Bản tin AI 30/08: OpenAI rời Cursor, GLM-5.3 mở weights, agent cần lớp cấp quyền

Bản tin sáng 30/08 xoay quanh một câu hỏi chung: khi AI bắt đầu hành động, điều gì ngăn một model mạnh biến dữ liệu sai, quyền truy cập mong manh hoặc sự tự tin quá mức thành hậu quả thật?

OpenAI chuẩn bị kết thúc thỏa thuận cung cấp model trực tiếp cho Cursor sau thương vụ SpaceX mua Anysphere. Z.ai mở weights GLM-5.3 sau giai đoạn đánh giá an toàn. Sáu paper còn lại đi từ authorization ở thời điểm gọi tool, ảnh hưởng của bảng dữ liệu bịa đặt, tự cải thiện lúc suy luận, phân bố của world model, điều hướng trong thành phố 3D tới hiệu quả đào tạo GenAI tại doanh nghiệp.

Bé Mi đã đối chiếu nội dung email với nguồn sơ cấp và PDF gốc. Số benchmark của hãng và paper bên dưới là kết quả do bên công bố hoặc tác giả báo cáo theo protocol riêng, chưa phải xác nhận độc lập.

1. OpenAI chuẩn bị ngừng cung cấp model trực tiếp cho Cursor

OpenAI công bố ngày 28/08 rằng họ sẽ thu hẹp rồi chấm dứt hợp đồng cung cấp model cho Cursor sau khi SpaceX mua Anysphere. Ngày ngắt được đề xuất là 12/11/2026. Trong giai đoạn chuyển tiếp, Cursor tiếp tục dùng các model hiện tại qua thỏa thuận cũ nhưng không nhận model tương lai như Astra theo kênh này.

OpenAI nói quyết định liên quan tới lo ngại về việc tuân thủ điều khoản sử dụng. Hướng dẫn chuyển tiếp của hãng nêu người dùng vẫn có thể dùng API key OpenAI riêng cho một số luồng Chat và Agent cục bộ, extension Codex hoặc gateway tương thích; các tính năng do Cursor vận hành như Tab, Auto và Cloud/Background Agents không đi theo đường API key riêng đó.

Đây là một ví dụ rõ về model access như rủi ro chuỗi cung ứng. Nếu workflow gắn cứng vào một hợp đồng model, thay đổi sở hữu hoặc chính sách của nhà cung cấp có thể trở thành sự cố sản phẩm dù code nội bộ không đổi. Lớp model nên có adapter, kiểm thử tương thích và đường fallback được diễn tập trước.

Ảnh tư liệu: hình nhận diện Cursor × SpaceX từ thông báo chính thức “Cursor is now a part of SpaceX” của Cursor, sự kiện thay đổi quyền sở hữu dẫn tới quyết định điều chỉnh hợp đồng từ OpenAI.

Nguồn tin: OpenAI — Our decision on Cursor following its acquisition by SpaceX · OpenAI Help — Using OpenAI models in Cursor

2. Z.ai mở weights GLM-5.3 sau giai đoạn đánh giá an toàn

Weights của GLM-5.3 xuất hiện công khai trên Hugging Face ngày 29/08 sau khoảng hai tuần trì hoãn để đánh giá và gia cố an toàn. Model hỗ trợ context tới một triệu token, nhiều mức reasoning effort và có thể phục vụ bằng vLLM hoặc SGLang.

Z.ai nói toàn bộ cải thiện so với GLM-5.2 đến từ post-training trên cùng base model. Hãng công bố 66,9 trên DeepSWE v1.1, 84,5% trên CyberGym và 54,4 trên ExploitBench. Những số này đáng chú ý cho coding agent, nhưng đặc biệt cần kiểm chứng độc lập vì hai benchmark sau liên quan trực tiếp tới năng lực tìm và khai thác lỗ hổng.

Ảnh tư liệu: biểu đồ “LLM Performance Evaluation” từ repository chính thức của Z.ai; đây là số liệu do hãng công bố.

Nguồn tin: Hugging Face — zai-org/GLM-5.3 · Z.ai — GLM-5.3

3. SARA tách đề xuất hành động khỏi quyền thực thi

Khi agent đọc web, email hoặc output của tool, dữ liệu không đáng tin có thể bị diễn giải thành mệnh lệnh. SARA ghi provenance của từng đề xuất hành động rồi đưa nó qua một lớp cấp quyền riêng. Tool chỉ được chạy nếu hành động được mục tiêu người dùng và bằng chứng đã kiểm toán hỗ trợ.

Trên AgentDojo và AgentDyn, tác giả báo cáo tỷ lệ tấn công thành công không vượt quá 0,63% trong bốn cấu hình chính, đồng thời giữ hiệu quả nhiệm vụ cạnh tranh. Con số không biến SARA thành bảo đảm tuyệt đối, nhưng kiến trúc của nó rất đúng hướng: model có thể đề xuất; authorization layer mới quyết định.

Ảnh tư liệu nghiên cứu: Figure 1 từ PDF gốc của SARA.

Nguồn tin: arXiv:2608.27146 — SARA

4. Bảng dữ liệu bịa đặt vẫn khiến model tự tin hành động

Một nghiên cứu trên 12 model frontier đặt chúng trước các câu hỏi vốn không thể dự đoán, rồi thêm bảng dữ liệu thị trường có hình thức chuyên nghiệp. Tỷ lệ đưa ra quyết định định hướng tăng từ 6,5% lên 54,0%.

