ĐIỂM TIN AI NÓNG - 20/06/2026

Model Releases & Đột phá Công nghệ

• Liquid AI - LFM2.5-ColBERT-350M và LFM2.5-Embedding-350M: Liquid AI phát hành hai mô hình retrieval đa ngôn ngữ 350M tham số vào ngày 18/06/2026, là các thành viên bidirectional đầu tiên của dòng LFM2.5. Điểm đáng chú ý là chúng nhắm trực tiếp vào RAG/search ngắn ngữ cảnh cho 11 ngôn ngữ, thay vì đẩy tham số lên rất lớn. Theo bài công bố, LFM2.5-ColBERT-350M đạt 0.605 trên NanoBEIR Multilingual Extended (NDCG@10) và 0.694 trên MKQA-11 (Recall@20), còn bản embedding đạt lần lượt 0.577 và 0.691; bản GGUF cũng được phát hành để chạy trên CPU/laptop với độ trễ truy vấn p50 khoảng 7.3 ms đến 8.2 ms. Nguồn: Liquid AI blog, LFM2.5-ColBERT-350M, LFM2.5-Embedding-350M.

Cập nhật Sản phẩm & Công cụ

• Orca: Tín hiệu đáng chú ý từ hệ sinh thái open-source là stablyai/orca đang nổi trên GitHub Trending TypeScript và vừa có release v1.4.80 ngày 18/06/2026. Repo hiện ở mức khoảng 5.5k stars và mô tả Orca như một ADE để chạy nhiều coding agent song song trong các worktree riêng, kèm mobile companion, Design Mode, SSH worktrees và CLI orchestration. Với lập trình viên, đây là dấu hiệu rõ rằng lớp sản phẩm "agent workspace" đang chuyển từ demo sang công cụ vận hành thực tế cho multi-agent coding. Nguồn: GitHub repo, GitHub Trending.

Nghiên cứu & Học thuật (Báo cáo nổi bật)

• MosaicLeaks: ServiceNow công bố bài nghiên cứu trên Hugging Face ngày 18/06/2026 về rò rỉ dữ liệu trong deep-research agents. Ý chính là agent không cần lộ tài liệu nội bộ hay chain-of-thought; chỉ riêng log web queries cũng có thể đủ để ghép ra thông tin nhạy cảm theo kiểu "mosaic effect". Nhóm tác giả báo cáo phương pháp huấn luyện PA-DR nâng strict chain success từ 48.7% lên 58.7%, đồng thời giảm answer/full-information leakage từ 34.0% xuống 9.9%; đây là tín hiệu quan trọng cho bất kỳ team nào đang nối agent với tài liệu nội bộ và web search. Nguồn: MosaicLeaks.
• Beyond LoRA: Hugging Face đăng bài ngày 18/06/2026 đặt lại giả định phổ biến rằng PEFT gần như đồng nghĩa với LoRA. Bài viết chỉ ra rằng trong mẫu 20,834 model cards chỉ nhắc một kỹ thuật PEFT, có tới 20,509 trường hợp là LoRA, tương đương 98.4%; luận điểm chính là hệ sinh thái đang mặc định chọn LoRA vì quán tính tooling và tutorial nhiều hơn là vì nó luôn tối ưu. Tác động thực tế cho developer là nên benchmark nhiều biến thể PEFT trước khi chốt pipeline fine-tune, đặc biệt khi tối ưu VRAM, checkpoint size hoặc độ giữ kiến thức nền. Nguồn: Beyond LoRA.
• Is it agentic enough?: Hugging Face cũng công bố một harness benchmark ngày 18/06/2026 để đo mức "thân thiện với agent" của tooling, không chỉ đo đáp án cuối mà còn đo số turn, token, thời gian và lỗi trên đường đi. Điểm kỹ thuật đáng chú ý là họ chạy toàn bộ ma trận model × revision × task trên cùng hạ tầng để so effort thay vì chỉ so accuracy, và lập luận rằng API/documentation giờ phải tối ưu cho cả con người lẫn agent. Với các team làm SDK, CLI hoặc framework, đây là hướng đánh giá thực dụng hơn nhiều so với benchmark truyền thống chỉ nhìn exact match. Nguồn: Is it agentic enough?.

🏷️ Từ khóa Xu hướng (Keywords)

multilingual-retrieval, agent-security, PEFT, agentic-tooling