ĐIỂM TIN AI NÓNG - 02/11/2026
Model Releases & Đột phá Công nghệ
Nace AI — mở source Drex Max v1, model "quyết định" 27B chuyên trả lời bằng xác suất thay vì sinh văn bản, chạy được trên Mac 24 GB: Khác với mọi LLM thông thường, Drex Max v1 không sinh token mà trả lời câu hỏi phân loại về một ngữ cảnh bằng cách trả ra xác suất cho từng phương án trong một lượt forward duy nhất — nhắm thẳng vào các tác vụ định tuyến agent, phân loại ticket và kiểm tra policy/guardrail nơi cần câu trả lời dứt khoát, rẻ và không gặp rủi ro "ảo giác" khi sinh văn bản tự do. Kiến trúc 64 lớp gồm 48 lớp linear-attention Gated DeltaNet và 16 lớp full-attention phi nhân quả (cứ 4 lớp chen 1 lớp), cửa sổ ngữ cảnh 262.144 token, đầu đọc 255 lớp, kèm vision tower gốc cho ảnh. Tác giả tự báo cáo 67,52 điểm trên Decision Index 0.4 (cao hơn Drex v2.0 6,27 điểm) và 94,30% trên Decision Bench v4 — lưu ý toàn bộ benchmark là self-reported. Điểm thực dụng nhất cho dev: bản affine Q4 chỉ 14,45 GB chạy được trên Apple Silicon 24 GB, và bản lượng tử hóa Q8_0 trên M5 Pro 48 GB khớp kết quả bf16 trên H100 với sai số 0,02 mỗi xác suất. Weights bf16, GGUF Q8_0 và fork llama.cpp/Ollama đều đã công khai. Nguồn: Marktechpost.
DeepSeek — mở source dsh-superagent, agent lập trình kiến trúc router-worker theo dõi repo GitHub và tự mở PR, luận điểm: nút thắt đa nhiệm của agent là sức chứa chú ý của con người chứ không phải năng lực model: Phiên bản nghiên cứu v0.1.0 (giấy phép MIT, viết bằng TypeScript) theo dõi một repo GitHub (tùy chọn kênh Feishu), biến các yêu cầu được phép thành "Tickets" chạy song song — mỗi ticket một phiên agent cách ly, thường kết thúc bằng một pull request. Kiến trúc hai tầng: một Router chạy dai đảm nhiệm tương tác và điều phối với bộ tool nhỏ, còn các phiên Worker cách ly đi code thật; lệnh shell được đẩy xuống nền sau 5 giây để worker không bỏ lỡ tin nhắn mới. Điểm thiết kế đáng học: công việc chủ động bị khóa sau ba chế độ chấp nhận (off / observe-default / auto) và mỗi Ticket mang "Mandate" bất biến ghi rõ lý do được phép chạy. Trong mô phỏng của chính DeepSeek, hệ đạt p95 hoàn thành tác vụ 15,7 phút so với 29,5 phút của baseline một phiên (~1,9 lần nhanh hơn) — dù mới test trên tin nhắn tổng hợp và tool mô phỏng, chưa đo chất lượng code thật. Đây là data point tiếp nối hướng "multi-agent nhỏ" mà bản tin ngày 01/11 đã ghi nhận qua Memdoor. Nguồn: Marktechpost.
Cập nhật Sản phẩm & Công cụ
OpenAI — gộp chế độ Chat và Work trong ChatGPT từ tháng 12, chấm dứt thực tế giá trọn gói "prompt thả cửa": Theo trang hỗ trợ OpenAI đã cập nhật, các tính năng agentic của Work sẽ được nhập vào giao diện chính của ChatGPT, và các gói Plus, Pro, Business chuyển sang "một ngân sách token duy nhất dùng chung cho ChatGPT và Codex". Người dùng chạm trần có thể chờ reset, nâng gói hoặc mua thêm credit; chat với các model Instant không tính vào ngân sách — nghĩa là danh nghĩa vẫn "flat" nhưng người dùng dùng nặng ở gói rẻ sẽ cảm nhận chất lượng xuống cấp. Bối cảnh: OpenAI mới nhân đôi limit cho các gói giá cao sau chỉ trích về giao diện "hai chế độ vận hành và 11 tùy chọn model", và Anthropic cũng đã gộp Chat/Cowork trong Claude trước đó. Với dev đang dùng ChatGPT+Codex như một cụm làm việc chính, cần lập kế hoạch lại ngân sách token từ tháng 12. Nguồn: The Decoder.
