NVIDIA Dynamo introduces a unified session-level identifier that turns request-level inference serving infrastructure into program-aware infrastructure for agentic workloads. The system recognizes session headers from coding agents like Claude Code, Codex, and OpenCode out of the box, supports plugins for other harnesses, and offers a custom header for any harness. This session ID powers session-linked tracing and replay (via AISimulate and AIPerf), session-aware scheduling that pauses and resumes programs based on KV pool utilization thresholds to reduce cache thrashing, a shared KV cache indexer that extends routing visibility into external stores like Mooncake, and a proposed KvHint interface (Share, Prefetch, Demote, Pin, Retain) letting the router express cache movement policy while engines execute it. Benchmarks show the ThunderAgent-based scheduler improving throughput roughly 12-16% over KV-aware routing alone on SWE-bench, and 11-14.6% higher model-token throughput on agentic RL rollouts at medium concurrency while maintaining over 94.5% prefix-cache hit rate.
Nguồn: https://pytorch.org/blog/session-aware-agentic-inference-with-nvidia-dynamo. 8 Sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đang tải bình luận…
Netflix đã phát triển hệ thống GenRec để tăng thời gian xem phim của người dùng. Họ huấn luyện Large Language Model (LLM) trên dữ liệu tương tác người dùng với nội dung, sử dụng phương pháp transfer learning từ các mô hình ngôn ngữ lớn. Kết quả là hệ thống có khả năng đề xuất phim cá nhân hóa với độ chính xác cao hơn 23% so với phương pháp traditional collaborative filtering. Điều này cho thấy tiềm năng ứng dụng LLM trong lĩnh vực recommendation systems không chỉ giải trí mà còn có thể mở rộng sang các dịch vụ streaming khác.
Bài viết này giải thích cách Netflix xây dựng hệ thống đề xuất phim GenRec để giữ chân người xem qua công nghệ LLM tiên tiến.
LLM đang tiêu tốn RAM cho context không cần thiết do cơ chế quản lý kém hiệu quả. Nguyên nhân kỹ thuật nằm ở cách các model như Llama hay Mistai giữ toàn bộ history trong VRAM dù không sử dụng hết. Điều này gây lãng phí tài nguyên, đặc biệt với model 7B params có thể chiếm tới 14GB RAM khi không cần. Hệ quả là giảm hiệu suất chạy và tăng chi phí hạ tầng. Giải pháp đơn giản là điều chỉnh max_seq_len để chỉ giữ lại context cần thiết, giúp tiết kiệm đáng kể tài nguyên.
Bài viết giúp lập trình viên tối ưu hóa RAM cho LLM bằng cách chỉ giữ lại ngữ cảnh thực sự cần thiết.
Chip Huyen đã chia sẻ các chiến lược tối ưu inference cho Large Language Model một năm trước, và nhiều phương pháp này vẫn còn giá trị thực tiễn. Các kỹ thuật như vLLM, PagedAttention và continuous batching giúp giảm latency từ 5-10 lần so với phương pháp tuần tự truyền thống. Tác giả nhấn mạnh việc sử dụng hardware-aware inference để tận dụng tối đa GPU với hiệu suất throughput 100-500 tokens/giây. Một bài học quan trọng là việc lựa chọn tối ưu giữa latency và throughput tùy thuộc vào use case cụ thể. Bài viết còn đề cập đến các chiến lược như speculative decoding và model parallelism để xử lý các LLM có kích thước lên đến 100B parameters.
Chip Huyen chia sẻ chiến lược tối ưu hóa suy luận LLM giúp bạn nâng cao hiệu suất và tiết kiệm chi phí khi triển khai hệ thống trí tuệ nhân tạo.
Together Link cho phép tích hợp các mô hình open-source tiên tiến như GLM 5.3 và Kimi K3 vào coding agent mà đội ngũ bạn đang sử dụng. Giải pháp này giảm chi phí sử dụng model hơn 50% nhờ tối ưu hóa việc gọi model. Thay vì phải chi trả cho các dịch vụ cloud đắt đỏ, lập trình viên có thể tận dụng các open model ngay trong workflow hiện tại. Công nghệ này đặc biệt hữu ích cho các nhóm cần cân bằng giữa hiệu năng và ngân sách, đồng thời vẫn giữ được quyền kiểm soát dữ liệu nhạy cảm.
Together Link giúp giảm chi phí mô hình hơn 50% khi tích hợp các mô hình mở tiên tiến vào công cụ lập trình hiện có.
