10 paper AI nổi bật nhất trên Hugging Face hôm nay: từ video thời gian thực đến tác tử chủ động
Hôm nay, bảng xếp hạng Hugging Face cho thấy một bức tranh khá rõ về hướng đi của AI hiện tại: video, agent, robotics, benchmark đánh giá thực chất, và AI cho khoa học đang nổi lên rất mạnh. Trong bài viết này, mình sẽ điểm qua 10 paper được upvote cao nhất, tập trung vào 4 câu hỏi cho mỗi paper:
- Bài toán là gì?
- Ý tưởng chính là gì?
- Điểm mới nằm ở đâu?
- Ứng dụng thực tế là gì?
1) Vidu S1: A Real-Time Interactive Video Generation Model
Paper: 2607.03118
GitHub: https://github.com/shengshu-ai/Vidu-S1
Bài toán
Phần lớn mô hình tạo video hiện nay vẫn bị hạn chế ở 3 điểm: độ trễ cao, độ dài video ngắn, và khó tương tác thời gian thực. Nếu muốn làm nhân vật ảo có thể phản hồi theo giọng nói hoặc phát sóng trực tiếp, các hệ thống cũ thường không đủ nhanh.
Ý tưởng
Vidu S1 xây dựng một mô hình sinh video thời gian thực, có thể điều khiển bằng giọng nói, tạo chuyển động cho digital character, đồng thời hỗ trợ video dài gần như không giới hạn. Hệ thống dựa trên các thành phần tối ưu hoá như TurboDiffusion và TurboServe để đẩy tốc độ sinh video lên cao ngay cả trên phần cứng phổ thông.
Điểm mới
Điểm đáng chú ý nhất là paper không chỉ cố tăng chất lượng video, mà hướng thẳng tới interactive generation — tức mô hình phải vừa đẹp, vừa phản hồi đủ nhanh để dùng thật. Đây là khác biệt lớn so với các demo video generation “đẹp nhưng chậm”.
Ứng dụng thực tế
- VTuber, MC ảo, nhân vật game tương tác trực tiếp
- Trợ lý ảo có khuôn mặt và biểu cảm theo giọng nói
- Livestream avatar trên GPU consumer
- Giáo dục, chăm sóc khách hàng, giải trí số
2) SciReasoner: Deep Native Structural Reasoning for Science
Paper: 2607.07708
GitHub: https://github.com/SpectrAI-Initiative/SciReasoner
Bài toán
Trong khoa học vật liệu, hoá học và sinh học, dữ liệu thường có bản chất cấu trúc: protein có cấu trúc 3D, phân tử có liên kết, tinh thể có mạng tinh thể. Bài toán là làm sao xây dựng một mô hình thống nhất có thể suy luận trên nhiều loại cấu trúc khác nhau, đồng thời giải thích được.
Ý tưởng
SciReasoner biến các thành phần cấu trúc thành một “từ vựng chung”, từ đó dùng một mô hình nền tảng đa phương thức để học và suy luận xuyên lĩnh vực: protein, molecule, crystal. Thay vì coi mỗi miền là một bài toán riêng biệt, paper tìm cách đưa chúng về cùng một ngôn ngữ biểu diễn.
Điểm mới
Điểm mới lớn là khả năng liên ngành và minh bạch hơn trong suy luận. Mô hình không chỉ dự đoán kết quả mà còn tạo ra các reasoning traces — dấu vết suy luận — giúp chuyên gia hiểu mô hình đã dựa vào cấu trúc nào để kết luận.
Ứng dụng thực tế
- Dự đoán tính chất vật liệu mới
- Thiết kế thuốc, protein engineering
- Gợi ý phản ứng tổng hợp trong hoá học
- Công cụ AI hỗ trợ nhà khoa học với khả năng giải thích tốt hơn
3) Video-Oasis: Rethinking Evaluation of Video Understanding
Paper: 2603.29616
GitHub: https://github.com/sejong-rcv/Video-Oasis
Bài toán
Rất nhiều benchmark “video understanding” hiện nay thực ra không đo được năng lực hiểu video. Một mô hình có thể trả lời đúng nhờ text bias, kiến thức nền, hoặc mẹo ngôn ngữ mà không cần nhìn kỹ nội dung hình ảnh.
Ý tưởng
Video-Oasis đưa ra một bộ công cụ chẩn đoán để kiểm tra benchmark và mô hình video: câu hỏi nào thật sự cần tín hiệu hình ảnh, câu nào có thể giải bằng priors ngôn ngữ, câu nào đòi hỏi perception hay reasoning.
Điểm mới
Paper chỉ ra một phát hiện rất đáng suy nghĩ: khoảng một nửa benchmark video hiện có có thể được giải mà gần như không cần input hình ảnh. Đây là một lời cảnh báo mạnh cho cộng đồng: nếu benchmark sai, thì tiến bộ đo được cũng có thể là ảo.
Ứng dụng thực tế
- Thiết kế benchmark video tốt hơn
- Đánh giá khách quan hơn các Video-LLM
- Giúp doanh nghiệp chọn mô hình thật sự có năng lực perception
- Tránh tối ưu sai mục tiêu trong nghiên cứu
4) LaMem-VLA: Dual Latent Memory in Vision-Language-Action Models
Paper: 2607.07608
GitHub: https://github.com/quhongyu/LaMem-VLA
Bài toán
Nhiều mô hình VLA cho robot vẫn giả định môi trường mang tính Markov: chỉ cần nhìn trạng thái hiện tại là đủ ra quyết định. Nhưng trong thao tác thực tế, robot cần ghi nhớ lịch sử, ví dụ đã thử mở ngăn kéo chưa, đã đặt vật ở đâu, hay lần trước vật thể phản ứng thế nào.
Ý tưởng
LaMem-VLA đưa bộ nhớ trực tiếp vào không gian latent của VLA
Top comments (0)