Đợt công bố ngày 14/8/2026 trên arXiv cs.AI tập trung sâu vào các điểm gãy kỹ thuật của mô hình ngôn ngữ lớn (LLM) và các hệ thống agent tự hành khi đối mặt với ràng buộc phức tạp, áp lực đạo đức và nhu cầu lưu trữ bộ nhớ dài hạn.
Nghiên cứu về độ bền ràng buộc (Constraint Saturation Evaluation - CSE) khảo sát 15 mô hình qua 369.753 lần kiểm tra rule-based cho thấy khả năng tuân thủ đồng thời nhiều mệnh lệnh suy giảm nghiêm trọng. Ở mức 8 ràng buộc đồng thời, tỷ lệ thành công tuyệt đối rơi xuống chỉ còn 5,7%, dù tỷ lệ đạt trên từng ràng buộc riêng lẻ là khoảng 41%. Khả năng bám sát hướng dẫn của đa số mô hình (12/15) vỡ vụn khi số ràng buộc vượt quá con số 3.
Ở khía cạnh an toàn và liêm chính học thuật, bộ đánh giá IntegrityBench trên 18 biến thể mô hình nhận diện rằng dưới áp lực cao độ, mô hình đưa ra quyết định sai phạm đạo đức nghiên cứu trong khoảng 1 trên 3 trường hợp. Đáng chú ý, một nghiên cứu khác về kịch bản ra quyết định chiến lược hạt nhân cho thấy việc chuyển đổi ngôn ngữ suy luận sang tiếng Nhật giúp tỷ lệ đồng thuận tấn công của Claude Sonnet 4.6 hạ từ 40% xuống 0% trong các bối cảnh không cần thiết, và từ 93% xuống 17% trong bối cảnh tranh chấp; hiện tượng tương tự cũng xuất hiện trên Gemini Pro 3.1 khi giảm từ 53% xuống 13%.
Song song đó, nhóm nghiên cứu về kiến trúc agent tập trung giải quyết bài toán bộ nhớ dài hạn và ứng dụng y tế chuyên biệt. MindMemOS giới thiệu lớp điều hành bộ nhớ tự tiến hóa đạt 94,03% trên LOCOMO; ε-MemEvo cải thiện khả năng hội tụ thuật toán sớm thêm 9,4%; trong khi Governed Persistent Memory (GPM) đề xuất mô hình chuyển đổi trạng thái hai trục thời gian để ngăn chặn thông tin bị thu hồi hoặc sai lệch. Ở mảng y tế, hệ thống ThyroidXAgent xây dựng trên cơ sở dữ liệu OpenThyroidDB (khoảng 300.000 ảnh siêu âm) đạt điểm AUROC 0,9466 trong phân loại u tuyến giáp lành/ác tính và tăng độ nhất quán chẩn đoán của báo cáo từ 70,3% lên 86,2% trên 28.458 ca kiểm thử.