Gần đây, đội ngũ @SentientAGI đã nộp một bài kiểm tra cứng cáp tại hội thảo Lock-LLMs của NeurIPS 2025 - bài báo "OML: Cryptographic Primitives for Verifiable Control in Open-Weight LLMs" đã đề xuất một phương pháp mới để kiểm soát có thể xác minh cho các mô hình lớn mã nguồn mở: OML (Giấy phép Mô hình Mở / Lớp Đánh dấu Quyền sở hữu).

Điểm nổi bật cốt lõi rất trực quan: nhúng logic điều khiển vào quy trình suy diễn mô hình, cho phép mô hình mã nguồn mở cũng có thể hoạt động an toàn và có thể xác minh. Thiết kế ba lớp của nó để lại ấn tượng sâu sắc:
1️⃣ Tính khả chứng: Chứng minh không biết đảm bảo mỗi lần gọi là hợp pháp;
2️⃣ Bắt buộc: TEE (Môi trường thực thi đáng tin cậy) ngăn chặn việc vượt qua;
3️⃣ Tiền tệ hóa: Kết hợp blockchain và NFT, thực hiện truy xuất nguồn gốc lợi nhuận mô hình.

Khác với watermark truyền thống, OML có khả năng duy trì khả năng kiểm soát ngay cả trong môi trường hộp trắng, các thử nghiệm cho thấy độ chính xác trong việc phát hiện chưng cất mô hình và đánh cắp tham số vượt quá 97%, tổn thất hiệu suất dưới 2%. Có thể nói, đây là một bước ngoặt quan trọng trong việc quản lý an toàn mô hình mở.

Thú vị là, OML chia mô hình thành hai vai trò lớn: mặt điều khiển và mặt dữ liệu:
Mặt phẳng điều khiển giống như một nhà quản lý nghiêm ngặt, quản lý ai có thể gọi mô hình, tuân thủ các chính sách nào, ghi lại mỗi thao tác và tạo ra danh sách chạy có chữ ký cùng với nhật ký kiểm toán không thể bị thay đổi;

Dữ liệu mặt phẳng thì tập trung vào "làm việc", xử lý tokens, không pha trộn các công việc khác.

Cách phân công này cho phép mô hình ngay cả khi chạy cục bộ cũng không cần phụ thuộc vào API tập trung, đồng thời đảm bảo quyền truy cập, truy xuất nguồn gốc và kiểm toán được kiểm soát toàn bộ. Sentient đã nhúng 24,576 cặp khóa-phản hồi trong phiên bản tinh chỉnh Llama-3.1-8B, giữ cho hiệu suất ổn định, vẫn hiệu quả sau khi tinh chỉnh, chưng cất hoặc kết hợp, thực sự mang lại cho mô hình AI "chữ ký" và bảo vệ bản quyền.

Trong khi đó, LiveCodeBench Pro của Sentient đã đưa khả năng lập trình AI trở lại chiến trường thực tế:
Bài toán lập trình khó khăn có tỷ lệ thành công của AI gần như bằng không; từ việc đọc đề, thiết kế giải pháp, sinh mã đến biên dịch và thực thi, mỗi bước đều tuân thủ nghiêm ngặt tiêu chuẩn của cuộc thi thuật toán; bao phủ các đề thi uy tín như Codeforces, ICPC, IOI, áp dụng hệ thống xếp hạng độ khó động Elo; tái hiện cục bộ, kiểm tra ẩn và sinh nhật ký đầy đủ, cho phép khả năng của mô hình được xác minh và theo dõi.

Trong bối cảnh AI sinh tạo đang theo đuổi điểm cao và kỹ thuật gợi ý, LiveCodeBench Pro là một chiếc gương rõ ràng, thể hiện ranh giới thực sự của mô hình trong việc hiểu thuật toán, logic dài hạn và kiểm soát độ phức tạp, khiến cho "mô hình có thể viết mã" không còn chỉ là một danh nghĩa.

@SentientAGI đang sử dụng OML và LiveCodeBench Pro, tái định hình các tiêu chuẩn về an toàn, khả năng kiểm soát và năng lực của AI. Mô hình mở đã có sự bảo vệ bản quyền, lập trình AI đã có kỳ thi thực sự, đây là một cột mốc quan trọng của AGI mã nguồn mở do cộng đồng thúc đẩy.

#KaitoYap @KaitoAI #Yap #Sentient