Tài liệu này tổng hợp các đột phá học thuật và khảo sát mã nguồn mở mới nhất trong ngày 03 tháng 10 năm 2026 thuộc danh mục ArXiv cs.AI, cs.MA, cùng 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. S1-DeepResearch: Vượt Ra Ngoài Tìm Kiếm, Hướng Tới Tác Tử Nghiên Cứu Dài Hạn Trong Thực Tế (S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents): Đề xuất mô hình xây dựng quỹ đạo hợp nhất kết hợp hỏi đáp đóng và khám phá mở, đạt kết quả dẫn đầu trong các mô hình mã nguồn mở quy mô 32B trên 20 bộ kiểm chuẩn (arXiv:2606.15367). 2. DeepResearcher: Mở Rộng Quy Mô Nghiên Cứu Sâu Bằng Học Tăng Cường Trong Môi Trường Thực Tế (DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments): Khung huấn luyện đầu cuối đầu tiên qua học tăng cường tương tác web thực, tăng tới 28.9 điểm so với prompt engineering truyền thống (arXiv:2504.03160). 3. Hướng Tới Nghiên Cứu Sâu Đa Tri Thức: Khung Kiến Trúc và Bộ Kiểm Chuẩn (Towards Knowledgeable Deep Research: Framework and Benchmark): Đề xuất khung phân tích tri thức lai HKA (Hybrid Knowledge Analysis) tích hợp dữ liệu bảng biểu có cấu trúc vào báo cáo nghiên cứu đa phương thức, vượt qua Gemini Deep Research trên thước đo thị giác (arXiv:2604.07720). 4. Nghiên Cứu Sâu: Khảo Sát Hệ Thống Hóa Toàn Diện (Deep Research: A Systematic Survey): Hệ thống hóa lộ trình 3 giai đoạn và 4 thành phần trọng yếu gồm lập kế hoạch truy vấn, thu nhận thông tin, quản trị bộ nhớ và sinh câu trả lời (arXiv:2512.02038). 5. Nghiên Cứu Sâu Của Nghiên Cứu Sâu: Từ Transformer Đến Tác Tử, Từ AI Đến AI Cho Khoa Học (Deep Research of Deep Research: From Transformer to Agent, From AI to AI for Science): Khung lý thuyết thống nhất giữa Deep Research công nghiệp và AI cho Khoa học (AI4S), định hình hai trụ cột LLM và Diffusion (arXiv:2603.28361). 6. Khảo sát mã nguồn mở DeepResearcher (GAIR-NLP/DeepResearcher): Kho mã nguồn mở tiêu biểu về huấn luyện tác tử nghiên cứu sâu qua học tăng cường (RL) và bóc tách web thực tế, được phân tích cấu trúc trừu tượng AST bằng công cụ Graft 0.16.0 giúp tiết kiệm ước tính 489,605 token tính toán.
Mọi tài liệu 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/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: Các tác tử nghiên cứu sâu nhằm giải quyết các nhiệm vụ thâm dụng tri thức phức tạp thông qua việc lập kế hoạch dài hạn, thu thập bằng chứng, suy luận và tạo báo cáo. Phần lớn các tập dữ liệu huấn luyện hiện nay tập trung quá nhiều vào tìm kiếm thuần túy (search-centric), chủ yếu rèn luyện hành vi tìm kiếm thông tin cho các câu hỏi đóng mà bỏ quên các năng lực cốt lõi: tích hợp bằng chứng, tổng hợp tri thức, hiểu tệp tài liệu và sinh báo cáo có cấu trúc. 1. Mô hình xây dựng quỹ đạo hợp nhất: Kết hợp câu hỏi đóng có câu trả lời xác thực và nhiệm vụ khám phá mở không có đáp án duy nhất. 2. Ba thành phần nền tảng: Thiết lập bài toán dựa trên đồ thị tri thức (graph-grounded task formulation), triển khai quỹ đạo tác tử (agentic trajectory rollout), và thẩm định quỹ đạo đa chiều (multi-dimensional trajectory verification). 3. Đột phá thực nghiệm: Mô hình mã nguồn mở S1-DeepResearch-32B đạt trạng thái tiên tiến nhất trong các mô hình cùng quy mô trên 20 bộ kiểm chuẩn qua 5 chiều năng lực: suy luận phức tạp, tuân thủ chỉ dẫn, sinh báo cáo, hiểu tệp dữ liệu và sử dụng kỹ năng. Hiệu năng tiệm cận các mô hình đóng hàng đầu thế giới. • Ưu Điểm: 1. Giải quyết triệt để sự mất cân đối giữa kỹ năng tìm kiếm đơn thuần và khả năng tổng hợp tri thức dài hạn. 2. Cung cấp quy trình tự động sinh dữ liệu huấn luyện quỹ đạo nghiên cứu quy mô lớn có kiểm định chất lượng nghiêm ngặt. • Nhược Điểm và Giới Hạn: 1. Chi phí tính toán để tạo lập và thẩm định các quỹ đạo đồ thị tương đối lớn. 2. Mô hình phụ thuộc vào chất lượng của các bộ dữ liệu đồ thị tri thức ban đầu để làm điểm tựa.
