Ngày cơ sở 2026-11-03
Thực thi 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

Lãnh đạo AI: Biến động nhân sự & Bài báo — thay đổi công việc và nghiên cứu mới nhất

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
Nơi các nhân vật chủ chốt của phòng lab AI, Big Tech và giới học thuật chuyển đến và những gì họ công bố là tín hiệu sớm về hướng đi của công nghệ và lợi thế cạnh tranh. Biến động nhân sự và bài báo được thu thập tự động mỗi ngày, được biên tập viên kiểm tra và tóm tắt dễ hiểu kèm liên kết gốc.

Tin nổi bật

Biến động nhân sự · Agent & lập trình

Chưa có biến động nhân sự phù hợp.

Bài báo · Agent & lập trình

Bài báo2026-10-30

Phát triển mô hình phân cấp vượt qua các giới hạn trong điều khiển robot phức tạp

Hierarchical World Models with Implicit Dynamics
Yann LeCun và 6 người khác
Nội dung
Các nhà nghiên cứu đã phát triển ID-WM, một mô hình thế giới phân cấp có khả năng thực hiện các nhiệm vụ phức tạp và dài hạn bằng cách tách biệt khả năng tiếp cận trạng thái và điều khiển cục bộ.
Kết quả chính
Nó ghi nhận hiệu suất cải thiện 38.5 phần trăm so với phương pháp tiên tiến nhất trước đó, và cải thiện 135 phần trăm so với các mô hình thế giới đơn cấp.
Ý nghĩa
Nghiên cứu này thể hiện khả năng giúp robot lên kế hoạch dài hạn đồng thời giảm thiểu lỗi, ngay cả trong các môi trường phức tạp và mới lạ.Tóm tắt AI
Bài báo2026-10-29 · arXiv (Cornell University)

Nâng cao hiệu suất AI tiếp nhận tâm thần thông qua đào tạo trong môi trường mô phỏng

Training language models in simulation for psychiatric intake
Mark Chen và 55 người khác
Nội dung
Các nhà nghiên cứu đã chứng minh rằng các mô hình ngôn ngữ trải qua quá trình học tăng cường trong môi trường mô phỏng cải thiện đáng kể khả năng tiếp nhận ban đầu về tâm thần dựa trên văn bản có cấu trúc.
Kết quả chính
Trong các đánh giá có sự tham gia của các bác sĩ tâm thần, trí tuệ nhân tạo được đào tạo đã vượt trội hơn mô hình cơ sở ở nhiều chỉ số, bao gồm điểm số lâm sàng, giao tiếp tập trung vào bệnh nhân và tính thích hợp của chẩn đoán phân biệt.
Ý nghĩa
Điều này cho thấy môi trường mô phỏng có thể đóng vai trò là một bệ phóng thử nghiệm hữu ích để huấn luyện trí tuệ nhân tạo trò chuyện trong lĩnh vực tâm thần và xác minh tính an toàn của nó.Tóm tắt AI
Bài báo2026-10-28

Phát triển các mô hình AI hiệu suất cao có khả năng thực hiện các tác vụ phức tạp

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
Ashish Vaswani và 499 người khác
Nội dung
Các nhà nghiên cứu đã phát triển Nemotron 3.5 Super và Lightning, các mô hình AI mã nguồn mở phù hợp cho việc suy luận, hiểu ngữ cảnh dài và thực hiện tác vụ tự động.
Kết quả chính
Mô hình Super đạt 51.78% trong các đánh giá về kỹ thuật phần mềm trong khi sử dụng ít tham số kích hoạt hơn, vượt trội hơn các mô hình trước đây và thể hiện hiệu suất xử lý cao thông qua nhiều tối ưu hóa khác nhau.
Ý nghĩa
Nghiên cứu này chứng minh khả năng nâng cao đồng thời hiệu quả và hiệu suất của các mô hình quy mô lớn để chúng có thể được ứng dụng thực tế trong nhiều môi trường khác nhau.Tóm tắt AI
Bài báo2026-10-08 · Science

