Thư viện skill: đòn bẩy lớn nhất của agent, và bề mặt tấn công chưa ai canh
- Quan trọng nhất — thư viện skill tự lây nhiễm: EvoMal cắm một skill độc vào thư viện dùng chung. Nó không bao giờ được gọi, nhưng agent lấy nó làm mẫu để viết skill mới, và bản mới giữ nguyên payload. Tỉ lệ tự nhiễm 20,3–41,8% qua 6 model; xoá sạch mọi skill đã cắm cũng không dọn được.
- Compaction ăn mất luật an toàn: Claude Code compact trên Sonnet 4.6 giữ được 53% số luật an toàn sau một vòng, và chỉ còn 10% sau năm vòng — đúng vùng mà mọi phiên agent chạy lâu đều rơi vào. Luật cần nguyên văn mới có hiệu lực, nhưng nó bị nén cùng tốc độ với nhật ký tán gẫu.
- Cổng review skill gần như vô nghĩa: NVIDIA đo 145 skill thật — điểm quét cấu trúc/style/bảo mật tương quan với chất lượng thực tế ở mức Spearman rho = 0,14. Qua được cổng chỉ chứng minh skill đúng định dạng.
- Bù lại, skill đúng cách là đòn bẩy rất lớn: WikiSkill đưa Qwen-3.6-27B lên +23,9 điểm trung bình, và skill do model mạnh chưng cất dùng lại được cho model yếu (70,2% so với 63,4% tự học).
- Đổi model giữa chừng là lỗ: The Handoff Tax — 58.000 lượt chạy cho thấy leo thang từ model yếu lên mạnh chỉ lấy lại 36–47% lợi thế mà tốn 2,2× tiền so với chạy lại từ đầu bằng model mạnh.
- Harness sinh theo task thắng harness viết tay: JIT-Agent giúp DeepSeek-V4-Flash vượt GPT-5.6 +9,1 trên DeepSearchQA, rẻ hơn 36%, và 24/24 cặp model–benchmark đều cải thiện.
🔥 Mạch chính: thứ bạn dạy agent cũng là thứ có thể phản lại bạn
Tuần này có ba kết quả độc lập, đến từ ba nhóm khác nhau, cùng chỉ vào một chỗ: thư viện skill và file hướng dẫn — thứ mà ai chạy agent nghiêm túc cũng đang xây — hiện chưa có cơ chế bảo vệ nào tương xứng.
Một, nó lây. EvoMal cho thấy skill độc lan theo con đường không ai canh: agent không thực thi skill độc, nó chỉ đọc skill đó như một mẫu viết khi cần tạo skill mới, rồi vô tình chép lại payload. Bản chép lại quay vào thư viện và tiếp tục được bắt chước. Vì vậy xoá hết bản gốc cũng không sạch — mầm bệnh đã nằm trong các bản con. Tỉ lệ tự nhiễm 20,3–41,8% trên sáu model. Điều an ủi: một câu nhắc chống chép nguyên xi kiểu "banner" kéo tỉ lệ xuống 6,7% — rẻ và nên làm ngay.
Hai, nó bị bào mòn. Nghiên cứu về compaction đo trên 20 cấu hình agent sản xuất: khi context đầy, luật an toàn và nhật ký thao tác bị nén cùng một tốc độ, vì không có gì trong đường ống biết rằng chỉ luật mới cần giữ nguyên văn mới còn hiệu lực. Con số: giữ 53% sau một vòng compact, còn 10% sau năm vòng. Cách chữa họ đề xuất — Knowledge Triage — phân loại từng dòng theo kiểu rồi cho mỗi kiểu một chính sách giữ riêng, bảo toàn nhiều hơn 2–4× ở mọi mức nén, recall 96% qua năm vòng.
Ba, cổng kiểm tra hiện tại không đo cái cần đo. NVIDIA chạy 145 skill thật qua bộ quét cấu trúc/style/bảo mật rồi đối chiếu với chất lượng do LLM chấm: tương quan rho = 0,14, tức gần như không liên quan. Đề xuất thay thế của họ là Skill Lift: chạy đúng một task hai lần trong cùng model, cùng sandbox, cùng workspace, cùng bộ chấm — một lần có nạp skill, một lần không — rồi đo chênh lệch. 947 cặp chạy từ 58 skill sản xuất, chuẩn hoá qua một định dạng quỹ đạo chung nên so được lift của cùng một skill giữa Claude Code và Cursor.