• URL Gốc: https://arxiv.org/abs/2504.03160 • Ngày Công Bố: 2025-04-04 (Cập nhật phiên bản v4: 2025-04-17) • Tác Giả: Yuxiang Zheng, Dayuan Fu, Xiangkun Hu, Xiaojie Cai, Lyumanshan Ye, Pengrui Lu, Pengfei Liu • Trích Dẫn Chuẩn APA 7: Zheng, Y., Fu, D., Hu, X., Cai, X., Ye, L., Lu, P., & Liu, P. (2025). DeepResearcher: Scaling deep research via reinforcement learning in real-world environments. arXiv preprint arXiv:2504.03160. https://doi.org/10.48550/arXiv.2504.03160 • Phân Tích Chi Tiết: Các phương pháp tiếp cận tác tử nghiên cứu hiện thời chủ yếu dựa trên kỹ thuật câu lệnh thủ công (prompt engineering) có độ ổn định kém, hoặc học tăng cường trong môi trường RAG khép kín thiếu đi sự phức tạp của thế giới thực. DeepResearcher là khung đào tạo đầu cuối đầu tiên áp dụng học tăng cường (RL) tương tác trực tiếp với môi trường web thực: 1. Kiến trúc đa tác tử chuyên biệt: Tác tử duyệt web (WebSearchAgent) kết hợp với tác tử đọc hiểu chuyên sâu (ReadingAgent) để phân tách việc tìm kiếm tài liệu và bóc tách nội dung chi tiết. 2. Khả năng tự thích ứng với dữ liệu nhiễu: Đào tạo tác tử biết vượt qua các trang lỗi, bóc tách cấu trúc HTML phức tạp, trích xuất bảng biểu và tài liệu PDF. 3. Xuất hiện các hành vi nhận thức nâng cao: Quá trình đào tạo RL đầu cuối kích hoạt khả năng tự lập kế hoạch nhiều bước, đối chiếu chéo thông tin từ nhiều nguồn độc lập, tự phản tỉnh để chuyển hướng điều tra khi gặp ngõ cụt, và thừa nhận sự thật khi không tìm thấy bằng chứng xác đáng thay vì bịa đặt (hallucination). 4. Kết quả thực nghiệm: DeepResearcher vượt các giải pháp prompt engineering tới 28.9 điểm và vượt các tác tử RAG-RL tới 7.2 điểm trên các bài kiểm tra nghiên cứu mở. • Ưu Điểm: 1. Khả năng chịu đựng nhiễu thực tế trên môi trường Internet vượt trội so với các hệ thống RAG đóng. 2. Giảm thiểu tối đa hiện tượng ảo giác thông tin nhờ cơ chế tự kiểm chứng chéo và tính trung thực học được qua RL. • Nhược Điểm và Giới Hạn: 1. Nguy cơ bị chặn IP, gặp tường bảo vệ (Cloudflare, Captcha) hoặc trang web thay đổi giao diện liên tục trong quá trình thu thập. 2. Cần hạ tầng máy chủ proxy và sandbox thực thi mạng ổn định, an toàn để tránh rủi ro bảo mật.
