Tài liệu này tổng hợp các đột phá học thuật và mã nguồn mở mới nhất trong ngày 27 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. Mô Hình Nghiên Cứu Sâu Mở Rộng Bằng Chưng Cất Đa Tác Tử (O-Researcher: An Open Ended Deep Research Model via Multi-Agent Distillation and Agentic RL): Xây dựng khung tự động tạo dữ liệu chỉ dẫn nghiên cứu học thuật thông qua mô phỏng đa tác tử cộng tác tích hợp công cụ, kết hợp chiến lược huấn luyện hai giai đoạn gồm SFT và RL tác tử, giúp mô hình mã nguồn mở đạt đỉnh cao hiệu năng trên các chuẩn nghiên cứu sâu (arXiv:2601.03743). 2. Tác Tử Nghiên Cứu Chặng Dài Vượt Trên Tìm Kiếm Truyền Thống (S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents): Thiết lập mô thức kiến tạo quỹ đạo hành động hợp nhất kết hợp giữa trả lời câu hỏi đóng và thăm dò nghiên cứu mở, tập trung vào tổng hợp tri thức, lập luận phức tạp và lập kế hoạch đa chặng (arXiv:2606.15367). 3. Nghiên Cứu Sâu Trong Khoa Học Tự Nhiên và Cơ Chế Phản Phán Đa Tầng (Deep Research in Physical Sciences: A Multi-Agent Framework and Comprehensive Benchmark): Xây dựng bộ chuẩn PhySciBench và hệ thống DelveAgent tích hợp vòng lặp lập kế hoạch thích ứng, bộ nhớ độ phân giải kép (dual-granularity memory) và phản chiếu dựa trên nguyên lý vật lý (arXiv:2606.18648). 4. Phòng Chống Đầu Độc Bộ Nhớ Dài Hạn Của Tác Tử (When Agents Remember Too Much: Memory Poisoning Attacks on Large Language Model Agents): Phát hiện lỗ hổng GhostWriter trong bộ nhớ dài hạn của tác tử và đề xuất cơ chế phòng thủ Agentic Memory Sentry (AM-Sentry) kiểm soát ghi nhớ và sàng lọc truy xuất (arXiv:2607.06595). 5. Lộ Trình Tiến Hóa Toàn Cảnh Của Tác Tử Nghiên Cứu Sâu (Deep Research of Deep Research: From Transformer to Agent, From AI to AI for Science): Hệ thống hóa toàn diện quá trình chuyển dịch từ kiến trúc Transformer sang tác tử tự trị, thống nhất các góc nhìn công nghiệp và học thuật trong hệ sinh thái AI cho Khoa học (AI4S) (arXiv:2603.28361). 6. Khảo sát mã nguồn mở Future-House/paper-qa: Hệ thống RAG học thuật đa tác tử độ chính xác cao chuyên biệt cho truy vấn và trích xuất bằng chứng có trích dẫn từ tài liệu khoa học, được khảo sát cấu trúc toàn diện bằng công cụ Graft.
