DEV Community

Y Hành Nhan
Y Hành Nhan

Posted on

Top AI Papers on Hugging Face - 2026-07-13

#ai #machinelearning #huggingface

10 paper AI nổi bật nhất trên Hugging Face hôm nay: video thời gian thực, benchmark agent dài hạn, và làn sóng “reasoning” mới

Mỗi ngày, danh sách paper được upvote cao trên Hugging Face thường cho thấy khá rõ cộng đồng AI đang quan tâm điều gì. Hôm nay, bức tranh nổi bật xoay quanh 4 cụm lớn:

  • Video generation và video understanding bùng nổ mạnh
  • Agent benchmark ngày càng thực tế hơn, dài hạn hơn
  • Scientific reasoning bắt đầu được đóng gói thành benchmark/foundation model
  • Compositional generalization vẫn là điểm yếu cố hữu của mô hình hiện tại

Dưới đây là phần tóm lược 10 paper nổi bật nhất, theo hướng dễ đọc nhưng vẫn giữ trọng tâm: bài toán, ý tưởng, điểm mới và ứng dụng thực tế.

1) Vidu S1: A Real-Time Interactive Video Generation Model

Bài toán

Phần lớn mô hình sinh video hiện nay tạo ra video chất lượng tốt nhưng chậm, khó tương tác thời gian thực. Điều này làm hạn chế các ứng dụng như avatar nói chuyện trực tiếp, nhân vật số phản hồi theo giọng nói, hay livestream AI.

Ý tưởng

Vidu S1 hướng tới video generation tương tác thời gian thực. Hệ thống kết hợp tối ưu ở cả hai tầng:

  • TurboDiffusion để tăng tốc suy luận của mô hình sinh video
  • TurboServe để phục vụ inference hiệu quả trên phần cứng phổ thông

Mục tiêu là cho phép người dùng điều khiển nhân vật số bằng giọng nói, với video đầu ra dài, mượt và liên tục.

Điểm mới

Điểm đáng chú ý nhất là Vidu S1 không chỉ nói về “faster generation”, mà nhắm đến real-time interactive generation thực thụ:

  • tốc độ khung hình cao
  • hỗ trợ infinite-length output
  • chạy được trên consumer GPUs

Đây là khác biệt quan trọng so với nhiều demo video diffusion vốn đẹp nhưng còn xa khả năng tương tác thật.

Ứng dụng thực tế

  • MC/host ảo cho livestream
  • avatar chăm sóc khách hàng
  • nhân vật số trong game, giáo dục, giải trí
  • trợ lý ảo có biểu cảm theo giọng nói

Nếu hệ thống đủ ổn định, đây có thể là một bước tiến thực tế hơn nhiều so với các demo text-to-video truyền thống.

2) SciReasoner: Deep Native Structural Reasoning for Science

Bài toán

Trong sinh học, hóa học và khoa học vật liệu, dữ liệu cốt lõi thường có dạng cấu trúc: protein, phân tử, tinh thể. Nhiều mô hình hiện nay dự đoán tốt nhưng thiếu tính giải thích, khó đưa ra “lý do khoa học” đằng sau kết quả.

Ý tưởng

SciReasoner xây dựng một multimodal scientific foundation model có khả năng suy luận trực tiếp trên cấu trúc. Cốt lõi là chuyển các thành phần cấu trúc thành một vocabulary thống nhất, giúp mô hình làm việc xuyên miền:

  • protein
  • molecule
  • crystal

Nhờ vậy, mô hình không chỉ dự đoán mà còn sinh ra reasoning traces có thể kiểm tra.

Điểm mới

Điểm mới nằm ở tư duy “deep native structural reasoning”:

  • dùng cấu trúc như ngôn ngữ bản địa của bài toán khoa học
  • thống nhất nhiều loại thực thể khoa học trong cùng một biểu diễn
  • nhấn mạnh minh bạch và khả năng diễn giải

Khác với các hệ chỉ tối ưu accuracy, SciReasoner muốn trả lời: “vì sao tính chất này xuất hiện?”

Ứng dụng thực tế

  • dự đoán chức năng protein
  • hỗ trợ retrosynthesis trong hóa học
  • phân tích vật liệu có band-gap mục tiêu
  • công cụ AI hỗ trợ nhà khoa học khám phá giả thuyết mới

Đây là hướng rất đáng chú ý vì AI cho khoa học đang dịch chuyển từ “predictor” sang “reasoning collaborator”.

3) Video-Oasis: Rethinking Evaluation of Video Understanding

Bài toán

Rất nhiều benchmark video hiện nay được dùng để chứng minh rằng mô hình “hiểu video”. Nhưng một câu hỏi khó chịu là: liệu chúng thực sự hiểu hình ảnh-chuyển động, hay chỉ dựa vào text, priors và mẹo benchmark?

Ý tưởng

Video-Oasis tạo ra một bộ diagnostics để kiểm tra xem benchmark video có thực sự đòi hỏi tín hiệu thị giác hay không. Kết quả khá sốc: khoảng một nửa benchmark hiện có có thể giải được mà không cần input hình ảnh.

Điểm mới

Điểm mới không phải là mô hình mới, mà là phê bình hệ thống đánh giá:

  • tách bạch vai trò của thị giác, ngôn ngữ, kiến thức nền
  • đo “video-native challenges” thay vì chỉ đo QA tổng quát
  • chỉ ra benchmark leakage ở cấp độ thiết kế

Nói cách khác, paper này nhắc cộng đồng rằng nhiều điểm số cao có thể đang phóng đại năng lực video understanding thật sự.

Ứng dụng thực tế

  • thiết kế benchmark tốt hơn cho Video-LLM
  • giúp lab và công ty đánh giá mô hình công bằng hơn
  • tránh đầu tư sai hướng do metric ảo

Đây là dạng paper rất quan trọng vì benchmark xấu thường dẫn cả lĩnh vực đi sai.