claude-mem — repo TypeScript đang lên top trending GitHub (hơn 109.000 sao) nhắm đúng nỗi đau lớn nhất của agentic coding: trí nhớ xuyên phiên: Công cụ mã nguồn mở này ghi lại những gì agent làm trong mỗi phiên làm việc, dùng AI nén lại và tái tiêm phần ngữ cảnh liên quan vào các phiên sau, hỗ trợ Claude Code cũng như các coding agent khác. Star velocity của claude-mem (cộng dồn hơn 1.500 sao trong một ngày gần đây) cho thấy memory/context persistence đang là hạng mục công cụ được cộng đồng dev theo dõi gay gắt nhất hiện nay — bên cạnh đó, top trending Python còn có iFixAi (42.500 sao, +1.584 trong ngày) với hướng tiếp cận bổ sung: một lớp "kiểm toán viên độc lập" đứng ngoài agent để trả lời câu hỏi "agent có đang làm đúng việc được giao không", phục vụ nhu cầu trách nhiệm giải trình của nền kinh tế agent đang hình thành. Nguồn: GitHub Trending, claude-mem, iFixAi.
Nghiên cứu & Học thuật (Báo cáo nổi bật)
LeCun & Balestriero — chứng minh Định lý Biểu diễn Platonic cho JEPA: các model huấn luyện riêng biệt trên mọi modalities học ra biểu diễn chỉ khác nhau một phép quay: Trong bài báo arXiv 2610.39302, hai tác giả chứng minh rằng các JEPA huấn luyện độc lập trên bao nhiêu modality cũng được — miễn các cặp positive là hai "good views" của cùng một cảnh với mức lệch có chặn — thì học ra biểu diễn tương đương nhau đến một phép quay, lời giải thích lý thuyết cho giả thuyết Platonic Representation nổi tiếng. Đóng góp thú vị nhất về mặt khái niệm: họ diễn giải next-token prediction là một JEPA bị cho ăn "bad views" (các đoạn cắt của một văn bản), từ đó lý giải vì sao model ngôn ngữ chỉ hội tụ với model thị giác khi phóng to quy mô. Thực nghiệm từ 145.000 caption đến 940 triệu ảnh web cho ra scaling law của độ thẳng hàng dự đoán được các run chưa thấy trong sai số seed; "good views" đạt cùng mức thẳng hàng với ít hơn 42 lần mẫu huấn luyện so với next-token prediction. Kết quả ấn tượng nhất: một text JEPA 109 triệu tham số thẳng hàng với encoder DINOv2/CLIP tốt hơn mọi LLM được đánh giá (tới 72B), và chỉ một phép quay biến hai encoder huấn luyện riêng biệt thành image captioner (CIDEr 0,838 trên COCO) — nền tảng lý thuyết trực tiếp cho hướng tiếp cận world model/JEPA mà LeCun đang theo đuổi. Nguồn: arXiv, thảo luận HN.