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/2601.03743 • Ngày Công Bố: 2026-01-07 • Tác Giả: Yi Yao, He Zhu, Piaohong Wang, Jincheng Ren, Xinlong Yang, Qianben Chen, Xiaowan Li, Dingfeng Shi, Jiaxian Li, Qiexiang Wang, Sinuo Wang, Xinpeng Liu, Jiaqi Wu, Minghao Liu, Wangchunshu Zhou • Trích Dẫn Chuẩn APA 7: Yao, Y., Zhu, H., Wang, P., Ren, J., Yang, X., Chen, Q., Li, X., Shi, D., Li, J., Wang, Q., Wang, S., Liu, X., Wu, J., Liu, M., & Zhou, W. (2026). O-Researcher: An open ended deep research model via multi-agent distillation and agentic RL. arXiv preprint arXiv:2601.03743. https://doi.org/10.48550/arXiv.2601.03743 • Phân Tích Chi Tiết: Khoảng cách hiệu năng giữa các mô hình đóng độc quyền và mô hình mã nguồn mở trong tác vụ nghiên cứu sâu chủ yếu bắt nguồn từ sự chênh lệch chất lượng dữ liệu huấn luyện. Để giải quyết triệt để vấn đề này, nhóm tác giả giới thiệu O-Researcher với khung tạo sinh dữ liệu tự động dựa trên quy trình đa tác tử: 1. Mô phỏng đa tác tử cộng tác: Các tác tử AI đóng vai trò chuyên biệt (người lập kế hoạch, người truy xuất, người tổng hợp, người phản biện) cùng phối hợp thực thi chuỗi lập luận phức tạp có tích hợp công cụ nhằm tạo ra dữ liệu hướng dẫn nghiên cứu học thuật đa dạng và có độ trung thực cao từ đầu đến cuối. 2. Chiến lược huấn luyện hai giai đoạn: Tích hợp tinh chỉnh có giám sát (SFT) trên tập dữ liệu tổng hợp với phương pháp học tăng cường tác tử (Agentic Reinforcement Learning) được thiết kế đặc thù để tối ưu hóa sự căn chỉnh và năng lực giải quyết vấn đề mở. 3. Kết quả thực nghiệm: Nâng tầm các mô hình mã nguồn mở ở nhiều quy mô tham số khác nhau đạt thành tích hàng đầu (state-of-the-art) trên các bảng đánh giá nghiên cứu sâu lớn, mở ra con đường mở rộng quy mô tự chủ mà không phụ thuộc vào dữ liệu độc quyền. • Ưu Điểm: 1. Cung cấp quy trình tự động tạo dữ liệu nghiên cứu sâu chất lượng cao mà không tốn chi phí thu thập thủ công từ chuyên gia con người. 2. Phương pháp học tăng cường tác tử giúp mô hình tự học cách phối hợp công cụ truy xuất và tổng hợp đa nguồn một cách tối ưu. • Nhược Điểm và Giới Hạn: 1. Chi phí điện toán ban đầu để chạy các phiên mô phỏng đa tác tử tạo dữ liệu tổng hợp rất lớn. 2. Rủi ro lan truyền thiên lệch nếu tác tử khởi tạo ban đầu có các giả định sai lầm trong quá trình tạo sinh chuỗi dữ liệu.
• URL Gốc: https://arxiv.org/abs/2606.15367 • Ngày Công Bố: 2026-06-13 • Tác Giả: Yao Dong, Xinglin Xiao, Liwei Dong, Xinlong Jin, Zhengbo Li, Heng Zhang, Duyun Wang, Nan Xu • Trích Dẫn Chuẩn APA 7: Dong, Y., Xiao, X., Dong, L., Jin, X., Li, Z., Zhang, H., Wang, D., & Xu, N. (2026). S1-DeepResearch: Beyond search, toward real-world long-horizon research agents. arXiv preprint arXiv:2606.15367. https://doi.org/10.48550/arXiv.2606.15367 • Phân Tích Chi Tiết: Phần lớn các bộ dữ liệu huấn luyện tác tử hiện nay tập trung vào các tác vụ tìm kiếm định hướng câu hỏi đóng (closed-ended QA) và định vị thông tin cục bộ. Điều này dẫn đến sự thiếu hụt nghiêm trọng các kỹ năng cốt lõi của nghiên cứu sâu thực tế như tích hợp bằng chứng, tổng hợp tri thức, lập kế hoạch dài hạn, đọc hiểu tệp tài liệu và tạo lập báo cáo có cấu trúc. Công trình S1-DeepResearch giải quyết rào cản này qua ba trụ cột: 1. Khung kiến tạo quỹ đạo hợp nhất: Kết hợp giữa truy vấn chính xác và thăm dò khám phá mở thông qua mô hình hóa nhiệm vụ bám rễ đồ thị (graph-grounded task formulation). 2. Mở rộng quỹ đạo hành động tác tử (Agentic trajectory rollout): Tạo ra các chuỗi suy luận dài bao quát việc tuân thủ chỉ dẫn nghiên cứu phức tạp, viết báo cáo phân tích, đọc hiểu và tạo lập tệp tin, cùng việc kích hoạt kỹ năng chuyên sâu. 3. Kiểm định quỹ đạo đa chiều: Đảm bảo độ chính xác logic và tính xác thực của thông tin trước khi đưa vào huấn luyện mô hình S1-DeepResearch-32B. • Ưu Điểm: 1. Mô hình 32B đạt hiệu năng dẫn đầu trong số các mô hình mã nguồn mở cùng quy mô trên 20 bài kiểm chuẩn thuộc 5 khía cạnh năng lực. 2. Thu hẹp đáng kể khoảng cách với các mô hình độc quyền hàng đầu trên các tác vụ tạo báo cáo nghiên cứu chặng dài. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi bộ nhớ ngữ cảnh lớn và tài nguyên GPU đáng kể khi triển khai thực tế mô hình 32B. 2. Việc tạo lập đồ thị nhiệm vụ ban đầu phụ thuộc vào cấu trúc tri thức của các miền khoa học cụ thể.