Tự động chứng minh các bài toán toán học chưa có lời giải bằng trí tuệ nhân tạo

Advancing mathematics research with AI-driven formal proof search
Pushmeet Kohli và 20 người khác
Nội dung
Chúng tôi đã phát triển một tác nhân trí tuệ nhân tạo tìm kiếm các chứng minh toán học quy mô lớn bằng cách tận dụng một ngôn ngữ mà trong đó trình biên dịch xác minh các bước chứng minh.
Kết quả chính
Tác nhân trí tuệ nhân tạo này đã giải quyết thành công một cách tự trị một số bài toán và phỏng đoán toán học chưa có lời giải.
Ý nghĩa
Nó cho thấy tiềm năng của trí tuệ nhân tạo trong việc thúc đẩy các khám phá toán học mang tính tự trị.Tóm tắt AI
Bài báo2026-10-07

Phát triển phương pháp dự đoán trước hiệu năng tác nhân lập trình của các mô hình AI cơ sở

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models
Ashish Vaswani và 21 người khác
Nội dung
Phát triển ba màn hình đánh giá tận dụng các đường dẫn thành công của các tác nhân lập trình đã qua huấn luyện hậu kỳ để đánh giá tiềm năng của các mô hình AI cơ sở.
Kết quả chính
Cả ba phương pháp đánh giá được phát triển đều dự đoán sát với hiệu năng thực tế các thứ hạng của nhóm mô hình mở.
Ý nghĩa
Đưa ra khả năng tận dụng các tiêu chuẩn đánh giá tác nhân lập trình trong tương lai cho việc đánh giá mô hình cơ sở.Tóm tắt AI
Bài báo2026-10-06 · arXiv (Cornell University)

Ky thuat Humanize nang cao do tin cay cua lap trinh tri tue nhan tao

Humanize: Judgement Engineering for Agentic Coding
Song Han và 8 người khác
Nội dung
Gioi thieu Humanize, mot quy trinh lam việc hop tac giua nhieu tri tue nhan tao ap dung cac quyet dinh ro rang, mang tinh co hoc giua cac giai doan lap ke hoach, trien khai va danh gia.
Kết quả chính
Tri tue nhan tao san xuat va tri tue nhan tao danh gia tu cac nha cung cap khac nhau da lam viec luon phiên, dat hieu suat cao trong viec giai quyet van de canh tranh va danh gia hieu suat.
Ý nghĩa
Chung minh rang cac danh gia doc lap giup phat hien loi trong qua trinh lap trinh duoc ho tro boi tri tue nhan tao.Tóm tắt AI
Bài báo2026-10-06 · arXiv (Cornell University)

Làm rõ mối quan hệ giữa khả năng kiểm soát môi trường và độ trung tâm cấu trúc trong tác nhân trí tuệ nhân tạo

The Geometry of Empowerment
Sergey Levine và 3 người khác
Nội dung
Các nhà nghiên cứu đã tiết lộ mối quan hệ giữa sự trao quyền, nghĩa là khả năng của tác nhân AI trong việc kiểm soát môi trường xung quanh, và độ trung tâm cấu trúc, yếu tố mang lại khả năng tiếp cận rộng rãi với các kết quả trong tương lai.
Kết quả chính
Đề xuất một cấu trúc hình học mới có thể giải thích và phân tích điều này bằng cách kết nối việc tối đa hóa sự trao quyền với các phương pháp học kỹ năng.
Ý nghĩa
Cung cấp những hàm ý lý thuyết cần thiết để xây dựng các phương pháp tối đa hóa sự trao quyền có khả năng mở rộng.Tóm tắt AI
Bài báo2026-10-06 · arXiv (Cornell University)

Phương pháp mới đánh giá khả năng tự cải thiện của các tác nhân AI thông qua trải nghiệm