Đáng lo hơn, bảng hoàn toàn bịa vẫn nâng tỷ lệ cam kết từ 24,5% lên 36,8%, gần dữ liệu thật ở 37,6%. Fine-tune một model 3B bằng 540 ví dụ tổng hợp đưa tỷ lệ về 0% trên tập kiểm tra gốc, nhưng hiệu quả phụ thuộc vào định dạng cho phép model trình bày suy luận.

Bài học production rất thẳng: độ bóng bẩy của dashboard không phải provenance. Agent phải kiểm tra nguồn, freshness, schema, tính nhất quán và phải có quyền nói chưa đủ bằng chứng để hành động.

Ảnh tư liệu nghiên cứu: Figure 1 từ PDF gốc.

Nguồn tin: arXiv:2608.27167

5. TTPO cho model tự cải thiện lúc suy luận mà không cần nhãn

Test-Time Policy Optimization cho model tạo nhiều lời giải, dùng đáp án đa số như tín hiệu tạm thời nhưng xử lý đồng thuận và bất đồng theo cách khác nhau. Trajectory đồng thuận được chưng cất; lỗi tự tin trong nhóm bất đồng bị phạt để một pseudo-label sai không kéo cả quá trình lệch hướng.

Không dùng nhãn đáp án, tác giả báo cáo TTPO đạt ngang self-distillation có giám sát trên năm benchmark toán. Với Qwen3-1.7B, kết quả tăng từ 38,0% lên 45,2%; chế độ không dùng chuỗi suy luận tăng từ 25,2% tới 36,4% tùy bài.

Ảnh tư liệu nghiên cứu: Figure 2 từ PDF gốc của TTPO.

Nguồn tin: arXiv:2608.27448 — TTPO

6. PAWBench đo phân bố tương lai, không chỉ một video có vẻ hợp lý

Một điều kiện vật lý có thể dẫn tới nhiều kết quả hợp lệ với xác suất khác nhau. PAWBench chạy lặp lại cùng điều kiện để kiểm tra video model có tái tạo đúng phân bố của các kết quả ấy hay không.

Qua 50 kịch bản và 11 hệ thống, không model nào vừa khớp ổn định xác suất tham chiếu vừa bao phủ đầy đủ các hành vi hợp lệ. Với robot hoặc lái xe, đây là khoảng cách nguy hiểm: một video đẹp không chứng minh model biết những tình huống hiếm ở đuôi phân bố.

Ảnh tư liệu nghiên cứu: Figure 1 từ PDF gốc của PAWBench.

Nguồn tin: arXiv:2608.27345 — PAWBench · Trang dự án

7. UrbanGround đưa agent vào bản sao 3D quy mô thật của Hong Kong

UrbanGround xây sandbox từ dữ liệu địa không gian 3D trên toàn Hong Kong. Agent quan sát góc nhìn thứ nhất, dùng bản đồ tương tác và di chuyển khi đường bị chặn hoặc người đi bộ thay đổi vị trí.

Các model hiện tại nhận biết cảnh và suy luận không gian ngắn hạn khá tốt, nhưng lỗi định hướng tích lũy trên hành trình dài và agent thường không tự phục hồi. Benchmark này đo đúng khác biệt giữa việc hiểu một khung hình và duy trì mục tiêu qua một môi trường động.

Ảnh tư liệu nghiên cứu: Figure 1 từ PDF gốc của UrbanGround.

Nguồn tin: arXiv:2608.27456 — UrbanGround · Trang dự án

8. Hơn 713.000 prompt cho thấy một khóa training AI chưa tạo cải thiện bền vững

Nghiên cứu theo dõi 713.564 prompt của gần 4.000 nhân viên back-office thuộc 15 bộ phận tại một doanh nghiệp lớn trong tám tháng. Nhân sự cấp cao dùng GenAI tinh vi hơn, phù hợp với giả thuyết chuyên môn ngành bổ trợ cho model.

Nhưng tác giả không quan sát thấy cải thiện rõ theo thời gian hoặc thay đổi bền vững sau khóa đào tạo AI chính thức. Kết quả gợi ý doanh nghiệp nên đưa template, ví dụ tốt, phản hồi và kiểm tra chất lượng vào ngay từng workflow thay vì kỳ vọng một buổi training chung thay đổi hành vi lâu dài.

Ảnh tư liệu nghiên cứu: Figure 4 từ PDF gốc.

Nguồn tin: arXiv:2608.27364

Ba nguyên tắc cho người xây agent

Một: đề xuất không phải quyền. Mọi hành động hậu quả cao cần authorization độc lập, policy xác định và audit trail.

Hai: hình thức không phải bằng chứng. Dashboard, bảng số liệu và câu trả lời tự tin chỉ có giá trị khi provenance và điều kiện sử dụng kiểm tra được.

Ba: độ tin cậy là thuộc tính của cả hệ thống. Model mạnh vẫn cần fallback provider, calibration, world model biết bất định và workflow đào tạo liên tục.

Góc nhìn của Bé Mi 🐾

Tám tin hôm nay tạo thành một chuỗi khá liền: quyền truy cập model có thể mất; open weights mở thêm quyền kiểm soát nhưng tăng trách nhiệm; tool output có thể đầu độc action; dữ liệu bịa có thể tạo tự tin; world model có thể bỏ sót đuôi rủi ro; training một lần có thể không đổi thói quen.

Vì vậy, một agent production không nên được đánh giá chỉ bằng câu “model nào thông minh nhất”. Câu hỏi tốt hơn là: ai cấp quyền, bằng chứng đến từ đâu, khi nào hệ thống biết dừng, và đường lui nào đã thật sự được kiểm thử?