Tài liệu này tổng hợp các đột phá học thuật và mã nguồn mở mới nhất trong ngày 24 tháng 09 năm 2026 thuộc danh mục ArXiv cs.AI, cs.MA, và hệ sinh thái tác tử nghiên cứu khoa học tự trị. Trọng tâm nghiên cứu xoay quanh năm công trình học thuật tiêu biểu cùng một kho lưu trữ mã nguồn mở trọng điểm: 1. Kiến Trúc Bộ Nhớ Đồ Thị Kép Cho Nghiên Cứu Sâu Mở (DualGraph Memory: A Tale of Two Graphs: Separating Knowledge Exploration from Outline Structure for Open-Ended Deep Research): Tách rời cấu trúc dàn ý bài viết khỏi đồ thị tri thức ngữ nghĩa, khắc phục triệt để hiện tượng mất gốc ngữ cảnh ở giữa (lost in the middle) trong chu trình nghiên cứu dài hạn (Microsoft Research, arXiv 2602.13830). 2. Hạt Nhân Kích Hoạt Trạng Thái Giao Dịch Cho Tác Tử Tồn Tại Kéo Dài (Beyond Memory: A Transactional Continuity Kernel for Long-Lived AI Agents): Xây dựng khế ước kích hoạt trạng thái nguyên tử (atomic state activation contract), ngăn chặn việc ghi đè dữ liệu cũ, lộ lọt thông tin chưa kiểm duyệt và leo thang đặc quyền tự phát trong hệ thống tác tử (arXiv 2608.11632). 3. Cơ Chế Bộ Nhớ Chia Sẻ Có Chọn Lọc Cho Hệ Tác Tử Song Song (Learning to Share: Selective Memory for Efficient Parallel Agentic Systems): Sử dụng học tăng cường (RL) để chọn lọc thông tin hữu ích đưa vào ngân hàng bộ nhớ chung, loại bỏ sự trùng lặp tính toán lãng phí giữa các nhóm tác tử chạy song song (UCF, arXiv 2602.05965). 4. Khung Kết Nối Chủ Quyền Giữa Các Hệ Đa Tác Tử Cá Nhân (The Civilization Framework: Sovereign-Anchored Communication Between Personal Multi-Agent Systems): Xác lập giao thức Embassy Protocol dựa trên sổ cái giao dịch bất biến, hóa giải rủi ro thiên vị thông tin đến sớm (temporal weight hazard) trong giao tiếp giữa các tác tử (arXiv 2609.03425). 5. Khung Điều Phối Đồ Thị DAG và Quản Trị Uy Tín Đa Tác Tử (DART: A DAG-Based Reputation and Incentive Framework via Blockchain-Enabled Governance for Trustworthy LLM Multi-Agent Collaboration): Kết hợp điều phối luồng công việc đồ thị DAG với quản trị phi tập trung và cập nhật uy tín động nhằm cô lập tác tử bất tuân hoặc độc hại (arXiv 2609.05529). 6. Khảo sát mã nguồn mở OpenResearcher (TIGER-AI-Lab): Framework tác tử nghiên cứu sâu tự trị với cơ chế điều phối duyệt web và tổng hợp đa nguồn.
Mọi bài báo học thuật và kho lưu trữ mã nguồn mở trong báo cáo đều được đối chiếu trực tiếp với URL gốc xác thực trên ArXiv và GitHub nhằm bảo đảm tính minh bạch, khả năng kiểm chứng và dấu thời gian công bố.