Agent Plasticity: Measuring Self-Improvement Through Experience
Rob Fergus và 10 người khác
Nội dung
Giới thiệu khái niệm độ dẻo của tác nhân và nghiên cứu các phương pháp đánh giá để đo lường hiệu quả tự cải thiện của các tác nhân AI tự phát triển thông qua trải nghiệm.
Kết quả chính
Mặc dù có cơ hội học tập tương tự nhau, các mô hình tiên tiến nhất cho thấy sự khác biệt lớn trong quỹ đạo cải thiện của chúng, và tác nhân có hiệu suất cuối cùng tốt nhất không nhất thiết phải cải thiện hiệu quả nhất.
Ý nghĩa
Cho thấy rằng khi đánh giá tiềm năng của trí tuệ nhân tạo, điều quan trọng là không chỉ đo lường năng lực tại một thời điểm cố định mà còn phải đo lường mức độ cải thiện hiệu quả của chúng thông qua trải nghiệm.Tóm tắt AI
Bài báo2026-10-04 · arXiv (Cornell University)

Ra mắt AI 'SheetSage2' chuyển đổi âm nhạc thành bản nhạc

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
Yann LeCun và 6 người khác
Nội dung
Giới thiệu SheetSage2, một mô hình ký âm nhạc tích hợp giúp tự động chuyển đổi bản thu âm thanh thành bản nhạc (lead-sheet) mà con người có thể đọc được.
Kết quả chính
Mô hình đơn lẻ SheetSage2-AR đã vượt trội hơn các hệ thống hiện có được liệt kê ở 12 trong tổng số 15 cặp tiêu chuẩn và chỉ số đánh giá, cải thiện đáng kể so với phiên bản trước đó SheetSage1, và thậm chí vượt qua cả các mô hình chuyên biệt cho từng tác vụ ở một số tiêu chuẩn.
Ý nghĩa
Đây là nghiên cứu nâng cao độ chính xác của công nghệ ký âm, đồng thời trọng số mô hình và mã suy luận đã được công bố để phục vụ cho các nghiên cứu tiếp theo hoặc ứng dụng. Tuy nhiên, rất khó để đánh giá khả năng thương mại hóa hoặc quy mô thị trường chỉ dựa vào phần tóm tắt.Tóm tắt AI
Bài báo2026-10-04 · arXiv (Cornell University)

Đề xuất phương pháp nhiều tác nhân AI tích lũy công việc trong kho lưu trữ Git để giải quyết vấn đề

GitSwarm: Decentralized Compounding Inference
Rob Fergus và 13 người khác
Nội dung
Đã đề xuất và đánh giá GitSwarm, một hệ thống 'suy luận tích lũy' trong đó nhiều tác nhân AI giống nhau làm việc độc lập trong một kho lưu trữ Git được chia sẻ, liên tục lưu trữ, tham chiếu và kết hợp các kết quả trung gian.
Kết quả chính
Đã báo cáo giải quyết tất cả 30 bài toán chứng minh toán học trong một lần chạy, vượt qua đường cơ sở mạnh nhất dưới điều kiện ngân sách cố định (65.1 điểm) với trung bình 79.4 điểm trên tiêu chuẩn lập trình ProgramBench, đồng thời cải thiện các cấu trúc ban đầu thông qua các thí nghiệm lặp đi lặp lại qua ba nhiệm vụ cấu trúc mạng thần kinh.
Ý nghĩa
Cho thấy AI có thể tích lũy các thành tựu trung gian thay vì loại bỏ kết quả sau mỗi lần thử, tái sử dụng chúng cho các công việc tiếp theo, từ đó gợi ý một hướng đi cho việc giải quyết vấn đề dài hạn và thiết kế AI cho nghiên cứu khoa học. Tuy nhiên, vì đây là kết quả ở mức độ tóm tắt, rất khó để đánh giá tác động công nghiệp thực tế chỉ từ tài liệu này.Tóm tắt AI
Bài báo2026-10-01 · arXiv (Cornell University)

VISTA: Nghiên cứu cải thiện hiệu suất của tác nhân AI đa phương thức bằng bộ nhớ trực quan

