Y Hành Nhan

Posted on Jul 17

Top AI Papers on Hugging Face - 2026-07-17

#ai #machinelearning #huggingface

10 paper AI hot nhất trên Hugging Face hôm nay: agent, multimodal, coding, video và guardrails đang đi về đâu?

Hôm nay, bảng xếp hạng paper được upvote cao trên Hugging Face cho thấy một bức tranh rất rõ: AI đang dịch chuyển mạnh từ mô hình “trả lời tốt” sang hệ thống “hành động tốt”. Các chủ đề nổi bật gồm:

Agent framework và agent RL
Multimodal understanding/generation
Coding foundation models
Video MLLM
OCR và GUI agent
Safety/guardrails thích nghi theo chính sách

Dưới đây là phần phân tích 10 paper nổi bật, tập trung vào 4 câu hỏi cho mỗi paper:

Bài toán
Ý tưởng
Điểm mới
Ứng dụng thực tế

1) Harness Handbook: Making Evolving Agent Harnesses Readable, Navigable, and Editable

Paper: 2607.13285

Project: https://ruhan-wang.github.io/Harness-Handbook/

Bài toán

Khi xây dựng các agent phức tạp, phần khó không chỉ là model mà còn là “harness”: tập hợp prompt, tool definitions, workflow, state, memory, control logic, evaluation hooks… Theo thời gian, harness của agent thường phình to, khó đọc, khó sửa và khó debug.

Ý tưởng

Paper này dường như tập trung vào việc biến harness từ một “mớ cấu hình” thành một artifact có cấu trúc, giúp con người:

đọc được,
điều hướng được,
chỉnh sửa được,
và theo dõi được sự tiến hóa của agent.

Nói đơn giản, đây là hướng tiếp cận kiểu “software engineering for agents”.

Điểm mới

Điểm đáng chú ý nằm ở việc coi harness là đối tượng thiết kế trung tâm, thay vì chỉ xem nó như phần phụ của model. Nếu làm tốt, framework/hướng dẫn này có thể giúp:

tách các thành phần prompt/tool/planning,
mô hình hóa dependency rõ ràng,
hỗ trợ chỉnh sửa cục bộ mà không phá toàn hệ thống.

Ứng dụng thực tế

Rất hữu ích cho:

team xây customer support agent,
research agent,
coding agent,
hoặc bất kỳ agent nào có workflow dài và nhiều tool.

Nếu agent là “sản phẩm”, thì harness là mã nguồn vận hành thực tế của sản phẩm đó.

2) Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation

Paper: 2607.13125

GitHub: https://github.com/boogu-project/Boogu-Image

Project: https://boogu.org/

Bài toán

Open-source multimodal thường bị chia đôi:

hoặc mạnh về understanding (captioning, VQA, reasoning),
hoặc mạnh về generation (text-to-image, editing).

Rất ít mô hình làm tốt cả hai trong một kiến trúc thống nhất.

Ý tưởng

Boogu-Image-0.1 hướng tới một mô hình unified multimodal: cùng một nền tảng có thể vừa hiểu ảnh vừa sinh/chỉnh sửa ảnh.

Điểm mới

Điểm mới lớn nhất là tham vọng hợp nhất understanding và generation trong open source. Đây là hướng rất quan trọng vì tương lai của multimodal AI không chỉ là “nhìn rồi trả lời”, mà còn là:

nhìn để sửa,
nhìn để tạo tiếp,
nhìn để lập kế hoạch trên không gian hình ảnh.

Khả năng “hai chiều” này giúp mô hình gần hơn với dạng general-purpose visual intelligence.

Ứng dụng thực tế

trợ lý thiết kế,
e-commerce image editing,
social content generation,
visual co-pilot cho marketing,
trợ lý học tập có thể vừa giải thích ảnh vừa minh họa lại bằng ảnh mới.

3) Function-Aware Fill-in-the-Middle as Mid-Training for Coding Agent Foundation Models

Paper: 2607.12463

GitHub: https://github.com/TIGER-AI-Lab/FIM-Midtraining

Project: https://huggingface.co/collections/TIGER-Lab/fim-midtraining

Bài toán

Coding agent hiện đại không chỉ sinh code từ đầu; chúng thường:

sửa một hàm trong file lớn,
chèn đoạn code vào giữa context có sẵn,
refactor cục bộ mà không làm hỏng phần còn lại.