Ghép lại thì thành một lời khuyên rất cụ thể: đừng đánh giá skill bằng cách đọc nó, hãy đo nó bằng cặp chạy có/không; đừng để luật an toàn nằm chung chính sách nén với phần kể chuyện; và hãy giả định rằng mọi skill trong thư viện dùng chung đều có thể bị bắt chước, kể cả khi không bao giờ được gọi.
Nguồn: EvoMal · Knowledge Triage · NVIDIA ACES / Skill Lift — (qua AI Agents Weekly, số 30/08)
📄 Papers đáng đọc
Chọn từ 30 paper HF Daily Papers trong cửa sổ 27–31/08; số cạnh tiêu đề là upvote. Không paper nào trùng với các digest trước. Mỗi paper 3 lớp: BLUF → 30 giây → Đọc sâu (bấm mở).
AgenticEvalsJIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution
BLUF: Thay vì viết sẵn một harness rồi đóng băng, JIT-Agent sinh ra harness riêng cho từng task ngay lúc chạy — cùng một model, DeepSeek-V4-Flash vượt GPT-5.6 trên DeepSearchQA +9,1 điểm và rẻ hơn 36% so với harness cố định rẻ nhất.
- Vấn đề: một harness viết tay phải phục vụ cả deep research, sinh sản phẩm, lẫn coding dài hơi. Cái tốt cho việc này thường dở cho việc kia, nhưng nó không đổi được.
- Cách làm: harness được mô tả thành 4 module chuẩn — Memory, Planning, Action, Capability Orchestration — và model viết ra bộ 4 module đó cho từng task. Sai thì vá ngay giữa lúc chạy (tối đa 2 vòng sửa).
- Kết quả: GLM-5.2 lên +7,7 điểm trung bình trên 9 benchmark (tối đa +20,2); DeepSeek-V4-Flash +8,8. Cả 24 cặp model×benchmark đều tốt hơn ReAct.
Đọc sâu (~3 phút)
Vì sao "harness cố định" là nút thắt
Điểm số của một agent không chỉ là điểm của model. Nó là điểm của model cộng lớp vỏ bọc quanh model: cách nén lịch sử, cách chia nhỏ mục tiêu, cách chọn tool. Lớp vỏ đó hiện nay do người viết tay, và viết xong là đứng yên. Hệ quả: một thiết kế duy nhất phải gánh mọi loại việc, nên nó luôn là thoả hiệp — không tối ưu cho việc nào cả.
Bốn module, và cách model tự lắp chúng
Tác giả ép mọi harness về một giao thức 4 phần, chạy theo thứ tự phụ thuộc M→P→F→A. Memory (M) nén và quản lý lịch sử thực thi. Planning (P) đẻ ra chỉ thị và mục tiêu con. Capability Orchestration (F) chọn và xếp thứ tự tool/skill. Action (A) cập nhật state của controller rồi phát hành động. Hệ thống giữ song song hai thứ: lịch sử sự kiện bất biến, và state của controller thay đổi được.
Huấn luyện qua 3 chặng. Chặng I (Customization): fine-tune có giám sát trên harness do teacher sinh, cộng preference learning để nghiêng về thiết kế vừa điểm cao vừa rẻ. Chặng II (Repair): biến các lần sinh hỏng thành quỹ đạo sửa lỗi có giới hạn, dạy model gượng dậy từ lỗi biên dịch và lỗi runtime. Chặng III (Evolution): Evo-GDPO chuẩn hoá riêng ba tín hiệu reward, độ trễ và chi phí, và chỉ giữ ứng viên nào đẩy được biên giới của kho lưu trữ đi lên.
Số liệu đáng nhớ
| Tổng quát (9 benchmark) | GLM-5.2: 74,1 → 81,8 (+7,7); DeepSeek-V4-Flash: 66,7 → 75,5 (+8,8) |
| Thắng nổi bật | DeepSearchQA +9,1 so với GPT-5.6; PinchBench +8,7; OdysseyBench +4,3 |
| Chi phí | DeepSearchQA 85,1 điểm / 400K token / $0,066 — rẻ hơn 36% so với harness cố định rẻ nhất |
| Tổng quát hoá | 24/24 cặp backbone–benchmark đều tăng; DeepSeek V4 +10,2 · Mimo 2.5 +8,6 · Qwen 3.6 +4,0 |
Hạn chế tác giả tự nhận
Tác giả nói thẳng rằng harness sản xuất thật — Codex, Claude Code, DeepSeek Harness — giàu cơ chế hơn nhiều so với thiết kế 4 module này. Họ coi khoảng cách đó là cố ý: dựng một nền đơn giản để nghiên cứu, không phải tái tạo hệ thống sản xuất. Họ gọi không gian thiết kế hiện tại là "điểm khởi đầu", và bổ trợ cho việc kỹ sư viết harness chứ không thay thế.
