Đầu bảng ARC-AGI-2 vọt lên 88,06%
TUFA Labs dẫn đầu bảng điểm ARC-AGI-2 mùa 2026 với 88,06% trên Kaggle, vượt xa mốc 24,03% của nhà vô địch NVARC mùa trước.
Tin tức và phân tích Đánh giá AI
19 bài đã kiểm chứng về Đánh giá AI, sản phẩm và diễn biến ngành.
Mô hình tiên phong tự nghĩ thuật toán hậu huấn luyện, tốt nhất chỉ đạt 15%
Epoch AI công bố kết quả sớm của InnovationEval: GPT-5.6 Sol đạt 35% mức cải thiện của SDPO theo cách tính rộng, còn 15% sau khi hiệu chỉnh; Fable 5 vòng đầu bằng 0.
Arena huy động 200 triệu USD, định giá lên 3,1 tỷ USD
Nền tảng đánh giá mô hình Arena gọi vốn vòng B 200 triệu USD, định giá 3,1 tỷ USD, đồng thời ra mắt bản xem trước Chỉ số căn chỉnh cho tác nhân AI.
METR tìm ra lỗ hổng giả mạo log đánh giá chỉ trong 10 phút
Lỗ hổng nằm trong phần hiển thị công thức của trình xem log Inspect; một nhà nghiên cứu tìm ra trong khoảng 10 phút với sự trợ giúp của AI. Bên duy trì sửa xong trong một ngày.
Google cho mô hình tự chấm lại bài, nhiệm vụ dài tăng 6 điểm
VeriHarness của Google giúp AI tự kiểm tra lại kết quả nhiều lần, nâng điểm trung bình 6,2-6,4 trên 5 bài kiểm tra tác vụ dài.
Chuẩn mới của Microsoft: AI agent chạy 20 lần, chưa nổi nửa số việc ổn định
Chuẩn ThinkingBox của Microsoft và Hugging Face bắt AI agent làm lại mỗi việc 20 lần: ngay cả mô hình tốt nhất cũng chỉ ổn định hơn nửa số nhiệm vụ.
Viện An toàn AI Anh khôi phục đánh giá năng lực nguy hiểm sau khi cắt mạng
AISI Anh khôi phục phần lớn đánh giá năng lực nguy hiểm sau sự cố vượt quyền tháng 8, nhưng nhóm thử nghiệm tấn công mạng rủi ro cao nhất vẫn tạm dừng chờ sandbox mới.
Opus 5.5 đạt 1509 điểm, dẫn đầu Text Arena
Claude Opus 5.5 (High) lần đầu vào Text Arena đã đứng đầu với 1509 điểm, nhưng mới có hơn 2.300 lượt bình chọn nên vị trí chưa chắc chắn.
OpenAI hợp tác cùng hơn 80 chuyên gia ra mắt bộ chuẩn đánh giá sức khỏe tâm thần
OpenAI công bố MentalHealthBench, bộ chuẩn mở do hơn 80 chuyên gia tâm lý xây dựng, để đo chất lượng phản hồi của các mô hình AI trong hội thoại về sức khỏe tâm thần.
OpenAI thừa nhận chuỗi suy luận của Astra khó giám sát hơn
Tài liệu an toàn của OpenAI cho thấy khả năng giám sát chuỗi suy luận của Astra giảm mạnh, kèm dữ liệu thử nghiệm tấn công chuỗi cung ứng.
OpenAI chỉnh lại số liệu Astra, tỷ lệ ảo giác quay về 4,2%
Fortune phát hiện bảng đánh giá GPT-6 Astra của OpenAI bị sửa nhiều lần sau khi đăng, tỷ lệ ảo giác và điểm toán đổi qua đổi lại, chỉ còn bản lưu trữ internet làm bằng chứng đối chiếu.
Fable 5.1 dẫn đầu chỉ số thông minh, chi phí mỗi tác vụ 3.69 USD
Fable 5.1 của Anthropic đứng đầu bảng xếp hạng của Artificial Analysis với 66 điểm, nhưng chi phí chạy trọn bộ bài test tăng vọt lên 8523.16 USD dù giá niêm yết mỗi triệu token không đổi.
Benchmark Vero của Berkeley: tốt nhất cũng chỉ xong 27/43 dự án
Phòng thí nghiệm RDI của Berkeley công bố benchmark Vero: tác nhân AI viết cả code lẫn chứng minh hình thức trong kho Lean 4, tỷ lệ đạt từng đặc tả cao nhất 87,3% nhưng chỉ giải trọn vẹn 27 trong 43 dự án.
Số liệu không có trong âm thanh, mô hình giọng nói vẫn đọc ra
Thử nghiệm của Hume AI trên 11 mô hình ASR cho thấy điểm WER thấp nhất thường trùng với tỷ lệ lặp lại lỗi văn bản tham chiếu cao nhất, đặt câu hỏi về cách chọn mô hình giọng nói cho sản xuất.
OpenAI nâng điểm ARC lên 38,3%
OpenAI cho biết điểm RHAE công khai ARC-AGI-3 của GPT-5.6 Sol tăng từ 13,3% lên 38,3% sau khi giữ reasoning và bật compaction.
RoboDojo cho thấy tỷ lệ thành công robot thật vẫn thấp
RoboDojo cho thấy tỷ lệ thành công robot thật vẫn thấp được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
Alibaba kiểm tra agent bằng phân loại mã HS
Alibaba kiểm tra agent bằng phân loại mã HS được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
LifeSciBench của OpenAI phơi bày khoảng cách AI trong khoa học
Bộ 750 nhiệm vụ cho thấy mô hình hàng đầu có thể hỗ trợ sinh học, nhưng còn xa mới làm nghiên cứu độc lập.
SWE-Explore: agent lập trình bỏ lỡ dòng mã then chốt
Benchmark do Đại học Giao thông Thượng Hải dẫn dắt cho thấy agent thường tìm đúng file nhưng chỉ định đúng dòng liên quan bug khoảng 14% đến 19%.