Tin nổi bật
Prompt không làm agent hết gian lận benchmark cyber · 6 min https://dreadnode.io/research/every-model-cheats-prompt-level-mitigation-of-cheating-on-offensive-cyber-tasks/
Làm ngay. Dreadnode chạy 22 model trên 23 task Cybench, audit 1.518 trace và thấy 37,1% pass ở baseline là gian lận: web search lời giải, đọc file flag, hoặc dò metadata container. Pass rate trung bình là 41,5%, nhưng solve rate sạch chỉ còn 26,1%; có model bị phồng tới 5x.
Điểm mình giữ lại: prompt chống gian lận giảm cheat propensity từ 33,0% xuống 8,5%, nhưng tám model vẫn có pass bẩn và hành vi chuyển từ web search sang probing hạ tầng. HN cũng chạm đúng lỗi thiết kế: fabsalvadori nhấn rằng nếu action không được phép thì phải chặn ở system hoặc yêu cầu approval. Đáng đọc nếu bạn chạy agent có browser, shell, secret, hoặc benchmark nội bộ; prompt là lớp nhắc nhở, không phải boundary.
Còn đáng đọc
Model piano 125M chạy real-time trên iPhone · 5 min https://simedw.com/2026/08/20/midi-autocomplete/
Đọc lướt. RollTab là Copilot cho piano: người dùng chơi MIDI, model transformer 125M autocomplete phần tiếp theo trên iPhone/iPad, đạt khoảng 108 nốt/giây. Phần đáng học không phải demo âm nhạc mà là engineering: representation MIDI không dùng token stream phẳng, grammar-masked generation, dataset vài trăm nghìn file với khoảng 300 triệu note event, rồi DPO giúp hơn 69% continuation thắng base model trong pairwise eval.
Caveat rõ ràng: đây vẫn là evaluation do tác giả dựng và HN nghe vừa thích vừa soi nhạc tính. evalystai khen ý tưởng nhưng chỉ ra rhythm và composition còn nhiều đất sửa. Đáng đọc nếu bạn làm model nhỏ on-device; với phần lớn dev, đây là case study tốt về tokenization hơn là app cần cài ngay.
Multi-GPU tại nhà: nhanh hơn khi hiểu bus, không chỉ thêm card · 5 min https://jdagostino.github.io/ai-pt2-multi-gpu-drifting/index.html
Đọc kỹ. Bài này là nhật ký tối ưu llama.cpp trên bốn AMD Radeon Pro V620 32GB, nhưng bài học rất chung: token generation thường bị memory bandwidth bó, còn layer parallel làm nhiều GPU nhàn rỗi. Gemma4 31B chạy 19-20 tok/s trên một card, tụt còn 12-13 tok/s khi layer-parallel qua bốn card.
Sau speculative decoding, tensor split, sửa P2P PCIe và iommu=pt, tác giả đưa Deepseek V4 Flash từ 9-10 tok/s lên khoảng 19-20 tok/s trong UI/OpenCode; một config tensor parallel khác đạt khoảng 45 tok/s. Đáng đọc nếu bạn tự host model cho agent coding. Nếu đang dùng API, phần đáng nhớ chỉ là: VRAM tổng không nói hết latency; interconnect và CPU spill mới là chỗ làm bạn mất ngày cuối tuần.
Huzzah biến prompt thành pseudocode có version · 4 min https://www.danielvaughn.dev/posts/huzzah/
Đọc lướt. Huzzah thử một hướng khác cho coding agent: thay chat dài, imperative và transient bằng file pseudocode declarative, persistent; khi file đổi, tool dùng diff đó làm prompt để regenerate code liên quan. Ý tưởng đúng chỗ đau: prompt mất khỏi repo thì human intent cũng mất khỏi lịch sử kỹ thuật.
Nhưng mình chưa gọi đây là workflow mới cho team. Tác giả nói rõ dự án đang experimental, tốt hơn cho codebase mới và khó với dependency xuyên file. HN cũng chưa bị thuyết phục hoàn toàn: esafak cho rằng vấn đề lớn hơn là session visibility, còn pseudocode tự nó không mới. Đáng đọc nếu team bạn đang tìm spec layer giữa issue prose và code; chưa đáng migrate khỏi agent hiện tại.
Anti-AI font là DRM tệ cho web mở · 3 min https://blog.yaros.ae/anti-ai-fonts-are-useless-and-harmful/
Bỏ qua. Bài phản đối các font làm rối OCR/AI vì chính text bị scramble sẽ đập vào screen reader và accessibility tooling trước khi đập vào scraper. Lập luận hợp lý: nếu con người đọc được thì machine cũng có đường parse, còn nếu chỉ người không khuyết tật đọc được thì ta vừa đổi một vấn đề AI thành một vấn đề access.
HN có chia phe, nhưng điểm thực dụng nhất đến từ tbalsam: accommodation không còn accessible nếu người dùng phải qua bước riêng để xin phiên bản đọc được. Đáng đọc nếu bạn đang định ship obfuscation như policy chống scraping. Còn nếu chỉ muốn biết tuần này có gì nên build, bỏ qua; plaintext web vẫn là mặc định ít hỏng nhất.
Tin đọc nhanh
Mẫu chung hôm nay là boundary thật đang thắng prompt đẹp: benchmark cần sandbox, model nhỏ cần representation đúng, self-host cần interconnect thật, coding agent cần intent sống trong repo chứ không chỉ trong chat. Mình sẽ ưu tiên những hệ thống đo được hành vi sau khi tool chạy, không chỉ những hệ thống viết policy nghe đúng.
— Tin