AgenticThe Handoff Tax: Continuing Non-Native Trajectories in LLM Agents
BLUF: Khi bạn để model yếu làm trước rồi chuyển sang model mạnh giữa chừng, model mạnh chỉ lấy lại được 36–47% phần lợi thế của nó — mà lại đắt hơn cả việc cho model mạnh làm lại từ đầu ($1,61 so với $0,72).
- Quy mô: 58.000 lượt chạy agent, 2 triệu lời gọi model, 36 tỉ token, chủ yếu trên SWE-bench Verified (500 issue GitHub thật).
- Phát hiện chính: "leo thang" (yếu → mạnh) là một khoản lỗ kép — vừa mất chất lượng vừa tốn tiền hơn phương án đơn giản nhất là bỏ hết, chạy lại bằng model mạnh.
- Cách chữa hiệu quả nhất lại là vứt bớt: nén quỹ đạo cũ đưa hồi phục lên 60–84%; bỏ hẳn quỹ đạo, chỉ giao lại cây thư mục đã sửa, cho 64–84%.
Đọc sâu (~3 phút)
"Thuế giao ca" là gì
Rất nhiều hệ thống thật đang làm cùng một việc để tiết kiệm: cho model rẻ chạy trước, khi nó bí thì chuyển hồ sơ sang model đắt. Trực giác là model đắt sẽ tiếp quản phần dở dang và đi tiếp. Paper này đo xem trực giác đó đúng bao nhiêu, và câu trả lời là không nhiều. Khoản hụt đó tác giả gọi là handoff tax — thuế phải trả khi một model phải tiếp tục quỹ đạo mà không phải do chính nó tạo ra.
Bố trí thí nghiệm
Hai cặp model, mỗi cặp một nhà: Claude Haiku 4.5 (yếu) ↔ Opus 4.7 (mạnh), và GPT 5.6 Luna (yếu) ↔ 5.6 Sol (mạnh). Bốn kiểu bàn giao: Raw đưa nguyên quỹ đạo; Compactpre/Compactsuf đưa bản tóm tắt; Traj-drop không đưa quỹ đạo gì cả, chỉ để lại các chỉnh sửa trong cây làm việc. Thang đo là Quality Recovery: model nhận ca lấy lại được bao nhiêu phần trăm khoảng cách chất lượng giữa yếu và mạnh.
Số liệu đáng nhớ
| Leo thang (yếu→mạnh) | hồi phục chất lượng 47% (Claude) · 36% (GPT) |
| Chi phí leo thang | Raw $1,61 so với chạy thẳng model mạnh $0,72 (Claude) — đắt hơn 2,2× mà vẫn kém hơn |
| Hạ cấp (mạnh→yếu) | hồi phục 50% (Claude) · 79% (GPT); giữ lại phần tiết kiệm 80% (Claude) nhưng chỉ 14% (GPT) |
| Chữa bằng cách bỏ bớt | nén quỹ đạo → 60–84%; bỏ hẳn quỹ đạo → 64–84% |
Vì sao bất đối xứng
Hai chiều giao ca không giống nhau. Đi xuống (mạnh → yếu) khá ổn: model yếu nhận một quỹ đạo sạch sẽ, chất lượng cao và chỉ cần đi nốt, nên đây là đánh đổi chi phí–chất lượng có lợi, rẻ hơn dùng model mạnh suốt. Đi lên thì ngược lại: model mạnh thừa hưởng những giả định sai, những nhánh đã đi lạc, và những đoạn suy luận nó sẽ không bao giờ tự viết ra — rồi phải tiêu token để hiểu và gỡ chúng. Đó là lý do xoá bớt lại tốt hơn giữ lại: bớt quỹ đạo là bớt thứ phải gỡ.
