DeepSeek — DeepSeek-V4-Flash-0731: DeepSeek phát hành bản chính thức của V4 Flash, giữ nguyên kiến trúc so với bản preview nhưng được post-training lại để tăng năng lực agent. Theo model card của hãng, điểm Terminal Bench 2.1 tăng từ 61,8 lên 82,7, CyberGym từ 38,7 lên 76,7 và DeepSWE từ 7,3 lên 54,4; kết quả được đo bằng DeepSeek Harness ở chế độ max, nên cần chờ tái lập độc lập. Mô hình vẫn có 284 tỷ tham số tổng, khoảng 13 tỷ tham số kích hoạt và ngữ cảnh một triệu token; checkpoint mở đã có trên Hugging Face, còn API chính thức đang ở public beta. Với workflow agent, thay đổi đáng chú ý nhất là ba mức reasoning_effort (low, high, max) và khả năng phục vụ bằng vLLM trên một node 4×GB300. Nguồn: DeepSeek — model card DeepSeek-V4-Flash-0731.

Netflix — GenRec: Netflix công bố GenRec, một ranker gợi ý nội dung dựa trên LLM nội bộ được thích nghi từ mô hình nguồn mở và post-training bằng dữ liệu, mục tiêu xếp hạng cùng tín hiệu phần thưởng của Netflix. Hệ thống biến lịch sử người dùng và metadata thành văn bản, thêm scoring head giới hạn trong catalog để tránh đề xuất nội dung không tồn tại, rồi chạy vLLM ở chế độ prefill-only thay vì giải mã tuần tự nhằm giảm chi phí. Trong A/B test quy mô lớn, Netflix cho biết GenRec cải thiện có ý nghĩa thống kê cả chỉ số ngắn hạn lẫn dài hạn so với ranker production, dù chỉ dùng một phần nhỏ dữ liệu gán nhãn và tín hiệu đầu vào; hãng chưa công bố mức tăng tuyệt đối nên không thể so sánh trực tiếp. Bài học thực dụng cho đội ML là chuyển ngân sách từ hàng nghìn feature thủ công sang context engineering, prefix caching và mục tiêu catalog-aware, nhưng vẫn giữ lớp ràng buộc nghiệp vụ rõ ràng. Nguồn: Netflix TechBlog — GenRec: Towards LLM-Native Recommendation at Netflix.

ORCA-bench — agent AI chưa sẵn sàng trực on-call: Nhóm nghiên cứu xây dựng 1.079 tác vụ phân tích nguyên nhân gốc trên một hệ microservice có hơn 50 GB telemetry trong sáu ngày, kết hợp metrics Prometheus, logs OpenSearch, traces Jaeger và mã nguồn. Trên năm agent frontier, độ chính xác RCA tốt nhất chỉ đạt 25,3% ở mức Medium và 10,0% ở mức Hard; tỷ lệ báo cáo nguyên nhân không hợp lý dao động từ 7% đến 40%. Khi bỏ quyền đọc mã nguồn, RCA accuracy giảm 9–16 điểm phần trăm, cho thấy chỉ cấp logs/metrics là chưa đủ cho agent SRE đáng tin cậy. Benchmark còn có tập Verified 40 tác vụ được kiểm tra thủ công; LLM judge đạt Cohen’s weighted kappa 0,90 với người chấm, nhưng kết quả vẫn trên testbed công khai và nên xem là cận dưới của độ khó production. Nguồn: arXiv — ORCA-bench: How Ready Are Language Model Agents for Oncall?.

DeepSeek-V4-Flash-0731, agentic AI, GenRec, LLM recommendation, ORCA-bench, SRE agents