Tài liệu này tổng hợp các tiến bộ học thuật mới nhất trong tháng 08 và tháng 09 năm 2026 thuộc các danh mục ArXiv cs.MA, cs.AI, cs.IR và các kho mã nguồn mở tiêu biểu. Trọng tâm nghiên cứu xoay quanh ba trụ cột cốt lõi: 1. Quản trị bộ nhớ chia sẻ cấp nhân hệ thống (Kernel-Managed Shared Memory) nhằm cá nhân hóa và tối ưu hóa tài nguyên trong hệ thống đa tác nhân. 2. Xây dựng bộ nhớ tác nhân bảo toàn chứng cứ gốc không phụ thuộc LLM qua siêu đồ thị đa neo (LLM-Free Multi-Anchor Hypergraph Memory). 3. Tái hiệu chỉnh trọng số tranh biện đa tác nhân dựa trên bộ nhớ trải nghiệm và ước lượng độ tin cậy (Experience Memory and Confidence-Reweighted Multi-Agent Debate).
Mọi bài báo học thuật và kho mã nguồn trong báo cáo đều được đối chiếu trực tiếp với URL gốc xác thực trên ArXiv và GitHub nhằm bảo đảm tính minh bạch và độ tin cậy tối đa.
• URL Gốc: https://arxiv.org/abs/2609.10144 • Ngày Công Bố: 2026-09-09 • Tác Giả: Ryan Lum, Yongfeng Zhang • Trích Dẫn Chuẩn APA 7: Lum, R., & Zhang, Y. (2026). Kernel-Managed Shared Memory for System-Wide Personalization. arXiv preprint arXiv:2609.10144. • Phân Tích Chi Tiết: Nghiên cứu giải quyết bài toán cốt lõi trong hệ thống đa tác nhân: khi một tác nhân chuyên biệt học được ngữ cảnh hữu ích, thông tin đó thường bị cô lập và không thể chia sẻ cho các tác nhân khác. Tác giả đề xuất một cơ chế trừu tượng hóa cấp hệ thống mang tên Kernel-Managed Shared Memory trên nền tảng AIOS. Các tác nhân chuyên biệt chỉ thực hiện ghi dữ liệu có cấu trúc kèm thẻ định danh (tagged memories), trong khi nhân hệ thống (agent-system kernel) trực tiếp đảm nhận toàn bộ quyền truy xuất, thực thi quyền riêng tư và chèn ngữ cảnh vào prompt. Thử nghiệm trên 1,800 lượt kiểm thử với ba mô hình (GPT-4o, Llama-3.1:8B, Qwen-2.5:7B) cho thấy phương pháp này vượt trội 2.4 đến 4.0 điểm trên thang điểm 5 so với hạ tầng Mem0 không có bộ quản trị trung tâm. Đặc biệt, độ trễ xử lý toàn trình giảm từ 15% đến 61%, đồng thời tiết kiệm đáng kể chi phí token nhờ việc loại bỏ ngữ cảnh dư thừa. • Ưu Điểm: 1. Tập trung hóa quyền điều phối bộ nhớ tại nhân hệ thống giúp ngăn ngừa hiện tượng phân mảnh ngữ cảnh và rò rỉ dữ liệu giữa các agent. 2. Giảm thiểu chi phí token và độ trễ toàn trình từ 15% đến 61% so với phương pháp ghép toàn bộ ngữ cảnh thô. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi kiến trúc hệ thống phải hỗ trợ phân tầng nhân (kernel layer) và chuẩn hóa schema dữ liệu bộ nhớ. 2. Xuất hiện độ hụt nhẹ về hiệu năng trên một số mô hình ngôn ngữ kích thước nhỏ khi so với việc nạp toàn bộ ngữ cảnh không giới hạn.