VISTA: A Visual Harness for Reasoning in an Interactive World
Kaiming He và 4 người khác
Nội dung
Các nhà nghiên cứu đã đề xuất 'VISTA', một bộ khung trực quan (visual harness) được thiết kế để giúp các mô hình AI đa phương thức xử lý cả hình ảnh và văn bản giải quyết các nhiệm vụ tốt hơn trong môi trường trực quan tương tác.
Kết quả chính
Họ báo cáo rằng việc áp dụng VISTA trên ARC-AGI-3 đã nâng điểm hiệu quả hành động của con người so với chuẩn từ 40.68 lên 100.00, hoàn thành tất cả 25 trò chơi công khai với số hành động ít hơn 57.4% so với con người tham gia ban đầu.
Ý nghĩa
Điều này cho thấy việc bổ sung các chức năng bộ nhớ trực quan và truy xuất vào các mô hình hiện có mang lại hiệu quả trong các tác nhân trò chơi trực quan cụ thể. Tuy nhiên, vì phần tóm tắt chỉ đưa ra một số kết quả đánh giá chuẩn, nên chưa thể kết luận rằng nó có thể được áp dụng rộng rãi trong các môi trường công nghiệp thực tế.Tóm tắt AI
Bài báo2026-10-01 · arXiv (Cornell University)

Khung RPG giúp robot tự nâng cao năng lực thông qua luyện tập mô phỏng

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
Pieter Abbeel và 9 người khác
Nội dung
Đề xuất một khung RPG giúp cải thiện hệ thống tác vụ của robot một cách tự động mà không cần sự can thiệp bổ sung của con người.
Kết quả chính
Trong các bài kiểm tra điều kiện ban đầu mới trên 22 tác vụ thao tác, tỷ lệ thành công đã tăng từ 28,6% sau lần luyện tập đầu tiên lên 95,0% sau 15 vòng, và cả 30 lượt thử nghiệm trên robot thực tế đều thành công.
Ý nghĩa
Nghiên cứu này cho thấy tiềm năng cải thiện phần mềm điều khiển robot với ít nỗ lực của con người hơn, mặc dù mức độ ứng dụng thực tế trong công nghiệp hoặc thương mại hóa rất khó đánh giá chỉ dựa vào phần tóm tắt.Tóm tắt AI
Bài báo2026-10-01 · arXiv (Cornell University)

Bộ chuẩn đánh giá 'tìm kiếm bài báo truyền cảm hứng' do 184 nhà nghiên cứu tạo ra

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research
Chelsea Finn và 13 người khác
Nội dung
Chúng tôi đã tạo ra ScholarCatalyst, một tập dữ liệu trong đó các tác giả chính của 207 bài báo khoa học máy tính gần đây đã chỉ ra những bài báo trước đó thực sự giúp ích cho nghiên cứu của họ, đồng thời đưa ra một nhiệm vụ truy xuất để tìm ra chúng.
Kết quả chính
Tìm kiếm theo tác tử (AI tự lặp lại các tác vụ để thực hiện nhiệm vụ) không cho thấy hiệu suất tốt hơn các phương pháp tìm kiếm cơ bản (độ thu hồi 0,42 so với 0,48 dựa trên 20 kết quả hàng đầu). Các tác tử dựa trên Claude Fable 5.1 chỉ đạt 0,51.
Ý nghĩa
Điều này cho thấy AI hiện tại vẫn thiếu trực giác chuyên môn cần thiết để nhận ra các ý tưởng tiền đề cần thiết từ lượng tài liệu nghiên cứu khổng lồ, chỉ ra nhu cầu về các phương pháp huấn luyện mới. Mặc dù điều này có thể được xem là một bước tiến cho AI hỗ trợ nghiên cứu khoa học, nhưng hiệu quả thương mại hóa thực tế hoặc tác động công nghiệp không thể được xác nhận từ phần tóm tắt.Tóm tắt AI
Bài báo2026-09-29 · arXiv (Cornell University)

De xuat kythuat sieu ly luan giup tac nhan AI xac dinh 'cach tien hành' truoc khi thuc hien nhiem vu