Training kiểu next-token thông thường chưa phản ánh tốt nhu cầu này.

Ý tưởng

Paper sử dụng Fill-in-the-Middle (FIM) ở giai đoạn mid-training, đồng thời làm nó function-aware. Tức là mô hình được huấn luyện để hiểu cấu trúc hàm và học cách điền/chỉnh sửa code trong bối cảnh thực tế hơn.

Điểm mới

Có hai điểm mới quan trọng:

FIM không chỉ là pretraining trick, mà trở thành chiến lược huấn luyện trung gian cho coding agents.
Function-aware giúp mô hình hiểu ranh giới và ngữ nghĩa của đơn vị code, thay vì chèn token một cách mù mờ.

Ứng dụng thực tế

Rất thiết thực cho:

IDE copilots,
agent sửa bug,
agent viết patch,
code review assistant,
hệ thống tự động mở PR.

Nếu xu hướng coding agent tiếp tục tăng, các kỹ thuật như paper này có thể trở thành nền móng huấn luyện chuẩn.

4) VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding

Paper: 2607.14935

GitHub: https://github.com/MCG-NJU/VideoChat3

Project: https://mcg-nju.github.io/VideoChat3

Bài toán

Video understanding khó hơn ảnh rất nhiều vì phải xử lý:

thời gian,
chuyển động,
quan hệ dài hạn giữa các frame,
chi phí tính toán cực cao.

Nhiều model video MLLM tốt nhưng chưa đủ mở, hoặc chưa đủ hiệu quả để triển khai rộng.

Ý tưởng

VideoChat3 hướng tới một video MLLM fully open, vừa hiệu quả vừa đủ tổng quát cho nhiều tác vụ video understanding.

Điểm mới

Điểm mạnh ở đây là sự kết hợp:

mở hoàn toàn,
tối ưu hiệu năng/chi phí,
generalist thay vì chỉ nhắm vào một benchmark đơn lẻ.

Nếu kiến trúc đủ tốt, đây có thể là bước quan trọng để cộng đồng có nền tảng video open-source thực sự cạnh tranh.

Ứng dụng thực tế

phân tích camera giám sát,
tóm tắt video họp,
hỏi đáp video học tập,
moderation nội dung video,
indexing và search video nội bộ doanh nghiệp.

Trong dài hạn, video MLLM còn là mảnh ghép cực quan trọng cho robotics và world models.

5) Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning

Paper: 2607.12395

Bài toán

Một trong những câu hỏi lớn nhất hiện nay là: liệu reasoning có thể “nổi lên” chỉ bằng RL quy mô lớn, không cần supervision dày đặc? Đồng thời, việc scale RL lên mô hình cực lớn vẫn là bài toán khó về ổn định huấn luyện và hiệu quả.

Ý tưởng

Ring-Zero có vẻ khám phá hướng Zero RL ở quy mô cực lớn, lên tới trillion parameters, nhằm quan sát sự xuất hiện của năng lực reasoning.

Điểm mới

Điểm mới nổi bật nhất là quy mô và giả thuyết rằng reasoning emergent có thể đến từ RL nếu scale đủ lớn và thiết kế đúng. Đây là paper rất “frontier” vì nó chạm vào câu hỏi nền tảng của AGI research:

reasoning là do dữ liệu gán nhãn,
hay do tối ưu hóa đúng mục tiêu ở quy mô đủ lớn?

Ứng dụng thực tế

Ngắn hạn, ứng dụng có thể chưa trực tiếp. Nhưng về dài hạn, nếu hướng này hiệu quả, nó sẽ tác động mạnh tới:

mô hình suy luận tổng quát,
agent tự học,
hệ thống tối ưu hóa quyết định trong môi trường phức tạp.

Đây là paper đáng theo dõi ở góc độ định hình triết lý huấn luyện thế hệ model tiếp theo.

6) SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning

Paper: 2607.14777

GitHub: https://github.com/jinyangwu/SEED

Project: https://jinyangwu.github.io/seed/

Bài toán

Agent RL thường gặp mâu thuẫn:

cần khám phá để học kỹ năng mới,
nhưng lại dễ bất ổn, chi phí cao, và khó giữ hiệu suất nhất quán.

Ý tưởng

SEED đề xuất self-evolving on-policy distillation: agent vừa học từ chính rollout hiện tại, vừa chưng cất lại tri thức để tự cải thiện liên tục.