• URL Gốc: https://arxiv.org/abs/2609.05553 • Ngày Công Bố: 2026-09-03 • Tác Giả: Zeyang Cui, Jiannong Cao, Zhiyuan Wen, Bo Yuan, Junlan Feng, Shengyuan Chen • Trích Dẫn Chuẩn APA 7: Cui, Z., Cao, J., Wen, Z., Yuan, B., Feng, J., & Chen, S. (2026). EdgeMem: LLM-Free Agent Memory Construction and Retrieval via Evidence-Preserving Multi-Anchor Hypergraph. arXiv preprint arXiv:2609.05553. • Phân Tích Chi Tiết: Các phương pháp quản trị bộ nhớ hiện nay thường tóm tắt lịch sử hội thoại bằng LLM, dẫn đến chi phí phát sinh liên tục và nguy cơ vứt bỏ các chi tiết mang tính quyết định trước khi hệ thống biết truy vấn tương lai cần gì. EdgeMem thiết lập một nguyên lý mới: bảo toàn nguyên vẹn các lượt tương tác gốc và tổ chức chúng qua các manh mối nội dung, thời gian và sự kiện bằng siêu đồ thị đa neo (multi-anchor hypergraph). Toàn bộ quá trình tạo lập và truy xuất bộ nhớ được thực hiện hoàn toàn bằng thuật toán cục bộ nhẹ, không tiêu tốn bất kỳ lượt gọi LLM sinh nào. LLM chỉ được kích hoạt duy nhất ở bước tạo câu trả lời cuối cùng. Trên tập chuẩn LoCoMo, EdgeMem đạt điểm đánh giá nghiêm ngặt cao nhất (61.01 điểm so với 58.70 của hệ thống đứng thứ hai) trong số 7 hệ thống được tái lập. • Ưu Điểm: 1. Không tiêu tốn token LLM trong khâu xây dựng và truy xuất bộ nhớ, tiết kiệm chi phí vận hành tối đa. 2. Bảo toàn nguyên bản chứng cứ gốc, triệt tiêu hoàn toàn hiện tượng mất mát thông tin do tóm tắt nén. • Nhược Điểm và Giới Hạn: 1. Cấu trúc siêu đồ thị đòi hỏi công cụ lưu trữ và lập chỉ mục đồ thị chuyên biệt trên máy chủ. 2. Việc liên kết các thực thể phân tán phụ thuộc vào chất lượng của thuật toán heuristic đa neo cục bộ.
• URL Gốc: https://arxiv.org/abs/2609.03619 • Mã Nguồn Mở: https://github.com/KylJin/R2-MAD • Ngày Công Bố: 2026-09-03 • Tác Giả: Xuanfa Jin, Zhijian Ma, Yongcheng Zeng, Xinyu Cui, Haifeng Zhang, Jun Wang • Trích Dẫn Chuẩn APA 7: Jin, X., Ma, Z., Zeng, Y., Cui, X., Zhang, H., & Wang, J. (2026). Remember and Reweight: Enhancing Multi-Agent Debate with Experience Memory and Confidence Estimation. arXiv preprint arXiv:2609.03619. • Phân Tích Chi Tiết: Cơ chế tranh biện đa tác nhân (Multi-Agent Debate hay MAD) thường gặp lỗ hổng nghiêm trọng gọi là quan niệm sai lầm chung (shared misconception): khi đa số tác nhân ban đầu hội tụ vào một đáp án sai, quá trình tranh biện sẽ khuếch đại sai sót thay vì sửa chữa nó. Nhóm tác giả phát triển khung R²-MAD nhằm trang bị cho các tác nhân bộ nhớ trải nghiệm (experience memory) tích lũy từ các phiên tranh biện trong quá khứ. Hệ thống can thiệp qua hai cơ chế bổ trợ: Chính sách truy xuất nhận biết trạng thái tranh biện động nhằm hiệu chuẩn tiên đề khái niệm bằng chứng cứ lịch sử; sau đó ước lượng độ tin cậy của từng tác nhân để gán trọng số điều tiết ảnh hưởng lẫn nhau. Kết quả thực nghiệm khẳng định R²-MAD vượt trội bền vững so với các mô hình đơn tác nhân và các đường cơ sở MAD truyền thống. • Ưu Điểm: 1. Giải quyết triệt để hiện tượng ngụy biện đám đông và khuếch đại ảo giác trong tranh biện đa tác nhân. 2. Định lượng hóa độ tin cậy của từng tác nhân qua trọng số động dựa trên lịch sử kiểm chứng. • Nhược Điểm và Giới Hạn: 1. Cần một kho dữ liệu trải nghiệm tranh biện ban đầu để bộ nhớ phát huy hiệu quả tối đa. 2. Bổ sung thêm độ trễ tính toán tìm kiếm vector tương đồng qua từng vòng tranh luận.