• URL Gốc: https://arxiv.org/abs/2606.18648 • Ngày Công Bố: 2026-06-17 (Phiên bản v3 cập nhật 2026-06-23) • Tác Giả: Yigeng Jiang, Tengchao Yang, Taoyong Cui, Jiaxing Wan, Yuan Wang, Weida Wang, Zhiyu Liu, Chuyi Peng, Binzhao Luo, Maoli Gao, Huaihai Huang, Yuqianer Zeng, Ziyang Zheng, Dongchen Huang, Chao Chen, Zichao Liu, Weiping Shen, Shuchen Pu, Siyu Zhou, Runmin Ma, Yusong Hu, Fei Chao, Bo Zhang, Xiawu Zheng, Zifu Wang, Lei Bai, Yunqi Cai, Shufei Zhang • Trích Dẫn Chuẩn APA 7: Jiang, Y., Yang, T., Cui, T., Wan, J., Wang, Y., Wang, W., Liu, Z., Peng, C., Luo, B., Gao, M., Huang, H., Zeng, Y., Zheng, Z., Huang, D., Chen, C., Liu, Z., Shen, W., Pu, S., Zhou, S., ... Zhang, S. (2026). Deep research in physical sciences: A multi-agent framework and comprehensive benchmark. arXiv preprint arXiv:2606.18648. https://doi.org/10.48550/arXiv.2606.18648 • Phân Tích Chi Tiết: Nghiên cứu khoa học tự nhiên đòi hỏi suy luận nhiều bước chính xác và kiểm chứng thực nghiệm chặt chẽ. Khảo sát trên bộ chuẩn mới PhySciBench (gồm 200 bài toán do chuyên gia biên soạn thuộc Vật lý và Hóa học) cho thấy ngay cả hệ thống mạnh nhất là Gemini Deep Research chỉ đạt độ chính xác 33.5%. Nhóm tác giả xác định ba khiếm khuyết phổ biến gồm: sự mong manh trong chuỗi suy luận dài, khả năng chuyển giao tri thức kém giữa các bước, và thiếu hụt cơ chế tự kiểm chứng dựa trên các định luật vật lý. Để vượt qua các hạn chế này, khung DelveAgent được xây dựng với: 1. Vòng lặp lập kế hoạch thích ứng: Tự động điều chỉnh mục tiêu nghiên cứu khi phát hiện mâu thuẫn dữ liệu thực nghiệm. 2. Bộ nhớ độ phân giải kép (Dual-granularity memory): Tách biệt giữa bộ nhớ sự kiện vĩ mô và bộ nhớ số liệu chi tiết vi mô, giúp bảo toàn tính toàn vẹn của dữ liệu thí nghiệm. 3. Cơ chế phản chiếu dựa trên quy luật khoa học (Hierarchical physics-grounded reflection): Kiểm tra tính hợp lệ của từng bước lập luận dựa trên các nguyên lý bảo toàn và phương trình định lượng. • Ưu Điểm: 1. Nâng cao độ chính xác thêm 7.5 điểm phần trăm trên 4 bộ kiểm chuẩn khoa học chuyên sâu. 2. Cắt giảm chi phí suy luận xuống chỉ còn xấp xỉ một phần ba so với hệ thống đối chiếu thương mại mạnh nhất. • Nhược Điểm và Giới Hạn: 1. Cơ chế phản chiếu đòi hỏi định nghĩa các quy tắc kiểm tra tính hợp lệ tiên nghiệm cho từng chuyên ngành hẹp. 2. Chưa tối ưu hoàn toàn cho các bài toán liên ngành có sự pha trộn giữa khoa học tự nhiên và chính sách kinh tế xã hội.