• URL Gốc: https://arxiv.org/abs/2604.07720 • Ngày Công Bố: 2026-04-09 (Cập nhật phiên bản v2: 2026-04-10) • Tác Giả: Wenxuan Liu, Zixuan Li, Long Bai, Chunmao Zhang, Fenghui Zhang, Zhuo Chen, Wei Li, Yuxin Zuo, Fei Wang, Bingbing Xu, Xuhui Jiang, Jin Zhang, Xiaolong Jin, Jiafeng Guo, Tat-Seng Chua, Xueqi Cheng • Trích Dẫn Chuẩn APA 7: Liu, W., Li, Z., Bai, L., Zhang, C., Zhang, F., Chen, Z., Li, W., Zuo, Y., Wang, F., Xu, B., Jiang, X., Zhang, J., Jin, X., Guo, J., Chua, T. S., & Cheng, X. (2026). Towards knowledgeable deep research: Framework and benchmark. arXiv preprint arXiv:2604.07720. https://doi.org/10.48550/arXiv.2604.07720 • Phân Tích Chi Tiết: Hầu hết các nghiên cứu Deep Research hiện tại tập trung vào khai thác văn bản web phi cấu trúc (unstructured text). Tuy nhiên, một nghiên cứu chuyên sâu đích thực đòi hỏi phải khai thác dữ liệu có cấu trúc (bảng số liệu, chuỗi thời gian, báo cáo tài chính) nhằm phục vụ tính toán định lượng và đưa ra phân tích sâu sắc. 1. Khái niệm Knowledgeable Deep Research (KDR): Tác tử phải tạo ra báo cáo chất lượng cao kết hợp nhuần nhuyễn cả tri thức phi cấu trúc và tri thức có cấu trúc. 2. Khung phân tích tri thức lai HKA (Hybrid Knowledge Analysis): Kiến trúc đa tác tử suy luận đồng thời trên cả hai luồng tri thức, sử dụng bộ phân tích tri thức có cấu trúc (Structured Knowledge Analyzer) kết hợp mô hình viết mã và mô hình ngôn ngữ thị giác để tự động vẽ biểu đồ, bảng biểu và rút ra nhận định chuyên sâu. 3. Bộ kiểm chuẩn KDR-Bench: Bao quát 9 lĩnh vực chuyên môn, 41 câu hỏi cấp độ chuyên gia, tích hợp 1,252 bảng dữ liệu thực tế cùng các tiêu chí đánh giá đa phương thức toàn diện. 4. Hiệu quả: HKA vượt qua các tác tử Deep Research hàng đầu hiện nay trên các thước đo tập trung vào tri thức, và vượt cả tác tử Gemini Deep Research trên thước đo chất lượng thị giác. • Ưu Điểm: 1. Mở rộng biên độ nghiên cứu từ tổng thuật văn bản thuần túy sang phân tích số liệu định lượng và trực quan hóa dữ liệu. 2. Nâng cao độ tin cậy của báo cáo khoa học nhờ các dẫn chứng số liệu bảng biểu tường minh. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi năng lực xử lý tệp dữ liệu phức tạp và tích hợp mã Python để tính toán số liệu thống kê. 2. Chi phí tài nguyên xử lý dữ liệu đa phương thức và hình ảnh cao hơn đáng kể so với chỉ xử lý văn bản.