• URL Gốc: https://arxiv.org/abs/2608.29617 • Ngày Công Bố: 2026-08-30 • Tác Giả: Amelia Petrenciuc, Alexandru Lecu, Adrian Groza • Trích Dẫn Chuẩn APA 7: Petrenciuc, A., Lecu, A., & Groza, A. (2026). Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection. arXiv preprint arXiv:2608.29617. • Phân Tích Chi Tiết: Bài báo giới thiệu khung kiểm chứng thông tin kết hợp bộ nhớ ngữ nghĩa dựa trên Đồ thị Tri thức với cơ chế suy luận đối kháng đa tác nhân. Hệ thống vận hành theo kiến trúc: ưu tiên kiểm tra bộ nhớ nội bộ trước, chỉ tìm kiếm web khi cần thiết (memory-first, web-fallback). Các luận điểm được so khớp với Đồ thị Tri thức qua mô hình Sentence-BERT và suy luận ngôn ngữ tự nhiên (NLI). Khi bằng chứng nội bộ chưa đủ độ tin cậy, hệ thống kích hoạt hội đồng đối kháng gồm ba tác nhân: ủng hộ, phản biện và thẩm phán để phân tích dữ liệu web và sau đó chuyển đổi dữ liệu đã xác minh thành các bộ ba tri thức (triples) để nạp ngược lại Đồ thị. Trên tập kiểm thử thông tin sai lệch, hệ thống đạt độ chính xác 97.4% và điểm F1 vĩ mô 92.6%, vượt trội đáng kể so với mô hình cơ sở Llama 3.3 70B (87.7% độ chính xác). • Ưu Điểm: 1. Tiết kiệm chi phí gọi mạng bên ngoài nhờ cơ chế lọc trước qua Đồ thị Tri thức nội bộ. 2. Quy trình đối kháng 3 vai giúp giải trình rõ ràng căn cứ phán quyết và tự động mở rộng tri thức. • Nhược Điểm và Giới Hạn: 1. Yêu cầu chi phí khởi tạo và chuẩn hóa ontology cho Đồ thị Tri thức ban đầu. 2. Khâu phân giải thực thể từ dữ liệu web phức tạp có thể phát sinh sai lệch nếu cấu trúc câu không chuẩn.
• URL Gốc: https://arxiv.org/abs/2608.10108 • Ngày Công Bố: 2026-08-10 • Tác Giả: Beidi Zhao, Yaoqi Chen, Yuru Feng, Menghao Li, Qianxi Zhang, Baotong Lu, Jianan Lu, Zhirui Wang, Xinjiang Wang, Shusen Xu, Zengzhong Li, Xiaoxiao Li, Qi Chen • Trích Dẫn Chuẩn APA 7: Zhao, B., Chen, Y., Feng, Y., Li, M., Zhang, Q., Lu, B., Lu, J., Wang, Z., Wang, X., Xu, S., Li, Z., Li, X., & Chen, Q. (2026). MESA: Task-Adaptive Multi-Structure Evidence Selection for Long-Horizon Agent Memory. arXiv preprint arXiv:2608.10108. • Phân Tích Chi Tiết: Trong các tác vụ dài hạn, tác nhân tích lũy hàng trăm bước suy luận và hành động. Các hệ thống đa bộ nhớ hiện nay thường gặp hai thái cực: hoặc đọc toàn bộ cấu trúc gây bùng nổ ngữ cảnh, hoặc chỉ định tuyến vào một cấu trúc đơn lẻ làm mất tính toàn diện. Khung MESA xây dựng 5 góc nhìn cấu trúc bổ trợ cho mỗi quỹ đạo và sử dụng thuật toán tìm kiếm tối ưu hóa kèm lập lịch UCB để chọn ra tập con cấu trúc phù hợp nhất cho từng truy vấn. Thực nghiệm trên chuẩn AMA-Bench chứng minh MESA vượt trội 8.5% so với phương pháp cơ sở mạnh nhất, đồng thời giảm 41% số lượng token bằng chứng cần thiết. • Ưu Điểm: 1. Tối ưu hóa việc chọn lọc cấu trúc dữ liệu theo từng loại câu hỏi, giảm 41% token rác. 2. Kết hợp linh hoạt nhiều biểu diễn tri thức mà không làm quá tải ngữ cảnh LLM. • Nhược Điểm và Giới Hạn: 1. Cần lưu trữ đồng thời 5 cấu trúc bộ nhớ khác nhau cho cùng một chuỗi hành động. 2. Bộ lập lịch UCB đòi hỏi pha tinh chỉnh tham số dựa trên phản hồi của mô hình.