Điểm mới

Khác với distillation tĩnh từ teacher sang student, paper này nhấn mạnh tính:

on-policy,
self-evolving,
phục vụ trực tiếp cho agentic RL.

Tức là knowledge không chỉ truyền một lần, mà được làm mới theo quá trình tương tác với môi trường.

Ứng dụng thực tế

web agent,
game-playing agent,
embodied agent,
workflow automation agent.

Đây là hướng rất thực dụng vì nó giải quyết bài toán cốt lõi: làm sao agent mạnh hơn qua thời gian mà không cần pipeline huấn luyện quá nặng nề.

7) KnowAct-GUIClaw: Know Deeply, Act Perfectly, Personal GUI Assistant with Self-Evolving Memory and Skill

Paper: 2607.12625

GitHub: https://github.com/HITsz-TMG/KnowAct

Project: https://shibosusu.github.io/KnowAct-GUIClaw/

Bài toán

GUI agent muốn thật sự hữu ích phải:

hiểu giao diện,
nhớ sở thích/ngữ cảnh cá nhân,
tích lũy kỹ năng thao tác,
và thích nghi với phần mềm thay đổi.

Đa số hệ thống hiện tại vẫn còn “làm từng tác vụ rời rạc”.

Ý tưởng

KnowAct-GUIClaw xây dựng một personal GUI assistant với:

self-evolving memory,
self-evolving skill.

Tức là agent không chỉ làm task hiện tại, mà còn học dần cách dùng máy tính cho từng người dùng.

Điểm mới

Điểm mới nằm ở sự kết hợp giữa:

GUI grounding,
memory dài hạn,
skill accumulation.

Đây là bước tiến từ “GUI bot” sang desktop assistant cá nhân hóa.

Ứng dụng thực tế

tự động thao tác phần mềm văn phòng,
hỗ trợ người dùng không rành công nghệ,
workflow doanh nghiệp trên hệ thống cũ không có API,
trợ lý cá nhân trên PC.

Nếu làm tốt, đây là một trong những hướng có khả năng thương mại hóa mạnh nhất.

8) OvisOCR2 Technical Report

Paper: 2607.13639

Bài toán

OCR ngày nay không còn chỉ là nhận dạng ký tự. Bài toán thực tế cần:

hiểu layout,
xử lý bảng biểu,
đọc tài liệu nhiều ngôn ngữ,
trích xuất thông tin có cấu trúc,
và hoạt động ổn định trên ảnh chất lượng kém.

Ý tưởng

OvisOCR2 có vẻ là báo cáo kỹ thuật cho thế hệ OCR mới, nhiều khả năng kết hợp OCR với năng lực document understanding hiện đại.

Điểm mới

Dù từ tiêu đề chưa có nhiều chi tiết, điểm mới nhiều khả năng nằm ở:

chất lượng nhận dạng mạnh hơn,
hiểu tài liệu ở mức cao hơn ký tự/dòng,
có thể gắn với pipeline multimodal hoặc document AI tổng quát.

Ứng dụng thực tế

số hóa tài liệu doanh nghiệp,
xử lý hóa đơn/chứng từ,
KYC và fintech,
legal tech,
tìm kiếm tri thức nội bộ từ PDF scan.

OCR vẫn là một thị trường cực lớn, và các cải tiến nhỏ về độ chính xác cũng tạo giá trị kinh doanh rất rõ rệt.

9) SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration

Paper: 2607.15257

GitHub: https://github.com/antins-labs/SearchOS

Bài toán

Tìm kiếm thông tin mở không chỉ là “search một phát rồi trả lời”. Nhiều nhiệm vụ cần:

đặt lại câu hỏi,
chia nhỏ vấn đề,
tra cứu nhiều nguồn,
đối chiếu bằng chứng,
phối hợp nhiều agent/chuyên gia.

Ý tưởng

SearchOS-V1 hướng tới agent collaboration cho bài toán open-domain information seeking.

Điểm mới

Điểm mới ở đây là coi việc tìm kiếm như một hệ điều hành phối hợp agent, không phải tác vụ đơn lẻ. Điều này mở ra kiến trúc:

planner agent,
retriever agent,
verifier agent,
synthesizer agent.