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
Rob Fergus và 11 người khác
Nội dung
De xuat phuong phap 'sieu ly luan tac nhan' (agentic meta-reasoning) xu ly co he thong cac quyet dinh dieu khien thuc thi nhu tai su dung ket qua nhiem vu truoc do bao nhieu, co nen bat dau lai tu dau khong, va khi nao thi dung lai, danh cho cac tac nhan AI thuc hien nhiem vu dai.
Kết quả chính
Tren chuan danh gia tai cau truc chuong trinh ProgramBench, phien ban dua tren GPT-5.5 dat 71.5%, cao hon muc 58.0% cua Codex, va phien ban dua tren Opus 4.8 dat 67.2%, cao hon muc 65.5% cua Claude Code.
Ý nghĩa
Theo ban tom tat, dieu nay cho thay khi cac tac nhan thuc hien nhiem vu dai hon, viec phan bo tai nguyen tinh toan cho dieu khien thuc thi co cau truc co the tro nen quan trong hon. Tuy nhien, vi cac ket qua trong ban tom tat duoc thu thap duoi cac chuan danh gia va dieu kien thuc nghiem cu the, that kho de ket luan rang chung chuyen hoa truc tiep thanh hieu suat san pham thuc te.Tóm tắt AI
Bài báo2026-09-28 · arXiv (Cornell University)

DexAgent tự động tạo dữ liệu huấn luyện chuyển động bàn tay robot từ video mô phỏng của con người

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
Fei-Fei Li và 4 người khác
Nội dung
Chúng tôi đề xuất một framework dạng tác nhân nhận một video góc nhìn thứ nhất của con người và một mô tả tác vụ để tạo ra các quỹ đạo chuyển động robot khả thi về mặt vật lý, từ đó tạo ra dữ liệu phục vụ việc học cho robot.
Kết quả chính
Các chính sách được huấn luyện bằng dữ liệu do DexAgent tạo ra trên 11 tác vụ trong môi trường thực tế cho thấy tỷ lệ thành công cao hơn 3.5 lần so với các phương pháp chuẩn đối chứng.
Ý nghĩa
Nó cho thấy tiềm năng tự động hóa quá trình chuyển đổi video mô phỏng của con người thành dữ liệu học tập cho robot, mặc dù khó có thể đánh giá mức độ ứng dụng công nghiệp hoặc thời điểm thương mại hóa chỉ dựa vào phần tóm tắt.Tóm tắt AI
Bài báo2026-06-10 · arXiv.org

Phát triển phương pháp đánh giá nhằm xác định chính xác lỗi trong các tác nhân AI

Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness
Alexandr Wang và 2 người khác
Nội dung
Các nhà nghiên cứu đã phát triển một hệ thống đánh giá chia cấu trúc của các tác nhân AI thành nhiều lớp để kiểm tra lỗi độc lập và nhanh chóng ở từng lớp.
Kết quả chính
Họ xác định rằng ngay cả khi tỷ lệ thành công tổng thể hầu như không thay đổi, điểm số của một lớp cụ thể gặp sự cố lại giảm mạnh, cho phép xác định chính xác nguyên nhân gốc rễ.
Ý nghĩa
Điều này có thể góp phần nâng cao tính ổn định của các hệ thống AI và nhanh chóng tìm ra nguyên nhân khi xảy ra sự cố.Tóm tắt AI
Bài báo2026-06-09 · arXiv.org

Phân tích hạn chế trong việc đánh giá tác nhân hội thoại của giám khảo LLM

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents
Alexandr Wang và 2 người khác
Nội dung
Sử dụng các tác nhân hội thoại đặt món ăn đang hoạt động thực tế, chúng tôi đo lường mức độ hiệu quả của các giám khảo dựa trên mô hình ngôn ngữ lớn trong việc phát hiện các lỗi thực tế so với việc kiểm tra toàn diện bởi con người.
Kết quả chính
Các giám khảo LLM không thể tìm ra thậm chí một phần tư các vấn đề có hệ thống được xác định bởi con người, và trong một số lô nhất định, chúng ghi nhận số lượng phát hiện bằng không.
Ý nghĩa
Điều này cho thấy các phương pháp đánh giá tự động chỉ đóng vai trò là mức cơ sở tối thiểu và không thể thay thế hoàn toàn việc xem xét của con người.Tóm tắt AI
Bài báo2026-05-06 · arXiv.org