• URL Gốc: https://arxiv.org/abs/2512.02038 • Ngày Công Bố: 2025-11-24 (Cập nhật phiên bản v2: 2025-12-24) • Tác Giả: Zhengliang Shi, Yiqun Chen, Haitao Li, Weiwei Sun, Shiyu Ni, Yougang Lyu, Run-Ze Fan, Bowen Jin, Yixuan Weng, Minjun Zhu, Qiujie Xie, Xinyu Guo, Qu Yang, Jiayi Wu, Jujia Zhao, Xiaqiang Tang, Xinbei Ma, Cunxiang Wang, Jiaxin Mao, Qingyao Ai, Jen-Tse Huang, Wenxuan Wang, Yue Zhang, Yiming Yang, Zhaopeng Tu, Zhaochun Ren • Trích Dẫn Chuẩn APA 7: Shi, Z., Chen, Y., Li, H., Sun, W., Ni, S., Lyu, Y., Fan, R. Z., Jin, B., Weng, Y., Zhu, M., Xie, Q., Guo, X., Yang, Q., Wu, J., Zhao, J., Tang, X., Ma, X., Wang, C., Mao, J., Ai, Q., Huang, J. T., Wang, W., Zhang, Y., Yang, Y., Tu, Z., & Ren, Z. (2025). Deep research: A systematic survey. arXiv preprint arXiv:2512.02038. https://doi.org/10.48550/arXiv.2512.02038 • Phân Tích Chi Tiết: Khảo sát hệ thống hóa quy mô lớn của nhóm 26 tác giả từ các viện nghiên cứu hàng đầu, cung cấp bức tranh toàn cảnh về công nghệ Deep Research: 1. Phân định rõ ràng Deep Research với các khái niệm tiền nhiệm: Phân biệt sự khác nhau giữa tìm kiếm web đơn lẻ, RAG truyền thống và Deep Research đa bước với khả năng lập kế hoạch động và tự phản tỉnh. 2. Bốn thành phần cốt lõi: • Lập kế hoạch truy vấn (Query Planning): Phân rã mục tiêu lớn, quản lý luồng điều tra. • Thu nhận thông tin (Information Acquisition): Duyệt web, sử dụng công cụ API, lọc thông tin. • Quản trị bộ nhớ (Memory Management): Lưu trữ ngắn hạn và dài hạn, nén ngữ cảnh tránh tràn cửa sổ token. • Sinh câu trả lời (Answer Generation): Tổng hợp đa nguồn, gắn trích dẫn và kiểm định sự kiện. 3. Tổng kết các kỹ thuật tối ưu: Bao gồm Prompting, Supervised Fine-Tuning (SFT), và Agentic Reinforcement Learning (RL). • Ưu Điểm: 1. Đưa ra chuẩn phân loại chi tiết và toàn diện nhất về mặt lý thuyết cho các hệ thống Deep Research hiện đại. 2. Vạch rõ các thách thức về chi phí tính toán, độ tin cậy trích dẫn và phương pháp kiểm thử tự động. • Nhược Điểm và Giới Hạn: 1. Mang tính chất khảo cứu tổng quan, không đề xuất mô hình cụ thể để giải quyết trực tiếp một bài toán kỹ thuật đơn lẻ. 2. Tài liệu bao quát quá rộng khiến việc áp dụng vào một khung làm việc cụ thể cần thêm bước chọn lọc.
• 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: Công trình nghiên cứu mang tính triết luận và kiến trúc hệ thống, liên kết sự phát triển của Deep Research trong công nghiệp với phong trào AI cho Khoa học (AI for Science / AI4S) trong giới hàn lâm: 1. Định vị ứng dụng dọc tiêu biểu: Khẳng định Deep Research là bài toán mũi nhọn phản ánh sự chuyển dịch từ mô hình sinh ngôn ngữ thụ động sang tác tử hành động tự chủ hỗ trợ phát minh khoa học. 2. Cặp bài trùng của AI tạo sinh: Mô hình ngôn ngữ lớn (LLM) và Mô hình khuếch tán (Diffusion) là hai trụ cột song sinh thúc đẩy quá trình mô phỏng và phát hiện tri thức mới. 3. Mối quan hệ tương hỗ hai chiều: AI hỗ trợ đổi mới khoa học, đồng thời khoa học thực nghiệm cung cấp nguyên lý kiểm chứng khắt khe để AI hoàn thiện năng lực suy luận (Science for AI / S4AI). • Ưu Điểm: 1. Cung cấp góc nhìn vĩ mô giúp định hướng chiến lược nghiên cứu dài hạn cho các tổ chức phát triển tác tử AI. 2. Chỉ ra điểm giao thoa giữa các hệ thống tác tử ngôn ngữ và các mô hình tính toán khoa học chuyên sâu. • Nhược Điểm và Giới Hạn: 1. Nặng về mặt khung khái niệm và phân tích xu hướng, ít mã nguồn thực thi cụ thể. 2. Phạm vi thảo luận liên ngành rộng đòi hỏi người đọc phải có nền tảng cả về khoa học máy tính lẫn khoa học tự nhiên.
