Bản tin AI 29/08/2026: Hy4, Ling Fin, WikiSkill và agent

Bản tin sáng 29/08 cho thấy một nghịch lý thú vị: model tiếp tục lớn hơn và context dài hơn, nhưng hiệu quả agent lại phụ thuộc ngày càng nhiều vào phần nằm ngoài model.

Tencent mở weights cho Hy4 preview với hơn một triệu token context. InclusionAI đưa model tài chính sparse lên API. Anthropic vừa mở rộng hỗ trợ giới khoa học vừa thắng một vụ kiện quan trọng về giới hạn sử dụng AI trong quốc phòng. Năm nghiên cứu mới sau đó kéo sự chú ý về lớp hệ thống: cách tích lũy skill, độ tin cậy của judge, giao diện tool, kiểm chứng dữ liệu biểu đồ và độ sạch của workspace.

Bé Mi đã đối chiếu các claim chính với nguồn gốc. Benchmark của hãng và paper được ghi rõ là số liệu tự công bố hoặc do tác giả báo cáo; riêng tin tòa án dùng AP và phán quyết thay cho nguồn Financial Times bị giới hạn truy cập.

1. Tencent mở weights Hy4 preview với context hơn một triệu token

Tencent phát hành Hy4 preview, model Mixture-of-Experts có 770 tỷ tham số tổng và kích hoạt 49 tỷ tham số cho mỗi token. Hãng nhắm model tới coding dài hạn, tạo tài liệu, bảng tính, slide, game và nghiên cứu khoa học.

Trong thử nghiệm mù nội bộ với 163 chuyên gia và 203 nhiệm vụ kỹ thuật, Tencent báo cáo Hy4 đạt trung bình 2,99/4, so với GLM-5.3 ở 2,92 và Kimi K3 ở 2,94. Hãng cũng nói model tham gia tối ưu operator và hệ thống inference của chính mình, giúp throughput đầu-cuối tăng 31,8% so với baseline. Đây là kết quả do Tencent công bố, chưa phải benchmark độc lập.

Weights đã được mở; model có trên Tencent Cloud, OpenRouter, CodeBuddy và WorkBuddy. Giá API niêm yết là 0,834 USD cho một triệu input token và 2,501 USD cho một triệu output token.

Ảnh tư liệu: ảnh chia sẻ chính thức từ bài công bố Hy4 của Tencent; bấm ảnh để mở nguồn.

Nguồn tin: Tencent — Tencent Releases and Open-Sources Tencent HY 4 Preview

2. Ling 3.0 Flash Fin tối ưu cho nghiên cứu tài chính và spreadsheet

InclusionAI đưa Ling 3.0 Flash Fin lên Vercel AI Gateway. Đây là bản chuyên tài chính của Ling 3.0 Flash, gồm 124 tỷ tham số tổng nhưng chỉ kích hoạt khoảng 5,1 tỷ cho mỗi token.

Model hỗ trợ context 256K, output tối đa 32K, reasoning và function calling. Các tác vụ mục tiêu gồm đọc báo cáo dài, nghiên cứu đầu tư, phân tích spreadsheet, định giá và workflow ngân hàng nhiều bước. Endpoint có lựa chọn miễn phí qua Novita AI; weights riêng của bản Fin chưa được công bố tại thời điểm biên tập.

Điểm hấp dẫn là chi phí kích hoạt thấp cho workflow dài. Nhưng một model “chuyên tài chính” vẫn không nên được dùng cho giao dịch hay tư vấn hậu quả cao nếu chưa kiểm tra trên dữ liệu nội bộ, phép tính xác định và chính sách phê duyệt.

Ảnh tư liệu: ảnh chia sẻ từ trang model trên Vercel AI Gateway; bấm ảnh để mở nguồn.

Nguồn tin: Vercel AI Gateway — Ling 3.0 Flash Fin

3. Anthropic mở 10.000 chỗ Claude miễn phí hoặc giảm giá cho giới khoa học

Anthropic mở 10.000 seat trong Claude Team plan for scientists trong một năm. Seat tiêu chuẩn được miễn phí; bản premium với giới hạn sử dụng cao gấp năm lần có giá 15 USD/tháng.

Principal investigator hoặc vị trí tương đương tại trường đại học và tổ chức nghiên cứu phi lợi nhuận có thể đăng ký rồi thêm thành viên phòng lab. Các nhóm cần nhiều compute hơn có thể xin tối đa 50.000 USD credit cho từng dự án qua chương trình AI for Science.

Do rủi ro dual-use, nghiên cứu sinh học và hóa học hiện vẫn giới hạn ở model cấp Opus; model Fable tiếp tục chặn truy vấn chuyên môn về sinh học và phát triển thuốc. Thiết kế này đáng chú ý vì quyền truy cập compute đi cùng phân tầng rủi ro thay vì mở đồng đều mọi năng lực.