• URL Gốc: https://arxiv.org/abs/2607.06595 • Ngày Công Bố: 2026-07-06 • Tác Giả: George Torres, Sharad Shrestha, Satyajayant Misra • Trích Dẫn Chuẩn APA 7: Torres, G., Shrestha, S., & Misra, S. (2026). When agents remember too much: Memory poisoning attacks on large language model agents. arXiv preprint arXiv:2607.06595. https://doi.org/10.48550/arXiv.2607.06595 • Phân Tích Chi Tiết: Khi các tác tử AI được trang bị bộ nhớ dài hạn (long-term memory) để thực thi nhiệm vụ phức tạp, chúng đồng thời mở ra bề mặt tấn công bảo mật nghiêm trọng. Nghiên cứu công bố phương thức tấn công mới mang tên GhostWriter nhắm vào hệ thống lưu trữ bộ nhớ của tác tử thông qua hai giai đoạn: 1. Giai đoạn tiêm nhiễm (Injection phase): Kẻ tấn công gửi tải độc hại ẩn giấu trong các nguồn dữ liệu bên ngoài mà tác tử thu thập được (email, tài liệu web, mã nguồn). Tỷ lệ tiêm nhiễm thành công đạt xấp xỉ 98%. 2. Giai đoạn kích hoạt (Activation phase): Khi tác tử thực thi tác vụ liên quan và truy xuất thông tin từ bộ nhớ dài hạn, chỉ dẫn độc hại sẽ kích hoạt tác tử thực hiện hành vi trái phép với tỷ lệ kích hoạt trung bình khoảng 60%. 3. Cơ chế phòng thủ AM-Sentry: Đề xuất giải pháp Agentic Memory Sentry gồm hai lớp kiểm soát: chính sách kiểm duyệt nội dung trước khi ghi nhớ (memory-saving policy) và bộ lọc kiểm định ngữ cảnh tại thời điểm truy xuất (memory-retrieval screen), làm giảm triệt để tỷ lệ thành công của tấn công mà vẫn bảo toàn hiệu quả hoạt động của tác tử. • Ưu Điểm: 1. Cảnh báo sớm lỗ hổng bảo mật chí mạng trong các hệ sinh thái tác tử sử dụng bộ nhớ tự lưu trữ như memories/ hay long-term vaults. 2. AM-Sentry cung cấp giải pháp phòng vệ thực tế, dễ tích hợp vào các đường ống bộ nhớ hiện có của tác tử. • Nhược Điểm và Giới Hạn: 1. Bộ lọc kiểm định trước khi lưu trữ và khi truy xuất làm gia tăng độ trễ và chi phí token suy luận. 2. Có nguy cơ phân loại nhầm các tài liệu khoa học chứa ví dụ về lỗ hổng mã nguồn là mã độc.
• URL Gốc: https://arxiv.org/abs/2603.28361 • Ngày Công Bố: 2026-03-30 • Tác Giả: Yipeng Yu • Trích Dẫn Chuẩn APA 7: Yu, Y. (2026). Deep research of deep research: From Transformer to agent, from AI to AI for science. arXiv preprint arXiv:2603.28361. https://doi.org/10.48550/arXiv.2603.28361 • Phân Tích Chi Tiết: Bài báo tổng quan định hình lại toàn bộ hệ thống khái niệm của lĩnh vực Nghiên Cứu Sâu (Deep Research - DR). Tác giả thiết lập một khung phát triển thống nhất nối kết giữa ứng dụng nghiên cứu sâu trong công nghiệp và phong trào AI cho Khoa học (AI for Science - AI4S) trong giới học thuật: 1. Lộ trình tiến hóa: Phân tích sự chuyển dịch từ mô hình ngôn ngữ lớn thuần túy (Transformer) sang các tác tử có khả năng sử dụng công cụ đa phương thức và tự điều phối nghiên cứu mở. 2. Khung tương tác Người và AI: Phân định các mô hình tương tác chủ đạo gồm hỗ trợ thụ động, đối thoại nghiên cứu cộng tác và tác tử tự trị độc lập hoàn toàn. 3. Cơ chế hai chiều AI4S và S4AI: Không chỉ xem AI là công cụ hỗ trợ khoa học (AI for Science) mà còn chỉ ra khoa học đóng góp nền tảng ngược lại để thúc đẩy kiến trúc AI phát triển (Science for AI - S4AI), hình thành vòng phản hồi củng cố liên tục. • Ưu Điểm: 1. Đưa ra định nghĩa lý thuyết chuẩn mực và hệ thống phân loại toàn diện cho các hệ thống Deep Research hiện đại. 2. Phân tích sâu sắc các thách thức căn bản về kiểm chứng sự thật và bảo toàn logic trong nghiên cứu khoa học. • Nhược Điểm và Giới Hạn: 1. Tập trung chủ yếu vào bình diện lý thuyết và kiến trúc tổng quan mà không đi vào chi tiết thuật toán cài đặt cụ thể. 2. Phạm vi bao quát quá rộng khiến một số phân ngành ứng dụng chưa được đào sâu tới mức thực thi mã nguồn.