4) RCORE: Why Can't I Open My Drawer?

Bài toán

Trong zero-shot compositional action recognition, mô hình cần nhận diện các tổ hợp động từ–đối tượng chưa từng thấy, ví dụ “open drawer” dù chỉ từng học “open door” và “close drawer”. Vấn đề là mô hình hay dựa vào shortcut từ object, tức thấy “drawer” thì đoán theo mẫu quen thuộc thay vì hiểu hành động.

Ý tưởng

RCORE giảm các shortcut này bằng hai regularization:

  • co-occurrence prior regularization: giảm lệ thuộc vào thống kê đồng xuất hiện
  • temporal order regularization: tận dụng thứ tự thời gian của hành động

Mục tiêu là ép mô hình học đúng quan hệ giữa verb và object, thay vì học mẹo.

Điểm mới

Paper chỉ ra rõ một bất đối xứng thú vị: mô hình thường học object tốt hơn verb. Từ đó nhóm tác giả thiết kế cơ chế sửa lệch này thay vì chỉ thêm dữ liệu.

Ứng dụng thực tế

  • hiểu hành động trong robot vision
  • giám sát video thông minh
  • hỗ trợ video retrieval theo hành động mới
  • cải thiện khả năng tổng quát hóa của embodied AI

Đây là bài tiêu biểu cho xu hướng chống shortcut learning trong thị giác máy tính.

5) Long-Horizon-Terminal-Bench

Bài toán

Các coding/terminal agents hiện đã giải được nhiều tác vụ ngắn. Nhưng khi tác vụ kéo dài hàng chục bước, có phụ thuộc giữa các giai đoạn, cần sửa lỗi và thích nghi liên tục, hiệu năng thường giảm rất mạnh.

Ý tưởng

Long-Horizon-Terminal-Bench được xây dựng để đẩy agent vào các tác vụ terminal dài hạn, với cơ chế dense reward-based grading thay vì chấm đúng/sai cuối cùng.

Điểm mới

Điểm mới là benchmark này đánh giá:

  • tiến trình từng bước
  • khả năng duy trì ngữ cảnh dài
  • sửa lỗi trong môi trường terminal thật
  • hiệu quả trên chuỗi thao tác phức tạp

Nó gần hơn với thực tế DevOps, data engineering, hoặc software maintenance so với các benchmark coding ngắn.

Ứng dụng thực tế

  • đánh giá coding agents trong môi trường shell
  • huấn luyện agent thao tác hạ tầng
  • tối ưu AI assistant cho developer workflows

Với làn sóng “AI engineer”, các benchmark kiểu này sẽ ngày càng quan trọng.

6) Ideas Have Genomes

Bài toán

LLM hiện có thể sinh “ý tưởng nghiên cứu”, nhưng rất khó đánh giá xem ý tưởng đó có thực sự mới, có nền tảng từ các công trình trước, hay có hiểu được dòng tiến hóa tri thức hay không.

Ý tưởng

Paper đưa ra khung Idea Genome: xem ý tưởng khoa học như có “gen”, có nguồn gốc, đột biến và lai ghép. Từ đó xây benchmark cho:

  • lineage reasoning: truy vết nguồn gốc ý tưởng
  • lineage-grounded generation: sinh ý tưởng dựa trên phả hệ tri thức

Điểm mới

Thay vì đánh giá idea generation theo cảm tính, paper đưa ra cấu trúc gần như “di truyền học cho ý tưởng”:

  • GenomeDiff
  • IG-Bench, IG-Exam, IG-Arena
  • Population-Evolution Score

Đây là nỗ lực thú vị để biến “AI scientist” thành bài toán đo lường được.

Ứng dụng thực tế

  • hỗ trợ tổng quan tài liệu
  • phát hiện khoảng trống nghiên cứu
  • gợi ý hướng nghiên cứu mới có căn cứ
  • công cụ hỗ trợ R&D trong doanh nghiệp và học thuật

7) Scalable Visual Pretraining for Language Intelligence

  • Paper: 2607.09657

Bài toán

Các mô hình ngôn ngữ ngày càng mạnh, nhưng câu hỏi còn bỏ ngỏ là: thị giác đóng góp gì cho language intelligence? Có thể tiền huấn luyện thị giác ở quy mô lớn giúp năng lực ngôn ngữ hoặc suy luận của mô hình tốt hơn không?

Ý tưởng

Dù chưa có nhiều metadata công khai trong danh sách này, ngay từ tiêu đề có thể thấy paper theo đuổi hướng visual pretraining ở quy mô lớn để nâng năng lực ngôn ngữ.

Điểm mới

Nếu đúng như tiêu đề gợi ý, điểm mới có thể nằm ở việc xem thị giác không chỉ là modality phụ, mà là nền tảng để hình thành semantic grounding cho mô hình ngôn ngữ.

Ứng dụng thực tế

  • cải thiện MLLM
  • grounding tốt hơn cho tác vụ hỏi đáp đa phương thức
  • hỗ trợ agent cần liên kết ngôn ngữ với thế giới trực quan

Đây là paper nên theo dõi vì nó chạm đúng tranh luận lớn: liệu “seeing helps thinking” đến mức nào?

8) UniClawBench: A Universal Benchmark for Proactive Agents

Bài toán

Nhiều benchmark agent hiện mới đánh giá agent phản ứng theo lệnh. Nhưng trong đời thực, agent giỏi cần chủ động: biết đề xuất, khám phá, phối hợp công cụ và xử lý môi trường động.

Ý tưởng

UniClawBench xây dựng benchmark cho proactive agents trong môi trường thật

Top comments (0)