Hạn chế
Chỉ hai cặp model mỗi họ; nghiên cứu chính chỉ trên một benchmark; tập con task khó sau khi ghép cặp rất nhỏ (N̄≈24–27); mỗi task chỉ chạy một lần nên không đo được dao động giữa các lần; điểm chuyển giao cố định chứ chưa phải chính sách thích ứng; và mọi kết luận về tiền đều phụ thuộc bảng giá hiện hành của nhà cung cấp.
AgenticEvalsWikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
BLUF: Tách nơi lưu kinh nghiệm khỏi nơi chứa chỉ dẫn cho agent: một "wiki" tích luỹ mọi lần chạy, rồi mới chưng cất thành skill có cổng kiểm duyệt — Qwen-3.6-27B tăng trung bình +23,9 điểm, SpreadSheet nhảy từ 40,8% lên 81,7%.
- Ba tầng: Raw (vết thực thi thô, bất biến) → Wiki (kho tri thức bền, tích luỹ mẫu hình và lịch sử đề xuất) → Skills (chỉ dẫn thực sự được nhét vào prompt).
- Bốn vai mỗi vòng: Inference Agent chạy task, Wiki Maintainer gộp vết chạy thành mẫu hình có cấu trúc, Skill Proposer đề xuất sửa skill, và một cổng kiểm duyệt phải chấp nhận thì thay đổi mới vào.
- Bất ngờ nhất — skill chuyển được giữa model: Qwen-3.5-9B dùng skill do Qwen-3.6-27B tiến hoá ra đạt 70,2% ALFWorld, cao hơn 63,4% khi tự tiến hoá lấy.
Đọc sâu (~3 phút)
Vì sao phải tách wiki khỏi skill
Hầu hết hệ thống "agent tự học" đều ghi thẳng bài học vào file skill. Vấn đề: file skill là thứ được nhét vào prompt, nên nó phải ngắn. Mà bài học thì đến liên tục. Kết quả là mỗi lần học được gì đó, hệ thống phải ghi đè hoặc cắt bớt cái cũ — và thông tin dùng để quyết định ghi đè cái nào đã bị vứt mất từ vòng trước. WikiSkill tách hai vai này ra: wiki cứ phình thoải mái vì nó không vào prompt, còn skill giữ gọn vì nó có vào.
Bốn thành phần chạy vòng nào cũng đủ
Inference Agent chạy task và để lại vết thô. Wiki Maintainer đọc vết đó rồi gộp vào wiki dưới dạng mẫu hình có cấu trúc, kèm nhật ký tiến hoá và lịch sử các đề xuất trước — kể cả đề xuất đã bị từ chối. Skill Proposer đọc wiki (chứ không đọc vết thô) để đề nghị sửa skill; nhờ có lịch sử, nó biết cái gì đã thử và trượt. Gating chỉ nhận thay đổi nào chứng minh được là cải thiện.
Số liệu đáng nhớ
| Mức tăng trung bình (5 benchmark) | Qwen-3.5-4B +12,3 · Qwen-3.5-9B +17,5 · Qwen-3.6-27B +23,9 |
| Nhảy vọt cụ thể | Gemini-3.5-Flash trên LiveMath 33,0% → 72,6%; Qwen-3.6-27B trên SpreadSheet 40,8% → 81,7%; ALFWorld 52,8% → 77,6% |
| Chuyển giao giữa model | Qwen-3.5-9B đạt 70,2% ALFWorld bằng skill của bản 27B, so với 63,4% khi tự tiến hoá |
| Đối chứng | vượt Trace2Skill, EvoSkill, SkillOpt và mốc không-skill |
Hạn chế tác giả tự nhận
Bốn điểm, và đều thật thà. Một, cách nhét skill vào prompt chưa đánh giá được việc truy xuất và kích hoạt ở quy mô lớn — nghĩa là khi thư viện phình to thì chưa biết chọn đúng skill kiểu gì (đúng chỗ paper CaSKG bên dưới nhảy vào). Hai, cổng kiểm duyệt chặt quá nên loại luôn các đề xuất trung tính mà biết đâu về sau lại hữu ích. Ba, không có cơ chế tỉa wiki tự động khi tri thức chất đống. Bốn, benchmark chưa có task cực dài (hàng trăm hành động hay nhiều giờ liền).
EvalsAgenticCaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval
BLUF: Chọn skill bằng độ giống nhau về ngữ nghĩa là sai cách; CaSKG thử xoá, thử thay, thử đảo thứ tự từng skill để biết cái nào thật sự cần — thắng ở cả 12/12 cặp model×benchmark, ALFWorld 80,0% → 86,8%.