• URL Gốc: https://arxiv.org/abs/2602.13830 • Ngày Công Bố: 2026-02-14 (Phiên bản cập nhật v3: 2026-08-25) • Tác Giả: Zhuofan Shi, Ming Ma, Zekun Yao, Fangkai Yang, Jue Zhang, Dongge Han, Victor Rühle, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang (Microsoft Research) • Trích Dẫn Chuẩn APA 7: Shi, Z., Ma, M., Yao, Z., Yang, F., Zhang, J., Han, D., Rühle, V., Lin, Q., Rajmohan, S., & Zhang, D. (2026). A tale of two graphs: Separating knowledge exploration from outline structure for open-ended deep research. arXiv preprint arXiv:2602.13830. https://doi.org/10.48550/arXiv.2602.13830 • Phân Tích Chi Tiết: Các tác tử nghiên cứu sâu mở (Open-Ended Deep Research - OEDR) truyền thống thường tích lũy bằng chứng tuyến tính hoặc lập kế hoạch xoay quanh dàn ý (outline-centric). Cách tiếp cận tuyến tính dễ gây quá tải ngữ cảnh và thất thoát bằng chứng, trong khi cách tiếp cận bám dàn ý buộc mô hình tự suy luận lỗ hổng tri thức một cách ngầm ẩn. DualGraph giải quyết điểm nghẽn này bằng cách duy trì song song hai đồ thị đồng tiến hóa: Đồ thị Dàn ý (Outline Graph - OG) kiểm soát cấu trúc trình bày bài viết và Đồ thị Tri thức (Knowledge Graph - KG) lưu trữ các thực thể, khái niệm cùng quan hệ ngữ nghĩa ở mức chi tiết. Việc phân tích cấu trúc KG kết hợp tín hiệu từ OG kích hoạt các truy vấn tìm kiếm trúng đích, đạt điểm số kỷ lục 53.08 RACE trên DeepResearch Bench. • Ưu Điểm: 1. Tách bạch hoàn toàn việc khám phá bằng chứng khách quan khỏi cấu trúc hành văn của bài viết. 2. Hạn chế hiện tượng ảo giác và sót quan hệ logic giữa các phát hiện nghiên cứu phức tạp. • Nhược Điểm và Giới Hạn: 1. Chi phí duy trì và cập nhật đồng bộ hai đồ thị tăng lên khi không gian nghiên cứu mở rộng quá nhanh. 2. Phụ thuộc vào chất lượng trích xuất thực thể và liên kết quan hệ ban đầu từ các nguồn tài liệu thô.
• URL Gốc: https://arxiv.org/abs/2608.11632 • Ngày Công Bố: 2026-08-12 • Tác Giả: Jun He, Deying Yu • Trích Dẫn Chuẩn APA 7: He, J., & Yu, D. (2026). Beyond memory: A transactional continuity kernel for long-lived AI agents. arXiv preprint arXiv:2608.11632. https://doi.org/10.48550/arXiv.2608.11632 • Phân Tích Chi Tiết: Tác tử tồn tại lâu dài tích lũy trạng thái qua nhiều phiên làm việc, nhưng việc chỉ lưu trữ đơn thuần không giúp xác định đâu là trạng thái có thẩm quyền chính thức. Cập nhật không qua kiểm duyệt từ các công cụ hoặc tiến trình nền dễ gây ghi đè dữ liệu cũ (stale overwrites) và leo thang đặc quyền tự phát. Nhóm tác giả đề xuất Khung Hạt nhân Liên tục (Continuity Kernel - CK), định nghĩa tính liên tục là một chuỗi nhánh được cấp phép rõ ràng. CK tách rời việc đề xuất thay đổi trạng thái khỏi việc kích hoạt trạng thái chính thức qua khế ước giao dịch ngắn hạn, kiểm định tính sở hữu, tính tươi mới và tính duy nhất của tác vụ trước khi ghi nhận trạng thái Commit. Giao thức đã được chứng minh hình thức trên hơn 2.8 triệu trạng thái khả đạt mà không phát hiện bất kỳ vi phạm bất biến nào. • Ưu Điểm: 1. Đảm bảo tính toàn vẹn và bất biến của dữ liệu trạng thái tác tử qua hàng triệu bước thực thi. 2. Ngăn ngừa hoàn toàn nguy cơ các tác tử tự ý sửa đổi quyền hạn hoặc phá hoại bộ nhớ hệ thống. • Nhược Điểm và Giới Hạn: 1. Gia tăng độ trễ cho mỗi giao dịch cập nhật trạng thái do phải thông qua bước tái kiểm định giao dịch. 2. Đòi hỏi cơ chế khóa và lưu vết giao dịch chặt chẽ ở tầng hạ tầng cơ sở dữ liệu.