GitHub Models đã ngừng hoạt động hoàn toàn kể từ ngày 30 tháng 7 năm 2026, bao gồm playground, danh mục model, API inference và tính năng BYOK. Nhà phát triển có thể chuyển sang Microsoft Foundry để truy cập danh mục model rộng hơn hoặc GitHub Copilot cho các workflow AI trực tiếp trên GitHub.
Lập trình viên nên đọc bài này để cập nhật cách chuyển đổi sang các công cụ AI hiện đại như Microsoft Foundry hoặc GitHub Copilot để tiếp tục phát triển dự án hiệu quả mà không bị mất khả năng sử dụng các công nghệ mới nhất.
Tác giả đã triển khai local LLM (Large Language Model) trên mạng Tailscale để truy cập từ xa hiệu quả. Cấu hình kỹ thuật bao gồm việc sử dụng Tailscale Mesh để tạo tunnel bảo mật, kết hợp với container hóa bằng Docker trên máy chủ local. Giải pháp này cho phép truy cập LLM với độ trễ thấp dưới 100ms từ bất kỳ đâu, nhờ cơ chế routing tối ưu của Tailscale. Bài viết cung cấp hướng dẫn chi tiết về thiết lập Tailscale SSH cùng cấu hình firewall để đảm bảo bảo mật. Lập trình viên nên đọc bài gốc để hiểu rõ cách cấu hình Tailscale ACL và tối ưu hóa hiệu suất khi kết nối với các mô hình AI lớn.
Tailscale giúp bạn truy cập mô hình ngôn ngữ cục bộ từ bất kỳ đâu trên thế giới một cách đơn giản và an toàn.
Liquid AI đã đưa lớp ngữ cảnh cá nhân hóa cho AI agents chạy trên chip Snapdragon Hexagon NPU. Công ty này áp dụng một mô hình draft mới giúp tăng tốc độ giải mã cho model vision lên tới 3.13 lần. Giải pháp này cho phép xử lý dữ liệu trên thiết bị mà không cần kết nối cloud, giảm độ trễ đáng kể. Việc tích hợp với Hexagon NPU tận dụng hiệu năng xử lý tensor riêng của chip. Đây là bước tiến quan trọng trong việc đưa AI năng lượng thấp đến các thiết bị di động.
Liquid AI tích hợp lớp ngữ cảnh cá nhân lên Snapdragon chips giúp tăng tốc độ xử lý hình ảnh lên đến 3.13 lần.
Phân tích chi phí sơ lược cho thấy suy luận (inference) AI thực sự sinh lời, với chi phí ước tính khoảng 1 USD cho mỗi triệu token đầu ra, thấp hơn nhiều so với mức giá 4,5 USD trở lên của các nhà cung cấp như OpenAI, qua đó đạt biên lợi nhuận gộp 70–80%. Suy luận AI có lợi nhuận, nhưng các phòng thí nghiệm AI như OpenAI và Anthropic sử dụng khoản lợi nhuận này để bù đắp chi phí đào tạo mô hình tốn kém.
Là người phát triển muốn tối ưu chi phí cho ứng dụng AI của mình, bài viết này giúp bạn hiểu rõ về lợi nhuận thực tế của quá trình inference AI, từ đó có thể xây dựng mô hình kinh doanh hiệu quả và tránh bỏ lỡ cơ hội tiết kiệm chi phí mà không phụ thuộc vào sự hỗ trợ từ các công ty lớn.
Đọc tin ở đây, luyện code, học theo lộ trình và luyện IELTS trên các sản phẩm anh em — tất cả kết nối với nhau trong hệ sinh thái 8 Sync.
Cổng chính của hệ sinh thái: giới thiệu sản phẩm, blog và bảng giá trọn bộ.
Khám pháHọc theo lộ trình rõ từng chặng: video, quiz chấm tự động, certificate và mentor đang làm nghề.
Xem lộ trình1.000+ bài DSA, đề tiếng Việt, chấm tự động 7 ngôn ngữ — nhiều bài FREE, chạy ngay trên trình duyệt.
Luyện miễn phíChấm bốn kỹ năng IELTS bằng AI, phản hồi chi tiết theo rubric.
Dùng thử miễn phíAI IDE 22 MB cho dev Việt.
Tải miễn phíBộ nhớ tổ chức cho AI agent.
Khám pháAI trực Fanpage, tự sàng lọc lead.
Dùng thử