Top 5 Chinese LLMs: The Models Powering China’s AI Surge in 2024–25

China's AI companion rules force Doubao, Qwen shutdowns

ByteDance (Doubao) và Alibaba (Qwen) phải tắt các tính năng AI companion (tương tác cảm xúc) trước ngày 15/7 do quy định mới của Trung Quốc cấm các bot mô phỏng nhân cách và tương tác cảm xúc kéo dài, nhưng vẫn cho phép AI phục vụ năng suất. Người dùng lo ngại mất dữ liệu trò chuyện và hỗ trợ tinh thần. Chính sách này nhằm hạn chế rủi ro nghiện, tổn hại tâm lý và lộ lọt dữ liệu.

Những quy định mới của Trung Quốc về AI nhân hóa sẽ ảnh hưởng trực tiếp đến các công nghệ tương tác nhân dạng người, giúp lập trình viên hiểu rõ về xu hướng quản lý an toàn và đạo đức trong AI, từ đó xây dựng các giải pháp phù hợp với thị trường mới.

Please stop the AI Confidence Theater

Bài viết chỉ trích "AI Confidence Theater" – xu hướng thổi phồng khả năng và quy trình AI trên mạng xã hội lẫn trong doanh nghiệp, gây hại bằng cách bóp méo kỳ vọng, tạo FOMO, khó khăn trong tuyển dụng và áp lực giả vờ thành thạo AI. Tác giả đề xuất thay đổi bằng cách chia sẻ kết quả thực tế, thừa nhận giới hạn và tập trung vào công việc duy trì hệ thống AI vốn ít hào nhoáng nhưng mang lại giá trị thực.

Nếu bạn đang tìm hiểu về cách xây dựng dự án AI thực tế và tránh bị lừa bởi hype không có cơ sở, bài viết này giúp bạn phân biệt giữa tuyên bố hype và kiến thức thực sự để đưa ra quyết định sáng suốt về việc đầu tư thời gian và nguồn lực.

A former Microsoft engineer has rebuilt Notepad, and it's 2.5KB in size and has zero AI bloat

Cựu kỹ sư Microsoft Dave Plummer vừa giới thiệu TinyRetroPad, phiên bản Notepad siêu nhẹ …

Is your site ready for AI agents? Lighthouse now has an answer

Google Lighthouse bổ sung hạng mục mới "Agentic Browsing" để kiểm tra mức độ sẵn sàng của website cho AI agents, cung cấp đánh giá pass/fail thay vì điểm 0-100. Các tiêu chí kiểm tra bao gồm: sự hiện diện của file llms.txt, tích hợp WebMCP, chất lượng cây truy cập (accessibility tree), và độ ổn định Cumulative Layout Shift (CLS).

Lập trình viên nên đọc bài này để hiểu cách chuẩn bị website cho tương tác với các bot AI tương tác trực tiếp với người dùng, từ đó tối ưu hóa hiệu suất, tính khả dụng và trải nghiệm cho các công cụ mới này.

I tested NotebookLM against Claude when my sources conflicted, and the results surprised me

Trong bài kiểm tra so sánh giữa NotebookLM và Claude khi đối mặt với nguồn dữ liệu mâu thuẫn, NotebookLM phát hiện sai lệch nhưng không đưa ra kết luận, trong khi Claude cung cấp lý giải chi tiết và đề xuất tham khảo nguồn thứ tư có thẩm quyền. NotebookLM ưu tiên câu trả lời dựa trên tính cập nhật của tài liệu, còn Claude từ chối lựa chọn để đảm bảo an toàn, cho thấy hai công cụ phù hợp với mục đích khác nhau: NotebookLM xử lý tốt trong bộ nguồn định sẵn, còn Claude hỗ trợ nghiên cứu mở rộng cần tìm kiếm web và lập luận rộng hơn.

Những lập trình viên cần tìm hiểu cách các AI chuyên nghiệp xử lý xung đột dữ liệu từ nhiều nguồn khác nhau để xây dựng hệ thống logic, quyết định và giải pháp phức tạp chính xác hơn, đặc biệt khi phải đối mặt với tình huống không có nguồn tham khảo rõ ràng.

Assemble Each RAG Generation Prompt from a Base Prompt Plus the Rules Each Question Needs

Bài viết hướng dẫn xây dựng lớp generation trong pipeline RAG doanh nghiệp bằng cách kết hợp prompt cơ sở (BASE) với các fragments quy tắc, schema trả lời và ràng buộc phù hợp cho từng loại câu hỏi. Nó đề cập đến các kỹ thuật như phân loại truy vấn, xử lý chunk theo chiến lược kết hợp/ tuần tự, trích xuất đa trường có trích dẫn (FieldExtraction[T]), xác minh trích dẫn, few-shot examples động từ ngân hàng đã xác thực, và lưu vết đầy đủ (API response, fragments, schema) để đảm bảo khả năng kiểm toán và tái lập.

Những lập trình viên xây dựng hệ thống RAG chuyên nghiệp sẽ tìm hiểu cách tối ưu hóa và quản lý các prompt sinh tạo để tránh rủi ro về độ chính xác, hiệu suất và khả năng mở rộng trong ứng dụng doanh nghiệp.

Is Open Source Dead?

Việc sử dụng thư viện open source trở nên tốn kém hơn do chi phí duy trì, kiểm toán và phụ thuộc, trong khi LLMs giúp viết code rẻ hơn đáng kể. Giờ đây, chỉ nên dùng thư viện cho các lĩnh vực nhạy cảm bảo mật hoặc phức tạp, còn code đơn giản nên tự phát triển với sự hỗ trợ của LLM.

Làm việc với các dự án nhỏ hoặc logic đơn giản, hiểu cách tối ưu hóa giữa sử dụng thư viện mở nguồn và viết lại từ đầu sẽ giúp bạn tiết kiệm thời gian và tránh rủi ro khi phụ thuộc vào các công cụ lớn mà không kiểm soát được.