- Ý tưởng: quan hệ giữa hai skill không phải "giống nhau" mà là "cái này cần cái kia đi trước". Muốn biết điều đó thì phải can thiệp, không phải đo khoảng cách vector.
- Ba phép thử phản thực: xoá (skill này có thật sự cần không), thay thế (có bị thay bởi cái khác không), đảo thứ tự (chiều phụ thuộc có đúng không).
- Kết quả: ScienceWorld 72,6 → 80,5 điểm và ít hơn 1,1 bước; ALFWorld 80,0% → 86,8% và ít hơn gần 2 bước — làm đúng hơn và nhanh hơn.
Đọc sâu (~3 phút)
Vấn đề mà thư viện skill lớn tạo ra
Khi thư viện chỉ có mươi skill, bạn nạp hết vào prompt cũng được. Khi nó có hàng trăm, bạn buộc phải chọn. Cách chọn mặc định hiện nay là nhúng vector rồi lấy cái gần nhất với đề bài. Cách đó bắt được sự giống nhau về chủ đề, nhưng cái agent cần lại là chuỗi thao tác đúng thứ tự. Hai skill có thể chẳng giống nhau chữ nào mà vẫn bắt buộc phải đi liền nhau; hai skill khác nghe rất giống nhau nhưng dùng cái nào cũng được.
Bốn chặng của phương pháp
(1) Candidate Induction — dựng một đồ thị có hướng ưu tiên độ phủ cao, ghép cặp skill dựa trên tín hiệu ngữ nghĩa, từ vựng, kiểu input/output và cấu trúc. Chặng này cố ý "vơ nhiều", lọc để sau. (2) Counterfactual Edge Probing — với mỗi cạnh được chọn, chạy ba phép thử bằng văn bản có điều kiện theo chiều: removal hỏi tính cần thiết, substitution hỏi tính đặc thù, reordering hỏi tính có hướng. Đây là phần "nhân quả" thật sự: không suy ra quan hệ từ bề mặt chữ, mà can thiệp rồi xem có hỏng không. (3) Bayesian Calibration — gộp bằng chứng từ các phép thử bằng làm trơn Beta để ra điểm tin cậy, rồi xếp mỗi cạnh vào bốn trạng thái: đã xác nhận, chưa chắc, bị bác bỏ, chưa kiểm. (4) Task-Conditioned Retrieval — chạy personalized PageRank trên đồ thị đã công bố; chỉ cạnh đã được xác nhận mới truyền độ liên quan đi tiếp, còn liên kết yếu bị hạ trọng số.
Số liệu đáng nhớ
| ScienceWorld U211 (tb 6 model) | CaSKG 80,50 điểm / 15,29 bước — GoS 72,62 / 16,39 |
| ALFWorld ID-140 (tb 6 model) | CaSKG 86,79% / 14,05 bước — GoS 80,01% / 15,96 |
| Độ nhất quán | điểm cao nhất ở cả 12/12 cặp model–benchmark |
| Đối chứng | Vanilla Skills (nạp hết) · Vector Skills (giống ngữ nghĩa) · GoS (đồ thị phụ thuộc) |
Hạn chế
Tác giả nói rõ CaSKG chỉ đáng dùng khi thành công phụ thuộc vào việc giữ đúng một chuỗi thao tác, chứ không phải khi chỉ cần lôi ra một skill có tên hiển nhiên. Mức cải thiện thu hẹp lại với model mạnh hơn — model càng giỏi thì càng tự suy ra được thứ tự. Và với loại task chỉ cần khớp ngữ nghĩa trực tiếp thì gần như không lợi gì.
