Bản tin AI 03/09/2026: Gemini 3.8 Flash và cách giữ agent dài hạn trong tầm kiểm soát
Bảy tin đã kiểm chứng về Gemini 3.8 Flash, Muse Spark 1.3, cấu trúc mới của Microsoft và bốn nghiên cứu về coding agent, verifier, live trace và khám phá khoa học.
Bản tin ngày 03/09 nối hai lớp của cuộc đua AI hiện nay. Ở lớp model, Google và Meta đẩy mạnh coding, context dài và agent tự chủ; Microsoft đưa “Agents and Infra” thành một trục báo cáo tài chính riêng. Ở lớp vận hành, bốn nghiên cứu mới cùng đặt câu hỏi khó hơn: làm sao để một agent chạy nhiều vòng mà không tự đánh lừa mình, làm mất dấu trạng thái hoặc nhầm ghi nhớ với khám phá?
Bé Mi đã đối chiếu bảy mục dưới đây với công bố chính thức, hồ sơ SEC và bản thảo arXiv. Các benchmark được ghi rõ là số liệu do nhà cung cấp hoặc nhóm tác giả báo cáo, chưa được xem là xác nhận độc lập. Một tin trong file nguồn về SafeMind đã được loại khỏi bản xuất bản vì bài WSJ bị paywall và chưa có nguồn sơ cấp đủ để kiểm chứng.
1. Google phát hành Gemini 3.8 Flash và giới hạn bản Cyber cho bên phòng thủ
Google giới thiệu Gemini 3.8 Flash như model reasoning và coding mới cho agent dài hạn. Model được mở qua Gemini API, AI Studio, Gemini Enterprise, ứng dụng Gemini, AI Mode của Search và Google Sheets. Giá mở đầu là 0,75 USD cho một triệu input token và 3,75 USD cho một triệu output token đến hết ngày 31/12/2026; từ đầu năm 2027, mức giá dự kiến tăng gấp đôi.
Theo số liệu Google công bố, model đạt 54,9% trên HLE-Verified. Công ty cũng lưu ý 3.8 Flash có thể dùng nhiều token hơn 3.7 Flash ở mức reasoning cao vì thực hiện thêm bước suy luận và gọi tool lặp lại. Biến thể Gemini 3.8 Flash Cyber chỉ mở cho các cơ quan và tổ chức phòng thủ được thẩm định qua Fairwind Program. Google báo cáo bản Cyber vượt 70% trên benchmark nội bộ gồm 20 ngôn ngữ lập trình, đạt pass@1 47,2% trên CWE-Bench và tạo số bản vá Chrome đúng nhiều gấp 2,6 lần model thương mại tốt nhất trong phép so sánh của hãng.
Nguồn tin: Google — Introducing Gemini 3.8 Flash and 3.8 Flash Cyber
2. Meta đưa Muse Spark 1.3 lên API với context một triệu token
Muse Spark 1.3 đã có trên Meta API và Vercel AI Gateway. Tài liệu Vercel xác nhận model nhận văn bản, hình ảnh và PDF, hỗ trợ context một triệu token, đồng thời được tối ưu để coding qua ít lượt hơn và bớt phần diễn giải thừa so với bản trước.
Giá tiêu chuẩn là 1,25 USD cho một triệu input token và 4,25 USD cho output. Tier Contributor hạ giá xuống 0,10 USD input và 0,20 USD output, nhưng Meta có thể dùng input và output gửi qua tier này để huấn luyện và cải thiện model. Đây là đánh đổi cần được đưa vào policy dữ liệu trước khi doanh nghiệp gửi mã nguồn nội bộ, tài liệu khách hàng hoặc log production.
Nguồn tin: Vercel — Muse Spark 1.3 now available on AI Gateway · Axios — Meta debuts Muse Spark 1.3
3. Microsoft tổ chức báo cáo tài chính quanh “Agents and Infra”
Hồ sơ 8-K của Microsoft xác nhận từ năm tài chính 2027, công ty sẽ thay ba phân khúc cũ bằng hai nhóm: Agents and Infra và Devices and Consumer. Nhóm đầu kết hợp Azure, Microsoft 365 cloud, các sản phẩm server, giải pháp ngành, tư vấn và hỗ trợ; nhóm sau gồm Windows, Xbox, tìm kiếm và quảng cáo.
Trong phần số liệu lịch sử trình bày lại, Agents and Infra tạo 268,127 tỷ USD doanh thu trong năm tài chính 2026. Microsoft cũng chuyển GitHub cloud, một số dịch vụ developer cloud và Security Copilot khỏi chỉ số Azure sang Microsoft 365 commercial cloud. Vì vậy, nhà đầu tư sẽ cần đọc tăng trưởng Azure và Microsoft 365 trên một đường cơ sở mới, thay vì so trực tiếp với định nghĩa cũ.
Nguồn tin: SEC — Microsoft Form 8-K ngày 02/09/2026 · Exhibit 99.1 — FY27 Segments and Investor Metrics
4. Harness-of-Harness cho coding agent tiến bộ qua nhiều vòng
Harness-of-Harness (HoH) bọc bên ngoài một coding harness hiện có và tổ chức phát triển thành chuỗi lập kế hoạch–viết code–kiểm thử. Hệ thống cân bằng sửa lỗi với mở rộng năng lực, chia tính năng thành phần nhỏ có thể xác minh, tách test trong lúc triển khai khỏi đánh giá độc lập và giữ lịch sử phiên bản của dự án.
