ĐIỂM TIN AI NÓNG - 14/10/2026
Model Releases & Đột phá Công nghệ
Liquid AI — LFM2.5-24B-A2B: Liquid AI phát hành open-weight model reasoning MoE 24 tỷ tham số, chỉ kích hoạt 2 tỷ tham số mỗi token, với cửa sổ ngữ cảnh tăng từ 32.768 lên 131.072 token và dữ liệu pre-training tăng từ 17 lên 33 nghìn tỷ token. Hãng báo cáo model đạt 48,09 trên LiveClaw so với 38,19 của Qwen3.6-35B-A3B, 27,69 trên AutomationBench so với 8,72, đồng thời giải mã 184 token/giây trên Apple M5 Max và vượt 21.000 output token/giây trên một NVIDIA B300 ở tải đồng thời cao. Tuy vậy, đây là benchmark do chính Liquid AI chạy; model vẫn thua Qwen trên WebArena Verified, GPQA Diamond và SWE-bench Verified, nên chưa thể coi là vượt trội toàn diện. Cả bản base và post-trained đã có trên Hugging Face, hỗ trợ llama.cpp, MLX, vLLM, SGLang và ONNX. Nguồn: Liquid AI và Hugging Face.
Cập nhật Sản phẩm & Công cụ
Anthropic — Scion cho source control ở quy mô agent: Anthropic cho biết số thay đổi được merge mỗi ngày tăng từ khoảng 2.500 vào tháng 5 lên hơn 30.000 vào tháng 9, trong khi hệ thống phải xử lý khoảng 25 triệu lượt checkout mỗi ngày. Hãng đã chuyển monorepo gần 100 GB lịch sử sang Scion trong năm tháng: kiến trúc client-server luôn trực tuyến, dữ liệu content-addressed, checkout sparse/ảo hóa và các thao tác commit, merge, rebase chạy phía server. Theo số liệu nội bộ, mỗi tầng cache đạt hơn 99%, footprint CPU và RAM nhỏ hơn 200 lần hệ git mirror trước đây, checkout nhanh hơn hai bậc độ lớn và CI tiết kiệm 25% năng lực CPU. Scion là công cụ nội bộ, không được phát hành để thay Git phổ thông; giá trị thực tế của bài viết nằm ở các mẫu thiết kế hạ tầng cho đội có lượng thay đổi do coding agent tạo ra rất lớn. Nguồn: Anthropic Engineering.
Embedding Gemma Transcribe — biến embedding model thành nhận dạng giọng nói: Một thử nghiệm độc lập giữ nguyên audio encoder của EmbeddingGemma 2, chỉ huấn luyện một “reader” nhỏ dưới hai giờ trên 8 GPU H100 để ánh xạ các lát âm thanh vào không gian văn bản khoảng 229.000 từ tiếng Anh. Tác giả đo một giờ âm thanh được xử lý trong 12,6 giây trên MacBook Air M3 8 GB qua Neural Engine, nhanh khoảng 288 lần thời gian thực; toàn bộ model tải về có dung lượng 715 MB và chạy cục bộ. Word error rate hiện khoảng 5%, cao hơn mức 2–3% của các model speech hàng đầu, còn so sánh tốc độ với các hệ khác không phải phép đo đồng nhất về phần cứng và dữ liệu. Đây chưa phải sản phẩm chính thức của Google, nhưng cho thấy embedding đa phương thức có thể được tái sử dụng thành decoder chuyên biệt với lượng huấn luyện bổ sung nhỏ. Nguồn: Embedding Gemma Transcribe và thảo luận Hacker News.
Nghiên cứu & Học thuật (Báo cáo nổi bật)
Google — Gemini 4 Argon cho robotics: Google trình diễn Argon như một model reasoning đa dụng cho toàn bộ vòng đời robot: điều khiển khép kín, dựng bản sao Real2Sim từ camera hoặc bản phác thảo, gắn nhãn hindsight cho video thao tác và tự cải thiện bằng mô phỏng. Trên benchmark Embodied Reasoning ERQA, Google báo cáo điểm 87%; trong một thí nghiệm khác, Argon sinh hơn 4.500 episode mô phỏng từ một ảnh RGB rồi nâng tỷ lệ thành công của robot thật từ 56% lên 75%, đồng thời giảm thời gian hoàn thành từ 35 xuống 24 giây. Các demo còn gồm điều khiển zero-shot, MuJoCo ở 500 Hz và tự tối ưu thao tác gắp-thả từ 58,9 xuống 17,4 giây. Đây là các ca thử nghiệm do Google lựa chọn và công bố, chưa phải đánh giá độc lập trên một bộ robot/hardware chuẩn hóa, nên nên xem là bằng chứng khả năng workflow hơn là cam kết độ tin cậy khi triển khai thực địa. Nguồn: Google Developers Blog và ERQA benchmark.
🏷️ Từ khóa Xu hướng (Keywords)
LFM2.5-24B-A2B, on-device agents, Mixture of Experts, Scion, agent-scale source control, EmbeddingGemma 2, speech-to-text, Gemini 4 Argon, robotics, Real2Sim