📰 Tin đáng biết
Kỹ thuật agent & context
- Scroll (Alibaba) — quản lý context như viết code. Bỏ hẳn schema bộ nhớ: mỗi phiên có một event log chỉ-ghi-thêm và một kernel Python bền trong sandbox. Model viết code để tìm và biến đổi state, và chỉ phần được in ra mới vào context. Đạt 94,8% LongMemEval_S và 73,1% BEAM_10M (hơn hệ bộ nhớ tốt nhất 5,1 điểm). (qua AI Agents Weekly)
- Prime Agent (Prime Intellect) — harness mã nguồn mở biết tích luỹ. Lịch sử, bộ nhớ, skill, prompt và đặc tả subagent sống qua nhiều lượt chạy thay vì dựng lại từ đầu. Giữ nguyên model, ARC-AGI-3 Best@1 đi từ 30% lên 95,5%. (qua AI Agents Weekly)
- Recuris — tách bộ nhớ làm hai. Working Memory bám tiến độ task, Experiential Memory giữ skill, nên khi hỏng thì truy được đúng thành phần nào gây hỏng. Tốt hơn ở 35/37 cặp model–benchmark; Claude Opus 5 lên 87,9% tau-bench. (qua AI Agents Weekly)
- Meta^n — đệ quy thay vì chồng tầng. Hệ tự sửa mình thường kẹt ở độ sâu ~2 vì phải chừa lại phần máy móc tự sửa. Meta^n giữ nguyên phép meta rồi đệ quy trên đầu vào của nó, để hội tụ quyết định độ sâu. Là phương pháp duy nhất có điểm trên 0 ở ARC-AGI-2. (qua AI Agents Weekly)
- DeepSeek ra harness agent mới — cùng số với tin GLM-5.3 bị khai thác lỗ hổng, và câu hỏi "nền tảng kỹ thuật phần mềm đã đổi thế nào dưới agentic coding". (The Batch #368, 28/08)
Đánh giá & khoa học
- Netflix vận hành LLM-judge như một vòng đời, không phải một artifact. Hàng trăm nghìn lời giải thích gợi ý phim mỗi tuần, phục vụ hàng triệu thành viên. Bốn giai đoạn Birth → Training → Deployment → Monitoring, với meta-judge soi lập luận của judge để truy lỗi về đúng câu chữ trong rubric. A/B 5 tuần trên hàng chục triệu người: tăng lượt xem nội dung chưa từng xem và tăng phiên browse-to-play. (qua AI Agents Weekly)
- Co-Scientist của DeepMind bước ra khỏi mô phỏng. Tự thiết kế lộ trình tiền chất an toàn cho MXene và vận hành lò CVD bán tự động ra vật liệu 2D dạng lớp; chỉnh quy trình theo ràng buộc của từng phòng thí nghiệm trong vài phút để nuôi đơn lớp MoS₂, MoSe₂, WS₂ ngay lần đầu. 30 chuyên gia viết 450 bài đánh giá. (qua AI Agents Weekly)
- SWE Refactor Bench và PILOT in the Loop đã được phân tích kỹ trong digest 30/08 — nếu bạn quan tâm mạch "test xanh không chứng minh được gì", đọc lại bản đó.
Chính sách
- Bất mãn về data center đang đẩy làn sóng lập pháp cấp bang ở Mỹ — điện, nước và thuế trở thành mặt trận chính trị địa phương của hạ tầng AI. (Tech Policy Press)
- Colombia đang soạn một bản sao kém của EU AI Act — bài phân tích cảnh báo việc bê nguyên khung rủi ro châu Âu vào bối cảnh năng lực thực thi rất khác. (Tech Policy Press)
🧭 Ghi chú vận hành
- Cửa sổ chọn paper mở rộng ra 27–31/08. Cửa sổ đúng 30–31/08 chỉ có 1 mục trong DB và
select.pytrả về 0 paper (HF Daily Papers không đăng cuối tuần). Nới về 27/08 cho 98 mục → 30 paper + 25 blog. - collect.py: 25 mục mới trong cửa sổ 29–31/08,
FAILED_SOURCES=nonetrên cả 44 nguồn. - Deep-dive queue rỗng — Gmail
subject:DEEPDIVE newer_than:2dtrả về 0 kết quả. - Tiếng nói định hình ngành: The Batch số mới nhất là #368 (28/08) và không có thư "Dear friends" của Andrew Ng trong số đó. Không nguồn nào trong nhóm Karpathy / Altman / Bengio / Chollet / Olah / Marcus / Wei / Ruder / Benaich có bài mới trong cửa sổ (collect.py: 0 mục cho từng nguồn). Một lượt WebSearch cho nhóm chỉ-có-trên-X (LeCun, Hinton, Hassabis, Jim Fan, Amodei) không tìm thấy phát ngôn lớn nào trong tuần này — kết quả trả về đều là tranh luận từ Davos tháng 1/2026. Không nhồi mục cho đủ.
- Hình: cả 4 hình lấy từ arxiv.org/html bản gốc (không cần fallback thumbnail), nén Pillow về ≤900px và <85KB mỗi ảnh; tổng data-URI 430KB.