• URL Kho Lưu Trữ: https://github.com/Future-House/paper-qa
• Mô Tả: Hệ thống tác tử RAG học thuật đa năng có độ chính xác cao chuyên biệt cho việc giải đáp thắc mắc và tổng hợp thông tin từ tài liệu khoa học kèm trích dẫn chuẩn xác, do tổ chức phi lợi nhuận FutureHouse phát triển. Hệ thống tích hợp các tác tử tìm kiếm văn hiến, bóc tách cấu trúc tài liệu PDF đa phương thức và trích xuất bằng chứng nguyên tử (atomic evidence snippets).
• Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích tĩnh AST không tốn phí suy luận LLM).
• Ước Tính Token Tiết Kiệm: Hệ thống Graft đã loại trừ 319,485 token rác (tiết kiệm 100% chi phí đọc thô) bằng cách lập bản đồ toàn bộ 58 tệp mã nguồn và truy vết điểm nóng liên kết (224,414 token từ graft map và 95,071 token từ graft callers).
Bản đồ phân tích xác định 58 tệp tin, 802 biểu tượng và 2471 liên kết điều hướng: 1. Phân Vùng Lõi Điều Phối Tài Liệu và Bằng Chứng (src/paperqa/docs.py, settings.py, types.py): • Điểm tập trung cốt lõi (Hubs): Lớp Docs trong docs.py (54 liên kết hướng vào), lớp Settings trong settings.py (37 liên kết), phương thức aadd trong docs.py (34 liên kết), lớp Doc trong types.py (23 liên kết), phương thức aquery (20 liên kết), và phương thức aget_evidence (16 liên kết). • Chức năng: Đóng vai trò hạt nhân trung tâm quản lý tài liệu, lập chỉ mục nhúng văn bản (vector store), bóc tách từng đoạn trích dẫn kèm số trang, và trả lời câu hỏi dựa trên bằng chứng đã được kiểm chứng. 2. Phân Vùng Tác Tử Tìm Kiếm và Môi Trường Nghiên Cứu (src/paperqa/agents/): • Điểm tập trung cốt lõi: Tệp main.py, env.py, search.py, tools.py, và models.py. • Chức năng: Điều phối tác tử tự động lập kế hoạch tìm kiếm tài liệu trên các cổng học thuật, đánh giá mức độ liên quan của từng bài báo và tương tác với môi trường nghiên cứu qua các công cụ chuyên biệt. 3. Phân Vùng Khách Tích Hợp Cơ Sở Dữ Liệu Học Thuật (src/paperqa/clients/): • Điểm tập trung cốt lõi: Lớp DocMetadataClient (21 liên kết), Crossref, OpenAlex, Semantic Scholar, Unpaywall, và Retractions (kiểm tra bài báo bị rút lại). • Chức năng: Tự động truy xuất siêu dữ liệu bài báo khoa học từ các chỉ mục toàn cầu, tìm kiếm phiên bản truy cập mở hợp pháp qua Unpaywall và cảnh báo ngay lập tức nếu một tài liệu đã bị rút lại do sai phạm học thuật. 4. Phân Vùng Bóc Tách PDF và Đồ Họa Đa Phương Thức (packages/paper-qa-*/): • paper-qa-nemotron: 3 tệp, 31 biểu tượng (NemotronParseAnnotatedBBox, NemotronParseMarkdownBBox) hỗ trợ bóc tách khung đồ họa và bảng số liệu. • paper-qa-docling: 2 tệp, 1 biểu tượng hỗ trợ phân tích cấu trúc tài liệu qua IBM Docling. • paper-qa-pymupdf và paper-qa-pypdf: Bóc tách văn bản nhanh và nhóm các vùng chữ theo tọa độ không gian (cluster_bboxes với 13 liên kết).