• URL Kho Lưu Trữ: https://github.com/GAIR-NLP/DeepResearcher
• Mô Tả: Khung mã nguồn mở tiên phong về huấn luyện tác tử nghiên cứu sâu (Deep Research Agent) đầu cuối thông qua học tăng cường (RL) trong môi trường web thực tế. Hệ thống tích hợp khả năng duyệt web thông minh, phân tích tài liệu đa định dạng (HTML, PDF, bảng biểu, video transcript), và cơ chế tự kiểm chứng chéo thông tin.
• Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích tĩnh đồ thị cú pháp trừu tượng AST, 0 USD phí gọi LLM).
• Ước Tính Token Tiết Kiệm: Hệ thống Graft đã loại trừ hơn 489,605 token dư thừa (tiết kiệm 100% chi phí đọc trực tiếp mã nguồn) thông qua lệnh graft build, graft map, graft callers và graft skeleton.
Bản đồ phân tích xác định 264 tệp tin, 1,897 biểu tượng và 5,263 liên kết điều hướng:
1. Phân Vùng Điều Phối Tác Tử Nghiên Cứu (scrl/):
• 17 tệp tin, 182 biểu tượng.
• Điểm tập trung cốt lõi (Hotspot Hubs):
• Lớp WebSearchAgent (scrl/handler/web_search_agent/web_search_agent.py, L27-L178): Điều phối các phương thức tìm kiếm web qua API (search_web, search_web_batch), cào dữ liệu an toàn (scrape_and_check_valid), phát hiện trang lỗi (is_error_page), và tạo tóm tắt nhanh từ trang đầu tiên (get_quick_summary).
• Lớp ReadingAgent (scrl/handler/reading_agent/reading_agent.py, L13-L133): Đọc hiểu tài liệu chuyên sâu theo câu hỏi chính và câu hỏi phụ (read, read_batch), gắn ngữ cảnh từ các trang web đã đọc trước đó để liên kết thông tin.
• Hệ thống Chuyển Đổi Tài Liệu Đa Định Dạng (scrl/handler/web_search_agent/search/mdconvert.py): Lớp cơ sở DocumentConverter với 7 lớp kế thừa chuyên trách: HtmlConverter (chuyển đổi HTML sạch sang Markdown), PdfConverter (bóc tách tài liệu PDF học thuật), PlainTextConverter, WikipediaConverter, YouTubeConverter (xử lý transcript video), MediaConverter, và ZipConverter.
• Lớp GenerationConfig và AgentAction (scrl/llm_agent/generation.py và scrl/handler/agent_action.py): Định nghĩa các hành vi tác tử và cấu hình suy luận sinh văn bản có cấu trúc.
2. Phân Vùng Huấn Luyện Học Tăng Cường Phân Tán (verl/):
• Gồm các mô đun điều phối Ray (verl/single_controller/), quản lý worker FSDP và Megatron (verl/workers/), và thuật toán huấn luyện PPO (verl/trainer/ppo/).
• Điểm nóng toàn cục (Global Hotspots):
• Lớp DataProto (verl/protocol.py:L173-L596, 22 liên kết hướng vào): Cấu trúc dữ liệu chuẩn hóa luồng truyền dữ liệu giữa các tiến trình tính toán phân tán.
• Hàm copy_to_local (verl/utils/fs.py:L58-L69, 22 liên kết hướng vào): Quản lý lưu trữ và nạp dữ liệu cục bộ an toàn.
• Hàm log_gpu_memory_usage (verl/utils/debug/performance.py, 17 liên kết hướng vào): Giám sát tài nguyên phần cứng liên tục.
