GPT-OSS

Bằng chứng (6)

• 8The New Stack·8/7/2026model_release
  Refiant ra mắt mô hình Protea với cửa sổ ngữ cảnh 10 triệu token và tối ưu bầy đàn

  Refiant đã ra mắt Protea, một mô hình có cửa sổ ngữ cảnh 10 triệu token, sử dụng tối ưu hóa kiểu bầy đàn và quản lý ngữ cảnh để xử lý các tập dữ liệu rất lớn trong một lượt. Công ty cho rằng cách tiếp cận này có thể nâng cao hiệu quả suy luận, giảm ảo giác và thay thế RAG cho mã nguồn doanh nghiệp hoặc kho dữ liệu dài như email hay hồ sơ thử nghiệm lâm sàng.

• 8Simon Willison·22/6/2026research
  Nghiên cứu cho thấy nhầm lẫn vai trò làm suy yếu phòng thủ trước prompt injection

  Một nghiên cứu cho rằng các mô hình ngôn ngữ hiện nay khó phân biệt đáng tin cậy giữa văn bản có vai trò đặc quyền như system, think và assistant với đầu vào người dùng không tin cậy. Nhóm tác giả cho biết chỉ cần thay đổi nhỏ về शैली có thể làm thay đổi mạnh cách mô hình phân loại văn bản, giảm tỷ lệ tấn công thành công từ 61% xuống 10% trong một thí nghiệm và cho thấy prompt injection vẫn là một vấn đề an ninh dai dẳng.

• 6OpenAI Blog·24/3/2026framework_update
  OpenAI bổ sung chính sách an toàn cho thanh thiếu niên dành cho nhà phát triển

  OpenAI đã giới thiệu các chính sách an toàn cho thanh thiếu niên dựa trên prompt dành cho nhà phát triển sử dụng gpt-oss-safeguard. Các chính sách này nhằm hỗ trợ hệ thống AI kiểm soát rủi ro theo độ tuổi và tạo trải nghiệm an toàn hơn cho người dùng tuổi teen.

• 7Hugging Face Blog·26/2/2026research
  Mô hình Mixture of Experts trong Transformers

  Hugging Face giải thích cách kiến trúc Mixture of Experts (MoE) thay thế các lớp feed-forward dày đặc bằng cơ chế định tuyến thưa tới các chuyên gia để tăng hiệu quả tính toán. Bài viết nhấn mạnh việc MoE có thể đạt chất lượng tương đương mô hình dày đặc nhưng với ít tham số hoạt động hơn khi suy luận, đồng thời cho thấy mức độ phổ biến ngày càng tăng trong các mô hình mã nguồn mở gần đây và hệ sinh thái Transformers.

• 7Hugging Face Blog·18/2/2026research
  IBM và UC Berkeley dùng IT-Bench và MAST để phân tích vì sao tác nhân doanh nghiệp thất bại

  IBM Research và UC Berkeley đã nghiên cứu các mẫu lỗi của hệ thống LLM tác nhân trong tự động hóa CNTT bằng ITBench và bộ phân loại lỗi MAST. Phân tích 310 vết thực thi SRE cho thấy xác minh sai là nguyên nhân lỗi phổ biến nhất; một số mô hình lỗi gọn gàng, trong khi số khác gặp lỗi dây chuyền hoặc vấn đề kết thúc tác vụ.

• 6Hugging Face Blog·27/1/2026research
  Hugging Face công bố kinh nghiệm huấn luyện RL tác tử cho GPT-OSS

  Hugging Face chia sẻ bài tổng kết thực tiễn về việc kích hoạt huấn luyện reinforcement learning tác tử cho GPT-OSS, tập trung vào quy trình nhiều bước với sử dụng công cụ, tạo rollout và cập nhật chính sách dựa trên phần thưởng. Nhóm nêu các thách thức tương thích với Harmony chat template và đánh giá hệ thống bằng verl, ReTool, gsm8k cùng các tác vụ có thể kiểm chứng khác.