Dựa trên năm công trình học thuật mới nhất và khảo sát mã nguồn mở Future-House/paper-qa, phòng R&D đề xuất các định hướng nâng cấp sau cho chuẩn ARS 4.0.0: 1. Ứng Dụng Chưng Cất Quỹ Đạo Đa Tác Tử (O-Researcher & S1-DeepResearch Pattern): • Tích hợp mô thức kiến tạo quỹ đạo hành động hợp nhất kết hợp giữa tìm kiếm tài liệu chuẩn xác và thăm dò mở rộng tri thức. • Khuyến khích việc tạo dữ liệu mẫu nội bộ để rèn luyện kỹ năng lập luận dài hạn cho các tác tử nghiên cứu. 2. Tích Hợp Cơ Chế Phản Chiếu Dựa Trên Nguyên Lý Thực Chứng (DelveAgent Pattern): • Bổ sung bước kiểm tra tính nhất quán logic và kiểm chứng số liệu thực nghiệm trước khi đưa kết luận vào báo cáo chính thức. • Thiết lập cơ chế bộ nhớ độ phân giải kép để phân tách dữ liệu thống kê thô khỏi các nhận định chiến lược tổng quan. 3. Thiết Lập Hệ Thống Sàng Lọc Bộ Nhớ Phòng Vệ (AM-Sentry Pattern): • Xây dựng bộ lọc kiểm soát an toàn trước khi nạp dữ liệu từ web hoặc tài liệu bên ngoài vào bộ nhớ tri thức dùng chung (vault/dossiers/). • Ngăn chặn nguy cơ tấn công đầu độc bộ nhớ (memory poisoning) nhằm làm lệch hướng phân tích của tác tử. 4. Chuẩn Hóa Khâu Trích Xuất Bằng Chứng Kèm Siêu Dữ Liệu Theo Paper-QA: • Mọi tài liệu PDF khoa học nạp vào hệ thống phải được bóc tách thành các trích đoạn nguyên tử kèm chỉ số trang và định danh số (DOI). • Bắt buộc kiểm tra trạng thái rút bài của tài liệu trước khi đưa vào danh mục tài liệu tham khảo chính thức. 5. Định Hướng Phát Triển Tác Tử Khoa Học Tự Trị (AI for Science Roadmap): • Nâng cấp các kỹ năng nghiên cứu thành các mô-đun khả chuyển, sẵn sàng phối hợp giải quyết các bài toán liên ngành phức tạp.
Phòng R&D bàn giao toàn bộ tài liệu và dữ liệu bằng chứng ngày 2026-09-27 cho Subc để triển khai Giai đoạn 2 (Soạn thảo Idea Contract V1): 1. Hồ Sơ Bàn Giao: • Tệp báo cáo công nghệ: shared/intelligence/tech_daily/2026-09-27.md • Dữ liệu bằng chứng thô: profiles/r-and-d/raw_evidence/evidence_tech_20260927.json • Bản đồ kiến trúc Future-House/paper-qa bằng Graft: profiles/r-and-d/raw_evidence/paper_qa_map.txt 2. Trọng Tâm Soạn Thảo Idea Contract: • Tên đề xuất: IC-2026-09-27-TECH-PAPERQA-DELVE-SENTRY • Domain: Group-B3-Tech (Research Infrastructure Upgrade) • Mục tiêu: Nâng cấp hạ tầng nghiên cứu học thuật ARS 4.0.0 kết hợp cơ chế trích xuất bằng chứng nguyên tử của Paper-QA, cấu trúc bộ nhớ độ phân giải kép và phản chiếu thực chứng của DelveAgent, cùng lớp phòng thủ an ninh bộ nhớ AM-Sentry.