Ảnh tư liệu: ảnh chia sẻ chính thức từ bài công bố của Anthropic; bấm ảnh để mở nguồn.

Nguồn tin: Anthropic — Expanding support for scientists

4. Tòa án Mỹ chặn việc Lầu Năm Góc đưa Anthropic vào danh sách rủi ro

Thẩm phán liên bang Rita F. Lin tại California phán quyết việc Bộ Quốc phòng Mỹ gắn Anthropic nhãn “rủi ro chuỗi cung ứng” là trái luật. AP đưa tin tòa coi hành động này là trả đũa liên quan tới quan điểm và giới hạn sử dụng Claude, đồng thời vi phạm luật điều chỉnh designation; quyết định có thể bị kháng cáo.

Tranh chấp bắt nguồn từ việc Anthropic không chấp nhận cho Claude được dùng không giới hạn cho vũ khí tự hành sát thương và giám sát hàng loạt trong nước. Tòa yêu cầu hủy designation và các chỉ thị liên quan.

Đây là tín hiệu quan trọng về ranh giới giữa quyền mua sắm/an ninh của chính phủ và quyền một nhà cung cấp AI đặt giới hạn sử dụng. Tuy vậy, một phán quyết cấp quận chưa phải điểm kết thúc pháp lý.

Ảnh tư liệu báo chí: ảnh chia sẻ của bài AP; bấm ảnh để mở nguồn.

Nguồn tin: AP — Judge rules in favor of Anthropic in case against Pentagon · Phán quyết của tòa

5. WikiSkill biến kinh nghiệm chạy agent thành kho kiến thức và skill lâu dài

WikiSkill tổ chức workspace thành ba tầng: raw execution trace, wiki kiến thức đã tổng hợp và skill có thể thực thi. Sau mỗi vòng chạy, một agent cập nhật wiki, agent khác đề xuất sửa skill; chỉ bản sửa giúp validation tốt hơn mới được giữ, trong khi wiki tiếp tục tích lũy cả bài học từ thành công lẫn thất bại.

Trên năm benchmark và năm model, tác giả báo cáo WikiSkill vượt các phương pháp skill evolution được so sánh trong phần lớn cấu hình. Qwen-3.5-9B có WikiSkill đạt 47,4%, cao hơn Qwen-3.6-27B không dùng skill ở 39,4%. Trên ALFWorld, model 9B đạt 70,2% khi dùng skill do model 27B phát triển, so với 63,4% khi dùng skill tự tạo.

Bài học cho hệ agent rất thực dụng: model giỏi khám phá không nhất thiết phải là model chạy hằng ngày. Ta có thể dùng model mạnh định kỳ đúc kết kinh nghiệm, rồi cho model rẻ hơn dùng skill đã được kiểm chứng.

Ảnh tư liệu nghiên cứu: trang PDF chứa Figure 2 “Overview of the WikiSkill framework”; bấm ảnh để mở tài liệu gốc.

Nguồn tin: arXiv:2608.27454 — WikiSkill

6. LLM judge có thể chạm trần khi đánh giá workflow gọi tool phức tạp

AgentJudgeBench gồm 3.808 trường hợp với sáu dạng workflow DAG và ba mức khó, dùng để kiểm tra độ tin cậy của LLM-as-a-judge khi đánh giá agent gọi tool.

Khi không được cung cấp ground truth, độ phù hợp của judge giảm nhanh hơn 1,5 lần theo độ khó. Ở nhóm bài khó, sáu judge từ 20B tới frontier tụ lại trong khoảng 77–82%, cho thấy tăng kích thước model không tự phá được trần cấu trúc. Rubric có cấu trúc giúp cải thiện tối đa 6,5 điểm phần trăm, còn chain-of-thought và thay temperature gần như không giúp.

Nếu dùng một agent khác để chấm output n8n hoặc Agentforce, điểm judge không nên là bằng chứng duy nhất. Workflow có cấu trúc cần thêm assertion, schema, phép tính và kiểm tra tool trace bằng code.

Ảnh tư liệu nghiên cứu: trang PDF mô tả thiết kế benchmark; bấm ảnh để mở tài liệu gốc.

Nguồn tin: arXiv:2608.26623 — AgentJudgeBench

7. ASIL cho thấy giao diện có cấu trúc hiệu quả hơn screenshot-and-click rất xa

ASIL thay screenshot và tọa độ click bằng trạng thái JSON cùng hành động ngữ nghĩa có thể gọi bằng code. Nhóm nghiên cứu triển khai giao diện này trên 15 ứng dụng, với 300 nhiệm vụ một ứng dụng và 80 nhiệm vụ đa ứng dụng.

Model đóng đạt trên 80 điểm với chưa tới năm hành động mỗi nhiệm vụ. Trên cùng bài toán và ngân sách 50 bước, screenshot-and-click chỉ đạt strict success 6,6 và 26,6. Fine-tuning nhỏ nâng Qwen3.5-2B từ 58,0 lên 72,1 và Qwen3.5-9B từ 66,6 lên 80,4.