WebSearchAgent (thu thập nhanh, sàng lọc thô, loại bỏ trang lỗi) và ReadingAgent (nghiên cứu sâu từng tài liệu với câu hỏi định hướng). Thiết kế này hoàn toàn tương thích với kiến trúc Profile chuyên biệt trên CEO AI OS, tránh hiện tượng quá tải ngữ cảnh trong một vòng lặp đơn lẻ.DocumentConverter bóc tách được cả PDF và bảng biểu giúp giải quyết điểm nghẽn của việc chỉ duyệt web văn bản thông thường, bổ trợ trực tiếp cho định hướng Knowledgeable Deep Research (KDR).Dựa trên năm công trình học thuật mới và kết quả phân tích mã nguồn mở GAIR-NLP/DeepResearcher, phòng R&D đề xuất các định hướng nâng cấp sau cho chuẩn ARS 4.0.0: 1. Bổ Sung Khung Phân Tích Tri Thức Lai (HKA: Structured & Unstructured Knowledge Fusion): • Mở rộng phạm vi thu thập dữ liệu trong ARS 4.0.0, bắt buộc các bài nghiên cứu chuyên sâu phải khai thác song song văn bản phi cấu trúc và các bảng dữ liệu số liệu có cấu trúc (báo cáo thống kê, chuỗi thời gian). 2. Chuẩn Hóa Kiến Trúc Hai Tầng Thu Thập Tri Thức (Dual-Stage Acquisition: Search & Deep Read): • Tách bạch quy trình thu thập thành hai pha rõ ràng: Pha 1 quét rộng (Broad Web Scan) để sàng lọc nguồn và lập bản đồ đề tài; Pha 2 đọc sâu (Deep Targeted Reading) có mang theo câu hỏi kiểm chứng cụ thể. 3. Cơ Chế Kiểm Chứng Quỹ Đạo Đa Chiều (Multi-Dimensional Trajectory Verification): • Học tập kỹ thuật từ S1-DeepResearch, thiết lập cơ chế kiểm định chéo giữa các khẳng định nghiên cứu và nguồn trích dẫn gốc, bảo đảm 100% luận điểm đều có căn cứ URL hoặc DOI xác thực. 4. Tối Ưu Hóa Bộ Chuyển Đổi Tài Liệu (Enhanced Multi-Format Document Parsers): • Nâng cấp các công cụ bóc tách PDF và bảng biểu trong hạ tầng nghiên cứu để tự động chuyển đổi các bảng số liệu phức tạp thành định dạng Markdown có cấu trúc phục vụ phân tích định lượng.
Phòng R&D bàn giao toàn bộ tài liệu nghiên cứu và dữ liệu bằng chứng ngày 2026-10-03 cho Subc để tiến hành Giai đoạn 2 (Soạn thảo Idea Contract V1): 1. Hồ Sơ Bàn Giao: • Báo cáo tổng hợp: shared/intelligence/tech_daily/2026-10-03.md • Bằng chứng thô có cấu trúc: profiles/r-and-d/raw_evidence/evidence_tech_ai_20261003.json • Bản đồ kiến trúc Graft của DeepResearcher: profiles/r-and-d/raw_evidence/deepresearcher_graft_map.txt 2. Trọng Tâm Soạn Thảo Idea Contract: • Tên đề xuất: IC-2026-10-03-TECH-KNOWLEDGEABLE-DEEP-RESEARCH-HKA • Domain: Group-B3-Tech (Research Infrastructure Upgrade) • Mục tiêu: Nâng cấp chuẩn nghiên cứu ARS 4.0.0 tích hợp khung phân tích tri thức lai (Hybrid Knowledge Analysis - HKA) và cơ chế thu thập hai tầng (Search & Deep Reading) lấy cảm hứng từ DeepResearcher và S1-DeepResearch, kết hợp dữ liệu bảng biểu có cấu trúc và văn bản phi cấu trúc nhằm nâng cao năng lực phân tích định lượng và độ tin cậy của các báo cáo nghiên cứu trên hệ thống CEO AI OS.