• URL Gốc: https://arxiv.org/abs/2602.05965 • Ngày Công Bố: 2026-02-05 (Phiên bản cập nhật v2: 2026-06-14) • Tác Giả: Joseph Fioresi, Parth Parag Kulkarni, Ashmal Vayani, Song Wang, Mubarak Shah (University of Central Florida) • Trích Dẫn Chuẩn APA 7: Fioresi, J., Kulkarni, P. P., Vayani, A., Wang, S., & Shah, M. (2026). Learning to share: Selective memory for efficient parallel agentic systems. arXiv preprint arXiv:2602.05965. https://doi.org/10.48550/arXiv.2602.05965 • Phân Tích Chi Tiết: Khi triển khai song song nhiều nhóm tác tử để khám phá các hướng suy luận khác nhau, chi phí tính toán tăng vọt do các tác tử thường xuyên lặp lại các bước giải quyết bài toán con tương tự nhau. Công trình đề xuất cơ chế Học cách Chia sẻ (Learning to Share - LTS), thiết lập một ngân hàng bộ nhớ toàn cục kết hợp bộ điều khiển tinh gọn. Bộ điều khiển được huấn luyện bằng học tăng cường theo từng bước (stepwise reinforcement learning), đánh giá mức độ đóng góp thông tin để quyết định xem một bước trung gian có xứng đáng được lưu vào bộ nhớ chung cho các tác tử khác tái sử dụng hay không. Kết quả trên GAIA và AssistantBench cho thấy LTS rút ngắn đáng kể thời gian chạy mà vẫn duy trì hoặc nâng cao độ chính xác. • Ưu Điểm: 1. Tiết kiệm tài nguyên điện toán và chi phí gọi mô hình trong các quy trình nghiên cứu song song đa tác tử. 2. Cho phép các nhánh nghiên cứu độc lập thụ hưởng phát hiện của nhau mà không làm bùng nổ độ dài ngữ cảnh. • Nhược Điểm và Giới Hạn: 1. Bộ điều khiển chọn lọc cần dữ liệu huấn luyện đặc thù cho từng loại hình tác vụ nghiên cứu. 2. Nguy cơ lan truyền lỗi nếu một thông tin sai lệch được bộ điều khiển đánh giá nhầm là hữu ích và đưa vào bộ nhớ dùng chung.
• URL Gốc: https://arxiv.org/abs/2609.03425 • Ngày Công Bố: 2026-09-03 • Tác Giả: Guangjun Liu • Trích Dẫn Chuẩn APA 7: Liu, G. (2026). The civilization framework: Sovereign-anchored communication between personal multi-agent systems. arXiv preprint arXiv:2609.03425. https://doi.org/10.48550/arXiv.2609.03425 • Phân Tích Chi Tiết: Giao tiếp giữa các hệ thống AI thường bị thất thoát ngữ cảnh do con người đóng vai trò cầu nối thủ công. Civilization Framework xác lập chủ thể giao tiếp là toàn bộ nền tảng cá nhân (gồm một con người tối cao, sổ cái bất biến và các tác tử có thể thay thế), vận hành qua giao thức Embassy Protocol. Nghiên cứu chỉ ra hiệu ứng hiểm họa trọng số thời gian (temporal weight effect), theo đó thông tin đến trước dễ dàng chiếm đoạt thẩm quyền giả tạo trong suy luận của mô hình ngôn ngữ lớn (lên tới 54.2% câu trả lời bị chiếm đoạt nếu không có cơ chế xác minh nguồn). Khung đề xuất việc niêm phong kết luận độc lập (sealed answers) và gắn nhãn nguồn gốc mức chỉ dẫn để triệt tiêu thiên vị này. • Ưu Điểm: 1. Thiết lập giao thức chuẩn mực cho trao đổi thông tin bất đồng bộ giữa các tổ chức hoặc các phòng ban AI tự trị. 2. Nhận diện và cung cấp giải pháp kỹ thuật phòng ngừa rủi ro mô hình bị thao túng bởi thông tin tiếp nhận trước. • Nhược Điểm và Giới Hạn: 1. Cơ chế niêm phong câu trả lời đòi hỏi quy trình thực thi hai giai đoạn chặt chẽ, làm tăng độ trễ hoàn thành tác vụ. 2. Một số phát hiện thứ cấp vẫn mang tính chất khám phá thăm dò do ngân sách gọi công cụ bị hạn chế trong thử nghiệm gốc.