Ứng dụng thực tế

research assistant,
due diligence,
phân tích thị trường,
hỏi đáp tri thức cập nhật,
enterprise search nâng cao.

Đây là hướng rất phù hợp với nhu cầu thực tế, nơi độ tin cậy của câu trả lời quan trọng hơn tốc độ sinh text.

10) PolicyShiftGuard: Benchmarking and Improving Policy-Adaptive Image Guardrails

Paper: 2607.05910

GitHub: https://github.com/ssmisya/PolicyShiftGuard

Project: https://policyshiftguard.github.io/

Bài toán

Guardrails cho image model thường được xây dựng theo một tập policy cố định. Nhưng trong thực tế, policy có thể thay đổi theo:

khu vực pháp lý,
nền tảng,
lĩnh vực ứng dụng,
thời điểm.

Một guardrail tốt hôm nay có thể lỗi thời ngày mai.

Ý tưởng

PolicyShiftGuard nghiên cứu việc benchmark và cải thiện guardrails sao cho thích nghi với thay đổi chính sách.

Điểm mới

Điểm mới rất đáng giá là chuyển trọng tâm từ “accuracy trên policy tĩnh” sang policy adaptability. Đây là vấn đề cực thực tế nhưng lâu nay chưa được đánh giá đầy đủ.

Ứng dụng thực tế

nền tảng image generation,
social media moderation,
enterprise AI compliance,
sản phẩm AI triển khai đa quốc gia.

Nếu AI đi vào sản xuất, guardrails thích nghi không còn là nice-to-have mà là bắt buộc.

Xu hướng lớn rút ra từ top 10 hôm nay

Nhìn tổng thể, 10 paper này phản ánh 4 xu hướng lớn:

1. Agent đang chuyển từ demo sang engineering

Các paper như Harness Handbook, SEED, KnowAct-GUIClaw, SearchOS-V1 cho thấy cộng đồng không còn chỉ hỏi “agent có làm được không?”, mà hỏi:

làm sao dễ bảo trì,
làm sao tự cải thiện,
làm sao cộng tác,
làm sao cá nhân hóa.

2. Multimodal đang tiến tới hợp nhất

Boogu-Image-0.1, VideoChat3, OvisOCR2 cho thấy ranh giới giữa:

hiểu ảnh,
sinh ảnh,
hiểu video,
đọc tài liệu

đang mờ dần. Hệ thống tương lai sẽ là multimodal chung, không phải những mô-đun rời rạc.

3. Coding và reasoning tiếp tục là chiến trường cốt lõi

Function-Aware FIM tập trung vào năng lực coding thực chiến, còn Ring-Zero đặt cược vào emergent reasoning qua RL scale lớn. Một bên thực dụng, một bên frontier — cả hai đều rất quan trọng.

4. Safety đang trưởng thành theo hướng “thích nghi”

PolicyShiftGuard nhắc rằng safety không chỉ là chặn nội dung xấu, mà còn là theo kịp chính sách thay đổi. Đây là dấu hiệu của AI đang tiến gần hơn tới môi trường triển khai thật.

Kết luận

Nếu phải tóm gọn top paper hôm nay trong một câu, thì đó là:

AI đang dịch chuyển từ mô hình đơn lẻ sang hệ thống biết hành động, biết cộng tác, biết nhớ, biết thích nghi và biết vận hành trong thế giới thực.

Đây là tín hiệu rất đáng chú ý. Những paper nổi bật nhất không chỉ đẩy benchmark lên cao hơn, mà còn giải các bài toán “đời thực” hơn:

quản lý harness của agent,
huấn luyện coding model để sửa code thật,
hiểu video hiệu quả,
tích lũy kỹ năng GUI,
phối hợp agent để tìm kiếm,
và xây guardrail theo chính sách biến động.

Nếu bạn đang theo dõi AI để tìm cơ hội ứng dụng, thì nhóm paper hôm nay đặc biệt đáng quan tâm vì chúng nằm gần production reality hơn nhiều so với các làn sóng chỉ tập trung vào chatbot thuần túy.

Nếu muốn, ở bước tiếp theo mình có thể làm thêm một trong 3 dạng sau:

Bản tóm tắt 1-2 câu cho từng paper
Bảng so sánh 10 paper theo lĩnh vực/độ thực dụng/tiềm năng startup
Viết lại bài này theo văn phong newsletter công nghệ ngắn gọn hơn