• URL Kho Lưu Trữ: https://github.com/KylJin/R2-MAD • Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích AST cấu trúc mã nguồn xác định, tiết kiệm 40,623 token so với đọc toàn bộ mã). • Quy Mô Cấu Trúc: 1. Tổng số tệp tin: 19 tệp Python. 2. Tổng số biểu tượng: 162 biểu tượng cấu trúc (symbols). 3. Tổng số cạnh liên kết: 407 cạnh phụ thuộc đồ thị (edges).
src/retrieval_policy.py (Lõi chính sách truy xuất kinh nghiệm):
• Điểm tập trung: Lớp RetrievalPolicy (5 liên kết đến), phương thức _filter và hàm _doc_embedding_matrix.
• Chức năng: Điều tiết việc trích xuất các phiên tranh biện lịch sử dựa trên trạng thái đồng thuận hiện thời của các tác nhân.src/memory.py (Cơ sở dữ liệu bộ nhớ vector):
• Điểm tập trung: Lớp MemoryVectorDB (L11-L363), phương thức _make_resp_id, hàm load_doc_embeddings.
• Chức năng: Lưu trữ và lập chỉ mục các phản hồi lịch sử, hỗ trợ truy vấn tương đồng ngữ nghĩa phục vụ việc tái hiệu chỉnh trọng số.src/multi_agent_debate.py (Điều phối tranh biện đa tác nhân):
• Chứa hàm _check_consensus, remove_think_tags và quản lý trạng thái luân chuyển ý kiến qua các vòng thảo luận.src/checker.py (Kiểm định và đánh giá độ chính xác):
• Điểm tập trung: strip_string, BaseChecker, parse_digits dùng để xác định tính đúng đắn của lập luận.| Tiêu Chí So Sánh | Hiện Trạng ARS 4.0.0 Tại Hermes | Đề Xuất Nâng Cấp Từ Bằng Chứng 2026-09-14 |
|---|---|---|
| Quản Trị Bộ Nhớ Hệ Thống | Từng profile lưu trữ độc lập qua jsonl và file cục bộ | Tích hợp trừu tượng hóa Kernel-Managed Shared Memory: nhân hệ thống kiểm soát quyền đọc ghi, thẻ định danh và chia sẻ liên profile an toàn |
| Cơ Chế Lưu Trữ Tri Thức | Lưu trữ tóm tắt markdown kèm nguy cơ mất mát thông tin | Ứng dụng nguyên lý EdgeMem: bảo toàn chứng cứ gốc qua cấu trúc siêu đồ thị đa neo nội bộ, không dùng LLM tóm tắt nén |
| Phản Biện và Thẩm Định | Grill-QA phản biện độc lập theo checklist định tính | Áp dụng cơ chế R²-MAD: trích xuất bộ nhớ kinh nghiệm phản biện quá khứ và tính toán trọng số tin cậy cho từng tác nhân |
| Kiểm Chứng Dữ Liệu Ngoài | Tìm kiếm web trực tiếp khi bắt đầu tác vụ | Thiết lập cơ chế Memory-First Fact-Checking: đối soát Đồ thị Tri thức nội bộ trước, chỉ kích hoạt web fallback khi điểm tin cậy dưới ngưỡng |
| Tối Ưu Ngữ Cảnh Dài Hạn | Nạp ngữ cảnh cố định theo chỉ dẫn role | Triển khai MESA: chọn lọc động tập con cấu trúc bằng chứng phù hợp với đặc thù truy vấn nhằm giảm hơn 40% chi phí token |
Toàn bộ dữ liệu thô đã được lưu trữ tại profiles/r-and-d/raw_evidence/evidence_tech_20260914.json và mã nguồn khảo sát tại profiles/r-and-d/raw_evidence/R2-MAD.
Giai đoạn 1 đã hoàn thành toàn diện các yêu cầu:
1. Thu thập các bài báo ArXiv mới nhất tháng 8 và tháng 9 năm 2026 kèm URL gốc xác thực và trích dẫn chuẩn APA 7.
2. Phân tích mã nguồn mở R2-MAD bằng công cụ Graft xác định.
3. Đối soát chi tiết với chuẩn ARS 4.0.0 và đề xuất giải pháp kỹ thuật cụ thể.
Hồ sơ sẵn sàng bàn giao cho Subc để thực hiện Giai đoạn 2 (Soạn thảo Idea Contract V1).