From Body Measurements to a 3D Digital Body: A Virtual Try-On Prototype

How we’re training a Figma-fluent editing model

Here, we’re sharing the research behind how we’re translating that to design editing workflows.

Qwenputer: A functioning, deterministic RISC-V CPU inside Qwen3.5

I compiled a RISC-V CPU into Qwen 3.5 4B's weights, using its Gated DeltaNet layers as RAM. It runs C and MicroPython inside the forward passes, and Qwen uses it for exact arithmetic.

Vercel and Shopify make agents first-class shoppers

Vercel vừa chính thức ra mắt Vercel Shop, một template open source dựa trên Next.js dành cho Shopify. Template này tích hợp các công cụ mua sắm và thông tin sản phẩm được thiết kế đặc biệt cho agents. Sự hợp tác giữa Vercel và Shopify mang đến trải nghiệm mua sắm tự động hóa với khả năng tương tác với hàng triệu sản phẩm trên nền t Shopify. Các lập trình viên quan tâm đến AI shopping có thể tìm hiểu code mẫu trên GitHub để triển khai nhanh solution.

Lập trình viên nên đọc bài này để hiểu cách Vercel và Shopify cùng tạo ra nền tảng tiên phong cho tương tác mua sắm thông minh qua agents.

The LLM Blindspot: Why Models Forget What’s in the Middle of Your Prompt

Các mô hình LLM (Large Language Model) thường bỏ qua thông tin nằm ở giữa prompt, hiện tượng được nghiên cứu trong bài viết này. Nguyên nhân kỹ thuật đến từ cơ chế attention của transformer architecture, nơi các token ở đầu và prompt được tính trọng số cao hơn. Hệ quả là mô hình có thể hiểu sai hoặc bỏ qua chi tiết quan trọng nằm ở vị trí trung tâm của prompt. Bài viết phân tích cụ thể hiện tượng này với các thí nghiệm trên GPT-3.5 và GPT-4, cho thấy tỷ lệ lỗi tăng lên đáng kể khi thông tin quan trọng được đặt ở giữa. Điều đáng học là các lập trình viên nên thiết kế prompt đặt thông tin quan trọng ở đầu hoặc cuối để tối ưu hóa hiệu quả khi làm việc với LLM.

Bài giải thích này giúp lập trình viên hiểu rõ tại sao mô hình ngôn ngữ lớn có xu hướng bỏ qua thông tin ở giữa prompt.

Fine-Tuning NVIDIA Nemotron to Know Local Rules, Not Just Local Languages

Khi AI ngày càng được áp dụng toàn cầu, các mô hình ngôn ngữ tổng quẫn gặp hạn chế trong hiểu biết về quy định địa phương. Nhóm nghiên cứu đã fine-tune mô hình NVIDIA Nemotron-4 340B bằng cách kết hợp dữ liệu pháp luật và văn hóa từ các khu vực khác nhau để tăng cường khả năng tuân thủ quy tắc địa phương. Quá trình training này tạo ra model có khả năng hiểu và áp dụng các quy định cụ thể như GDPR ở châu Âu hay luật bảo vệ dữ liệu ở Việt Nam, thay vì chỉ tập trung vào ngôn ngữ địa phương. Kết quả cho thấy mô hình đã giảm 37% lỗi trong việc xử lý thông tin nhạy cảm so với phiên bản gốc, đồng thời giảm 22% phản hồi vi phạm các quy định khu vực. Đáng học hỏi là phương pháp kết hợp dữ liệu đa dạng trong quá trình fine-tuning giúp cân bằng giữa khả năng ngôn ngữ và hiểu biết văn hóa-pháp lý, tạo hướng đi mới cho AI trong tương lai.

Bài viết hướng dẫn cách tinh chỉnh NVIDIA Nemotron để hiểu quy định địa phương, giúp AI trở nên phù hợp và hiệu quả hơn trong các bối cảnh cụ thể.

How Vision-Language Models Actually See Images: Inside ViT, CLIP, SigLIP & 3D M-RoPE

Bối cảnh là vulnerability trong computer vision khi các mô hình như ViT, CLIP, SigLIP có thể bị đánh lừa bằng typographic attack, như dán nhãn "iPod" lên quả táo Granny Smith. Nguyên nhân kỹ thuật là vì các mô hình này học pattern từ text-image pairs thay vì hiểu ý nghĩa thực sự của hình ảnh, dẫn đến việc nhầm lẫn khi gặp text nhạy cảm. Hệ quả là độ chính xác giảm đáng kể, CLIP và SigLIP đạt tỷ lệ lỗi 90-95% với loại tấn công này. Điều đáng học là các mô hình cần tập trung vào semantic understanding hơn là pattern matching để tăng cường khả năng chống lại các tấn công dạng này.

Bài viết này giúp lập trình viên hiểu rõ cách các mô hình thị giác-ngôn ngữ xử lý hình ảnh và các lỗ hổng bảo mật liên quan.

Introducing Cisco Model Foundry: Bringing AI to our partners

Cisco vừa ra mắt Model Foundry trên nền tảng Cisco Cloud Control, kết hợp chuyên môn domain của Cisco với dữ liệu độc quyền từ đối tác và khách hàng. Giải pháp này sử dụng AI/ML để giúp các đối tác phát triển mô hình riêng, tận dụng sức mạnh của inference trên Cisco Control Hub. Mục tiêu của Cisco là giải quyết bài toán "data silo" - nơi dữ liệu bị phân mảnh và không được chia sẻ hiệu quả. Model Foundry cho phép các doanh nghiệp tận dụng AI mà không cần đầu tư lớn vào hạ tầng riêng. Đây là bước đi chiến lược của Cisco trong việc mở rộng hệ sinh thái AI cho đối tác, khác biệt với các giải pháp như Microsoft Azure AI Studio hay Google Vertex AI.

Cisco Model Foundry mang lại cho đối tác khả năng kết hợp chuyên môn của Cisco với dữ liệu riêng biệt của bạn và khách hàng để ứng dụng hiệu quả vào hệ sinh thái AI.

Compiling an SOP into a 3B Model

Đây là một thử nghiệm kỹ thuật thú vị khi biên dịch quy trình xử lý sự vụ (SOP) trực tiếp vào trọng số của mô hình 3B parameters. Thay vì dán SOP vào prompt, nghiên cứu đã sử dụng kỹ thuật fine-tuning để tích hợp quy trình này vào kiến trúc mô hình. Kết quả cho thấy mô hình có thể thực hiện đúng các bước triage khi được kiểm tra với các tình huống mới. Thí nghiệm này chứng minh tiềm năng của việc chuyển giao quy trình nghiệp vụ vào trọng số mô hình, mở ra hướng tiếp cận mới cho việc triển khai hệ thống AI trong môi trường doanh nghiệp.

Bài viết này cho thấy cách biên dịch một quy trình xử lý sự cố trực tiếp vào trọng lượng mô hình 3B thay vì dán vào prompt.