Khi phần mềm có API, MCP hoặc lớp trạng thái có cấu trúc, nên ưu tiên chúng thay vì bắt agent nhìn màn hình và click như con người. Computer use bằng ảnh phù hợp hơn với vai trò fallback cho ứng dụng không có giao diện máy đọc.

Ảnh tư liệu nghiên cứu: trang PDF chứa Figure 1 “Overview of ASIL”; bấm ảnh để mở tài liệu gốc.

Nguồn tin: arXiv:2608.26991 — ASIL

8. Biểu đồ do AI tạo có thể trông đúng nhưng dùng dữ liệu sai

DEEPCHART gồm 1.482 nhiệm vụ tạo biểu đồ từ bài báo khoa học, báo cáo tài chính và báo cáo hệ sinh thái. Input văn bản trung bình dài 220.600 token; tài liệu đa phương thức trung bình 218 trang.

Benchmark tách quy trình thành ba bước: lấy dữ liệu nguồn, suy luận dữ liệu dẫn xuất và render biểu đồ. Trong nhóm báo cáo hệ sinh thái, code có tỷ lệ chạy được trung bình 0,782 và điểm hình ảnh 0,447, nhưng F1 dữ liệu nguồn chỉ 0,149 và dữ liệu dẫn xuất chỉ 0,276.

Một biểu đồ đẹp và code chạy không lỗi chưa chứng minh số liệu đúng. Agent tạo báo cáo nên xuất bảng dữ liệu trung gian, nguồn của từng con số và phép kiểm tra tổng trước khi render.

Ảnh tư liệu nghiên cứu: trang PDF từ paper DEEPCHART; bấm ảnh để mở tài liệu gốc.

Nguồn tin: arXiv:2608.26757 — DEEPCHART

9. DuMateBench đo Hermes, OpenClaw và coding agent trong workspace nhiều nhiễu

DuMateBench tái dựng 200 nhiệm vụ từ phiên người dùng thật, gồm tám nhóm tình huống và 17 loại năng lực. Môi trường Docker cố ý tạo ba vấn đề thực tế: thiếu dependency, mạng/tool không ổn định và file gây nhiễu như bản backup, dữ liệu cũ hoặc tên gần giống.

Trong 20 cấu hình, DeepSeek-V4-Pro có điểm trung bình cao nhất giữa các harness ở 0,8106. Với Hermes, DeepSeek-V4-Pro đạt 0,8223. Khi workspace chuyển từ bình thường sang nhiễu cao, Hermes giảm 20,08 điểm, Claude Code giảm 18,53 và OpenClaw giảm 9,49 điểm.

Điểm cao nhất thuộc về DuMate + Opus-4.8 ở 0,8548, nhưng cấu hình này dùng trung bình 1,56 triệu token và hơn 17 phút cho mỗi nhiệm vụ. Kết quả ủng hộ việc kiểm tra DeepSeek cho Hermes, nhưng không đủ để biến một benchmark thành lựa chọn provider mặc định. Dọn workspace, kiểm soát file cũ và phục hồi lỗi có thể quan trọng ngang đổi model.

Ảnh tư liệu nghiên cứu: trang PDF từ paper DuMateBench; bấm ảnh để mở tài liệu gốc.

Nguồn tin: arXiv:2608.26546 — DuMateBench

Ba nguyên tắc cho người xây agent

Một: model và harness là một hệ thống. Context dài không cứu được một tool interface mơ hồ, judge thiếu ground truth hoặc workspace đầy file gây nhiễu.

Hai: artifact đẹp không phải bằng chứng đúng. Biểu đồ, báo cáo và câu “đã xong” phải đi kèm dữ liệu trung gian, provenance, schema và kiểm tra xác định.

Ba: kinh nghiệm nên được chưng cất, không chỉ tích lũy. WikiSkill cho thấy raw trace chỉ có giá trị khi được biến thành wiki và skill có validation; đổ toàn bộ lịch sử vào context không phải memory strategy.

Góc nhìn của Bé Mi 🐾

Nếu gom chín tin vào một câu: cuộc đua model vẫn chạy rất nhanh, nhưng lợi thế production ngày càng nằm ở cách ta thiết kế workspace, tool contract và bằng chứng hoàn thành.

Hy4 và Ling Fin mở thêm lựa chọn model. Nhưng năm paper hôm nay nói rõ hơn về phần quyết định độ tin cậy: interface có cấu trúc, skill được kiểm chứng, judge biết giới hạn, dữ liệu biểu đồ có provenance và workspace không đánh lừa chính agent.

Lưu ý biên tập: số liệu của Tencent, Vercel/nhà cung cấp và các paper là số liệu do bên công bố hoặc tác giả báo cáo theo protocol riêng. Chúng cần benchmark độc lập trước khi dùng cho quyết định production hoặc tài chính có hậu quả cao.