Phát triển nền tảng đánh giá rủi ro bảo mật của tác nhân trí tuệ nhân tạo

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents
Percy Liang và 16 người khác
Nội dung
Đã phát triển một nền tảng và các công cụ tấn công tự động để đánh giá rủi ro bảo mật của các tác nhân trí tuệ nhân tạo trong nhiều môi trường thực tế khác nhau.
Kết quả chính
Qua đó, phát hiện ra các mẫu lỗ hổng hệ thống của nhiều tác nhân trí tuệ nhân tạo khác nhau và cung cấp những hiểu biết sâu sắc về bảo mật.
Ý nghĩa
Có thể được sử dụng làm tài liệu cơ ở hữu ích để phát triển các tác nhân trí tuệ nhân tạo an toàn thế hệ tiếp theo.Tóm tắt AI

Nhân vật

Vì sao nên theo dõi biến động và bài báo của lãnh đạo AI?

Trong ngành AI, con người chính là công nghệ. Việc một nhà nghiên cứu chủ chốt gia nhập công ty nào hay thành lập phòng lab nào thường dẫn đến sản phẩm, vòng gọi vốn và thương vụ M&A vài tháng sau. Trang này theo dõi biến động nhân sự tại các phòng lab tiên phong, phòng lab mới, giới học thuật, chip AI và các nhân vật ở Hàn Quốc, Trung Quốc.

Bài báo cho thấy một người đang tập trung vào điều gì. Chúng tôi phân loại bài báo vào 10 lĩnh vực gắn với đầu tư như HBM & bộ nhớ, GPU & bộ tăng tốc, hiệu quả suy luận, agent và robot, kèm tóm tắt ba dòng — nội dung, kết quả chính, ý nghĩa — dựa trên phần tóm tắt, cùng liên kết bản gốc và PDF. Đây là thông tin để tìm ý tưởng, không phải khuyến nghị mua bán chứng khoán.

Câu hỏi thường gặp

H. Theo dõi những ai?

Các nhà nghiên cứu và lãnh đạo chủ chốt tại phòng lab tiên phong (OpenAI, Google DeepMind, Anthropic, Meta…), phòng lab mới, giới học thuật, công ty chip AI, cùng nhân vật ở Hàn Quốc và Trung Quốc. Lãnh đạo ít công bố bài báo chỉ được theo dõi biến động nhân sự.

H. Dữ liệu lấy từ đâu và cập nhật bao lâu một lần?

Bài báo lấy từ Semantic Scholar và arXiv, lý lịch từ Wikidata (CC0) cùng thông báo chính thức và báo chí, được thu thập tự động mỗi ngày. Chỉ những mục đã được biên tập viên kiểm tra và duyệt mới được công bố.

H. Ai viết bản tóm tắt bài báo?

AI (Google Gemini) viết bản nháp dựa trên phần tóm tắt của bài báo, biên tập viên kiểm tra trước khi đăng. Các ngôn ngữ khác là bản AI dịch từ bản tóm tắt tiếng Hàn đã kiểm tra. Hãy luôn xác nhận số liệu và bối cảnh trong bản gốc.

Trang này tổng hợp các bài báo đã công bố, thông báo chính thức và tin báo chí chỉ nhằm mục đích cung cấp thông tin. Tóm tắt do AI viết dựa trên phần tóm tắt của bài báo và được biên tập viên kiểm tra; có thể khác bản gốc, vì vậy hãy kiểm tra bản gốc cho các nội dung quan trọng. Đây không phải khuyến nghị mua bán chứng khoán hay tư vấn đầu tư. Biến động nhân sự ghi nguồn từ thông báo chính thức hoặc báo chí lớn; một phần lý lịch tham khảo Wikidata (CC0). Các bản tóm tắt trên trang này được AI dịch từ bản tiếng Hàn đã được biên tập viên kiểm tra.

🐩 Ủng hộ tiền ăn vặt cho Kobong
코봉이
Nếu trang này hữu ích với bạn, sự ủng hộ tiền ăn vặt cho Kobong cũng được chào đón 🦴
💬 Bình luận cộng đồng
Biệt danh ẩn danh dựa trên IP · Có thể bị xử lý nếu chửi bậy/spam
Đang tải...