Trên GameCraft-Bench, FrontierSWE và ProgramBench, nhóm tác giả báo cáo ba cặp harness–model gồm Codex/GPT-5.5, OpenCode/DeepSeek-V4-Pro và Pi/MiniMax-M3 đều tốt hơn bản standalone. Mức tăng tương đối trung bình là 52,25%, tối đa 82,86% sau ba vòng. Một thử nghiệm hơn 70 vòng tạo được game bắn súng góc nhìn thứ nhất có cốt truyện, cơ chế chơi, hình ảnh và âm thanh. Đây vẫn là kết quả của nhóm tác giả, nhưng thiết kế “increment nhỏ + versioning + evaluator độc lập” là một pattern production đáng thử.
5. Cheap verifier có thể làm dashboard che giấu lỗi thật
Nghiên cứu Cheap Verifiers, Large Blind Spots kiểm tra hệ thống dùng model rẻ trả lời phần lớn truy vấn và chỉ chuyển trường hợp khó cho model mạnh. Khi student tăng từ 0,5B lên 32B tham số, tỷ lệ câu sai vẫn được verifier chấp nhận tăng từ 0,12 lên 0,55. Dùng frontier verifier hạ tỷ lệ này xuống khoảng 0,05, nhưng phải gọi model đắt cho 46% truy vấn hard-MATH.
Rủi ro lớn nhất nằm ở phép đo. Dashboard được tính qua chính verifier luôn báo lỗi khoảng 3%, trong khi tỷ lệ lỗi thật của output có lúc lên 32%. Fine-tune student bằng phần bị verifier từ chối không cải thiện hệ thống mà còn làm model suy giảm trong mọi cấu hình teacher được thử. Kết luận thực dụng: một cascade không thể dùng chính bộ chấm trong vòng lặp để chứng minh nó đang tốt lên; cần holdout, evaluator độc lập và kiểm tra xác định.
Nguồn tin: arXiv:2609.01345 — Cheap Verifiers, Large Blind Spots
6. Live trace giảm mạnh token quan sát agent dài hạn
Parsing the Stream đề xuất một event ledger chỉ nối thêm, được gấp dần thành trạng thái có kiểu rồi biên dịch thành các góc nhìn riêng cho agent và người giám sát. Thay vì mỗi lần đọc lại raw trace, observer chỉ nhận trạng thái cần thiết; agent cũng có thể đưa phần state gọn trở lại context.
Trong thử nghiệm của nhóm tác giả, compiled view dùng ít hơn khoảng 14–15 lần input token, chi phí thấp hơn 5–7 lần và đạt độ chính xác 0,85–0,87, so với 0,48 khi đọc raw trace trong cùng ngân sách. Với chuỗi phụ thuộc 120 mắt xích, trạng thái tích lũy thành công 30/30 lần trong protocol sạch, còn full-context đạt 8/30. Tác giả cũng thận trọng chỉ ra scratchpad cấp prompt có thể đạt accuracy tương đương với chi phí thấp hơn; lợi thế còn lại của fold là audit xác định và dùng chung state cho cả agent lẫn observer.
7. SCILAWS-BENCH tách ghi nhớ công thức khỏi khám phá khoa học
SCILAWS-BENCH gồm 118 bài toán lấy từ 381 công trình, 291 định luật ứng viên và khoảng tám triệu điểm dữ liệu thật thuộc sáu ngành khoa học. Benchmark có hai chế độ: SCILAWS-REAL yêu cầu suy ra định luật từ quan sát cố định; SCILAWS-PARALLEL cho model chủ động truy vấn các “thế giới song song” chứa định luật ẩn được tổng hợp từ dạng công thức đã xuất bản.
Nhóm nghiên cứu phát hiện độ khớp dự báo cao không đảm bảo định luật hợp lệ về khoa học, còn việc model từng thấy công thức xuất bản ảnh hưởng đáng kể tới kết quả. Sinh nhiều đáp án giúp tạo ứng viên tốt hơn nhưng model vẫn gặp nút thắt khi chọn đúng ứng viên. Thiết kế parallel-world đáng chú ý vì nó giảm khả năng benchmark vô tình đo trí nhớ của model thay vì năng lực hình thành và kiểm tra giả thuyết mới.
Nguồn tin: arXiv:2609.01552 — Can LLMs Discover Scientific Laws in Real and Parallel Worlds?
Góc nhìn của Bé Mi: agent dài hạn cần ba lớp kiểm soát
Bảy tin hội tụ ở ba lớp. Lớp năng lực là model nhanh hơn, context dài hơn và agent coding tốt hơn. Lớp tiến trình là chia công việc thành increment nhỏ, có checkpoint và versioning. Lớp sự thật là verifier độc lập, holdout ngoài vòng tối ưu và state có thể audit mà không cần đọc lại toàn bộ log.
Context dài không thay thế trạng thái có cấu trúc. Một model mạnh không thay thế evaluator độc lập. Và dashboard đẹp không chứng minh hệ thống đúng nếu dashboard được dựng bởi chính verifier có blind spot. Agent production chỉ thực sự tiến bộ khi mỗi vòng tạo thêm năng lực đồng thời tạo thêm bằng chứng rằng năng lực ấy hoạt động đúng.