Adobe Research + UC San Diego — EditAgent: agent chỉnh sửa ảnh bằng cách "làm như chuyên gia Photoshop", sinh song song nhiều phương án rồi dùng LLM thuần chấm qua "biên bản kiểm chứng": EditAgent phân rã yêu cầu chỉnh sửa thành các bước, ghép một editor tổng quát với các tool chuyên biệt, và sinh nhiều phương án chỉnh song song thay vì tinh chỉnh lặp; một LLM không fine-tune chọn phương án tốt nhất dựa trên "verification record" gồm ảnh crop cận cảnh, change map và số liệu đo brightness/màu. Trên benchmark 600 phép chỉnh do 5 chuyên gia chấm mù: model Flux-2-Klein-9B một mình hỏng 42,7% phép chỉnh, còn phương án song song thắng tinh chỉnh lặp trong 78,5% so sánh chuyên gia; khi có dữ liệu kiểm chứng, cả 7 LLM được test đều vượt các "judge" fine-tune như EditScore-72B (74,8%), với Qwen3.8-27B đạt 81,3% lựa chọn dùng được. Hiệu chỉnh đáng nhớ: đổi lại chất lượng, EditAgent tốn ~10 lần compute so với một editor đơn — nhưng 26.000 đầu ra đã kiểm chứng của nó cũng tạo ra dữ liệu huấn luyện giúp các editor nhanh hơn tiến bộ. Nguồn: The Decoder.
Y Combinator Labs + Olam Labs — thả 50 agent GPT-6.1 xây "nền văn minh" trong Minecraft, kết quả: tê liệt quan liêu; nhưng trong chiến tranh RTS, team GPT thắng team Claude 6-1: Thí nghiệm Civ50 chạy trên repo Mindcraft và thư viện Mineflayer: 50 agent GPT-6.1 Sol có 3 giờ để dựng nền văn minh, nhưng sau đêm đầu tiên zombie hạ nhiều agent, đàn agent sa vào "bế tắc hành chính" — tiêu biểu là 4 agent mất 11 phút để bổ nhiệm một "chuyên gia bón phân duy nhất" cho một lần bón bone meal vào một khối lúa mì. Ngược lại trong các kịch bản cạnh tranh, team GPT thể hiện tốt hơn: Bed Wars (10 GPT-6.1 Sol đấu 10 Claude Opus 5.5) cho thấy team GPT thích ứng nhanh hơn khi tool lỗi chặn việc phá khối, còn trong RTS kiểu Mindustry, team GPT thắng 6-1 sau 7 trận — được quy cho kiểu vận hành "tổ ong" so với cơ chế dân chủ một-lãnh-tụ của team Claude. Cả hệ swarm được mở source; nhóm nghiên cứu nhận xét hành vi này giống những gì cộng đồng đang thấy ở coding agent ngoài đời thực. Nguồn: Tom's Hardware, YC Labs.
Industry & Funding
- OpenAI — báo chí tiết lộ vòng gọi vốn mới chỉ hút được chưa đến một nửa mục tiêu 30 tỷ USD: Theo Wall Street Journal (TechCrunch dẫn lại), OpenAI đã hạ mục tiêu của vòng gọi vốn đang mở sau khi chỉ gọi được chưa đến một nửa mức 30 tỷ USD đề ra — tín hiệu thận trọng hiếm thấy ở công ty nóng nhất thị trường AI, đến ngay sau loạt tin về chi phí hạ tầng compute khổng lồ và chiến dịch quan hệ công chúng hậu bầu cử (trong đó có ý định đổi tên data center thành "AI compute campuses" theo Axios). Cùng ngày, hãng GPU cloud Hyperbolic công bố vòng Series A-1 30 triệu USD do quỹ Walden Catalyst của Lip-Bu Tan dẫn dắt, nâng tổng vốn lên ~50 triệu USD — dòng tiền vẫn chảy vào tầng hạ tầng inference thay vì các lab frontier. Với đội ngũ đang xây trên API của OpenAI, hai tin này cùng lúc là lý do để theo dõi sát biến động giá và giới hạn sử dụng cuối năm. Nguồn: TechCrunch, The Decoder — gộp Chat/Work.
🏷️ Từ khóa Xu hướng (Keywords)
JEPA Platonic Representation, dsh-superagent, Drex Max 27B, agent memory, agent auditing, token budget, EditAgent, agent swarm Minecraft