---
format: "aidr-story-markdown/v1"
id: "1163c5850fafa6ab7ef50342b9e700bc88e192986a51212ada6ca15d68ac791b"
canonical_url: "https://aidr.today/1163c585?lang=vi"
title: "AI agent cải thiện reasoning thuật toán lên 84% bằng cách dệt mã nguồn vào kiến trúc mô hình"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-07T02:44:26.000Z"
category: "Research"
topics: ["deepseek","reasoning","agent"]
source_urls: []
summary: "Một quy trình huấn luyện AI mới cho phép các AI agent sửa đổi cấu trúc của một neural network trong thời gian thực, đưa các mô hình kết quả vượa xa thiết kế của các transformer tiêu chuẩn. Bằng cách dệt trực tiếp các lớp mã nguồn vào mạng neural trong quá trình huấn luyện, các nhà nghiên cứu đã thấy độ chính xác reasoning thuật toán của nanochat tăng từ 55% lên 84%, trong khi loss khi huấn luyện giảm xuống dưới mức thấy trong huấn luyện thông thường. Phương pháp này cũng cho phép các mô hình open-weight tự sửa, như DeepSeek-V4.1-Flash, phân tích các activation của chính nó để xác định các trạng thái ẩn tín hiệu câu trả lời sai. Mô hình này đã viết một lớp mã nguồn mới để dự đoán những thất bại này, tăng điểm AIME và HMMT 2026 từ 64% lên 71%."
---

# AI agent cải thiện reasoning thuật toán lên 84% bằng cách dệt mã nguồn vào kiến trúc mô hình

> [Open the canonical story](<https://aidr.today/1163c585?lang=vi>)

**Published:** 2026-11-07T02:44:26.000Z
**Category:** Research
**Topics:** deepseek, reasoning, agent

## Summary

Một quy trình huấn luyện AI mới cho phép các AI agent sửa đổi cấu trúc của một neural network trong thời gian thực, đưa các mô hình kết quả vượa xa thiết kế của các transformer tiêu chuẩn\. Bằng cách dệt trực tiếp các lớp mã nguồn vào mạng neural trong quá trình huấn luyện, các nhà nghiên cứu đã thấy độ chính xác reasoning thuật toán của nanochat tăng từ 55% lên 84%, trong khi loss khi huấn luyện giảm xuống dưới mức thấy trong huấn luyện thông thường\. Phương pháp này cũng cho phép các mô hình open\-weight tự sửa, như DeepSeek\-V4\.1\-Flash, phân tích các activation của chính nó để xác định các trạng thái ẩn tín hiệu câu trả lời sai\. Mô hình này đã viết một lớp mã nguồn mới để dự đoán những thất bại này, tăng điểm AIME và HMMT 2026 từ 64% lên 71%\.

## Sources

_No safe source URL was recorded._