• URL Gốc: https://arxiv.org/abs/2609.05529 • Ngày Công Bố: 2026-09-01 • Tác Giả: Manoj Kumala, Xinyun Liu, Ronghua Xu • Trích Dẫn Chuẩn APA 7: Kumala, M., Liu, X., & Xu, R. (2026). DART: A DAG-based reputation and incentive framework via blockchain-enabled governance for trustworthy LLM multi-agent collaboration. arXiv preprint arXiv:2609.05529. https://doi.org/10.48550/arXiv.2609.05529 • Phân Tích Chi Tiết: Hệ đa tác tử dựa trên điều phối tập trung thiếu cơ chế xác minh tính trung thực và sự gắn kết hành vi của từng tác tử cá lẻ. Khung DART kết hợp điều phối đồ thị có hướng không chu trình (DAG) với cơ chế quản trị bằng hợp đồng thông minh và lưu trữ IPFS. Hệ thống tự động phân bổ tác vụ dựa trên độ phù hợp năng lực, uy tín lịch sử và khối lượng công việc hiện tại, đồng thời liên tục hiệu chuẩn độ tin cậy của tác tử dựa trên bằng chứng hành vi thực tế sau thực thi. Trong các thử nghiệm kiểm thử, DART cô lập thành công 99.3% tác tử độc hại và duy trì tỷ lệ hoàn thành nhiệm vụ ở mức 99.8%. • Ưu Điểm: 1. Đảm bảo tính minh bạch, khả năng giải trình và tính công bằng trong phân chia tác vụ nghiên cứu. 2. Khả năng phát hiện và cô lập tác tử hoạt động kém hiệu quả hoặc phát sinh lỗi suy luận có hệ thống. • Nhược Điểm và Giới Hạn: 1. Chi phí tích hợp hợp đồng thông minh và độ trễ ghi nhận vào sổ cái phân tán không phù hợp với các tác vụ yêu cầu thời gian thực cực ngắn. 2. Mô hình đánh giá uy tín có thể tạo ra rào cản cho các tác tử mới tham gia hệ sinh thái.
• URL Kho Lưu Trữ: https://github.com/TIGER-AI-Lab/OpenResearcher • Mô Tả: Hệ thống tác tử nghiên cứu sâu mã nguồn mở hoàn chỉnh, hỗ trợ duyệt web tự trị, tương tác trình duyệt, trích xuất tài liệu học thuật và lý luận nhiều bước. • Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích AST). • Ước Tính Token Tiết Kiệm: Hệ thống Graft đã loại trừ 29,053 token rác bằng cách quét 10 tệp mã nguồn chuyên sâu.
