model over safety concerns

Scaling Laws, Carefully

Bài viết phân tích sâu về luật scaling (quy luật mở rộng) trong mô hình ngôn ngữ lớn, từ những nghiên cứu ban đầu (Amari 1992, Hestness 2017) đến các công trình quan trọng như Kaplan et al. và Chinchilla. Nó giải thích mối quan hệ power-law giữa kích thước mô hình, dữ liệu và compute, đồng thời điều chỉnh bất đồng giữa hai nghiên cứu này, cũng như đề cập đến các thách thức thực tế khi áp dụng luật scaling như độ chính xác làm tròn, chọn vùng fit và ảnh hưởng của lặp dữ liệu.

Lập trình viên xây dựng mô hình AI cần hiểu về quy luật mở rộng của mô hình để tối ưu hóa hiệu suất, chi phí và hiệu quả của các mô hình lớn như LLM từ những nguyên tắc cơ bản về phân phối dữ liệu và tính toán.

The Exhaustion of Talking to a Tool

LLM khiến người dùng kiệt sức vì đòi hỏi tương tác xã hội (năng lượng tinh thần như khi giao tiếp với người) nhưng không đem lại phần thưởng ngược lại như học hỏi, thử thách hay cảm hứng. Khác với công cụ truyền thống trở thành phần mở rộng của cơ thể nhờ tính nhất quán và tốc độ, LLM buộc người dùng phải đàm phán, thuyết phục và chủ yếu trả về nhiều code, test cùng lời bào chữa.

Một lập trình viên nên đọc bài này để hiểu cách phân biệt giữa công cụ hiệu quả và những tương tác tiêu tốn năng lượng mà không mang lại sự tiến bộ thực sự trong việc phát triển kỹ năng và hiệu suất code.

Anthropic accuses Alibaba of running largest distillation campaign against Claude

Anthropic cáo buộc phòng thí nghiệm Qwen của Alibaba đã thực hiện chiến dịch "distillation" (tinh chỉnh mô hình) quy mô lớn nhất từ trước đến nay chống lại Claude, sử dụng gần 25.000 tài khoản giả mạo để tương tác 29 triệu lần trong giai đoạn 4-6/2026. Họ kêu gọi chính phủ Mỹ hành động, bao gồm kiểm soát xuất khẩu chip AI và trừng phạt hành vi distillation, trong bối cảnh chuẩn bị IPO và đang đối mặt lệnh hạn chế xuất khẩu từ chính phủ Mỹ.

Những thông tin về chiến dịch distillation quy mô lớn của Alibaba nhằm xâm phạm khả năng kỹ thuật của Claude không chỉ là cảnh báo về rủi ro cạnh tranh công nghệ mà còn là cảnh báo về những thách thức pháp lý, chính trị và chiến lược mới đối với các công ty AI, đặc biệt khi họ đang chuẩn bị IPO và đối mặt với các hạn chế xuất khẩu từ chính phủ.

Maintaining working memory in AI agents

Các mô hình ngôn ngữ lớn (LLM) không có bộ nhớ bền vững giữa các lần gọi, toàn bộ bộ nhớ làm việc của chúng là context window. Việc lấp đầy context window một cách không kiểm soát sẽ làm giảm độ tin cậy do sự chú ý bị chia sẻ giữa tất cả các token, khiến thông tin quan trọng bị pha loãng. Bài viết đề xuất các chiến lược như lựa chọn thông tin đưa vào, tóm tắt và xóa bớt theo thời gian, giữ các quy tắc quan trọng trong system prompt hoặc file quy tắc bền vững, và sử dụng các sub-agents với ngữ cảnh mới cho các tác vụ dài. Ví dụ cụ thể với Uno Platform's App MCP cho thấy cách trạng thái runtime có thể thay thế việc sao chép thủ công để duy trì bộ nhớ làm việc sạch sẽ và chính xác.

Những lập trình viên xây dựng hệ thống AI tự động hóa nên đọc bài này để hiểu cách tối ưu hóa bộ nhớ làm việc của AI bằng cách tránh sự rối loạn trong dữ liệu, từ đó nâng cao độ tin cậy và hiệu suất trong các ứng dụng dài hạn.

Nadella: we can't let AI giants eat the economy

Tổng giám đốc Microsoft Satya Nadella cảnh báo rằng các công ty AI không thể vừa dự đoán …

Anthropic’s Mythos found flaws in classified US systems during a government test

Mô hình AI Mythos của Anthropic đã phát hiện lỗ hổng trong các hệ thống bí mật của chính phủ Mỹ trong một cuộc thử nghiệm kiểm tra đỏ có kiểm soát, chứ không phải do tấn công từ bên ngoài. Kết quả này nhấn mạnh khả năng của Mythos trong việc tìm ra hàng nghìn lỗ hổng zero-day trên các hệ điều hành và trình duyệt lớn, dù chính phủ Mỹ từng hạn chế công khai mô hình này sau một vụ jailbreak riêng.

Những phát hiện về khả năng phát hiện lỗ hổng trong hệ thống an ninh quốc gia của Mỹ cho thấy AI mạnh mẽ như Mythos có thể trở thành công cụ quan trọng trong bảo mật, nhưng cũng đặt ra thách thức về kiểm soát và ứng dụng công bằng—là vấn đề cần thảo luận để xây dựng hệ sinh thái an toàn và minh bạch cho công nghệ AI.

Letting an LLM Pick the Right RAG Page: The Arbiter Pattern at the End of Retrieval

Bài viết giới thiệu "Arbiter Pattern" trong RAG, nơi LLM đóng vai trọng tài bằng cách phân loại và đánh giá các nguồn tài liệu ứng viên dựa trên cấu trúc dữ liệu đầu vào, thay thế phương pháp kết hợp điểm số truyền thống. Tác giả nhấn mạnh embeddings nên là phương pháp cuối cùng trong tài liệu doanh nghiệp do hạn chế trong việc xác định sự vắng mặt của thông tin, trong khi keyword retrieval cung cấp khả năng phủ định chắc chắn. Ngoài ra, bài viết đề cập đến bộ chọn phương pháp truy xuất theo loại câu hỏi, lược đồ JSON thống nhất cho kết quả truy xuất nhằm đảm bảo khả năng kiểm tra, và tầm quan trọng của xử lý "không tìm thấy" đáng tin cậy trong ngữ cảnh tuân thủ quy định.

Một lập trình viên cần đọc bài này để tìm hiểu cách tối ưu hóa hệ thống RAG bằng cách áp dụng Arbiter Pattern—một giải pháp linh hoạt hơn fusion score, giúp xử lý các trường hợp phức tạp trong việc lựa chọn kết quả phù hợp từ nhiều nguồn thông tin khác nhau.