Bản đồ phân tích xác định 10 tệp tin, 105 biểu tượng và 280 liên kết điều hướng: 1. Phân Vùng Điều Phối Tác Tử (deploy_agent.py): Trọng tâm vận hành của tác tử, gồm các trung tâm xử lý như hàm _run điều phối vòng lặp suy luận chính, hàm _generate_with_retry xử lý gọi suy luận kèm phục hồi lỗi, và hàm _extract_text_from_harmony chuẩn hóa dữ liệu đầu ra. 2. Phân Vùng Trình Duyệt và Tìm Kiếm (browser.py và backend.py): • browser.py chứa lớp trung tâm xử lý truy vấn mạng (_search_single, _post) phục vụ thu thập dữ liệu web trực tiếp. • backend.py định nghĩa lớp BaseSearcher, cấu trúc dữ liệu SearchResult và cơ chế tải chỉ mục vector cục bộ (_load_faiss_index, _load_model) phục vụ tìm kiếm vết tài liệu. 3. Phân Vùng Đánh Giá và Thống Kê (eval.py): Cung cấp các công cụ kiểm định năng lực nghiên cứu, thu thập chỉ số công cụ (aggregate_tool_stats) và trực quan hóa phân phối kết quả (_create_side_by_side_histograms). 4. Phân Vùng Tạo Sinh và Máy Chủ (utils/ và scripts/): Cấu trúc máy chủ suy luận bất đồng bộ (OpenAIAsyncGenerator, vLLM service) và xử lý làm sạch văn bản (_parse_content, _drop_unpaired_quotes).
Dựa trên năm công trình học thuật và khảo sát mã nguồn mở OpenResearcher, phòng R&D đề xuất các định hướng nâng cấp sau: 1. Tích Hợp Mô Hình DualGraph Vào Chuẩn ARS 4.0.0: Phân tách rõ ràng giữa việc thu thập bằng chứng vào Đồ thị Tri thức (KG) và tổ chức đề cương báo cáo vào Đồ thị Dàn ý (OG), giải quyết triệt để vấn đề mất thông tin khi xử lý các chủ đề phức tạp. 2. Khóa Giao Dịch Trạng Thái (Continuity Kernel): Ứng dụng mô hình hạt nhân giao dịch vào bảng Kanban và hệ thống lưu trữ tri thức vault, bảo đảm mọi sửa đổi trạng thái của thẻ nhiệm vụ và tài liệu tri thức đều có nhật ký xác thực không thể xóa sửa. 3. Cơ Chế Chia Sẻ Bộ Nhớ LTS Giữa Các Phòng Ban: Triển khai bộ nhớ dùng chung có chọn lọc cho các worker chạy song song (R&D, Grill-QA, Subc), giúp tái sử dụng các dữ kiện đã tra cứu mà không làm phình to context window. 4. Triệt Tiêu Thiên Vị Trọng Số Thời Gian (Anti Temporal Bias): Áp dụng nguyên tắc niêm phong câu trả lời độc lập trước khi đối chiếu chéo trong quy trình phản biện Grill-QA.
Phòng R&D bàn giao toàn bộ tài liệu và dữ liệu bằng chứng ngày 2026-09-24 cho Subc để triển khai Giai đoạn 2: 1. Hồ Sơ Bàn Giao: • Tệp báo cáo công nghệ: shared/intelligence/tech_daily/2026-09-24.md • Dữ liệu bằng chứng thô: profiles/r-and-d/raw_evidence/evidence_tech_20260924.json • Bản đồ kiến trúc OpenResearcher bằng Graft: profiles/r-and-d/raw_evidence/openresearcher_map.txt 2. Đề Xuất Ý Tưởng Hợp Đồng (Idea Contract Candidate): • Mã đề xuất: IC-2026-09-24-TECH-dualgraph-continuity-kernel • Lĩnh vực: Group-B3-Tech (Research Infrastructure Upgrade) • Trọng tâm: Nâng cấp chuẩn ARS 4.0.0 thông qua tích hợp kiến trúc bộ nhớ đồ thị kép (DualGraph) kết hợp khế ước kích hoạt trạng thái liên tục (Continuity Kernel) và quy trình duyệt sâu từ OpenResearcher.