DEV Community

Y Hành Nhan
Y Hành Nhan

Posted on

Top AI Papers on Hugging Face - 2026-08-05

#ai #machinelearning #huggingface

10 paper AI nổi bật nhất trên Hugging Face hôm nay: agent, video, 3D, language modeling và recommendation đang đi đâu?

Mỗi ngày, bảng xếp hạng paper trên Hugging Face cho ta một ảnh chụp khá rõ về nơi cộng đồng AI đang đổ sự chú ý. Danh sách hôm nay đặc biệt thú vị vì nó trải dài từ agent benchmark, video editing thời gian thực, mô hình 3D đa phương thức, đến language modeling latent, world model và streaming recommendation.

Trong bài viết này, mình sẽ tóm tắt 10 paper nổi bật nhất theo 4 góc nhìn cho mỗi bài:

  • Bài toán
  • Ý tưởng
  • Điểm mới
  • Ứng dụng thực tế

1) MerchantBench: Benchmarking LLM Agents for Long-Term Coherence in E-Commerce Operations

Bài toán

Rất nhiều benchmark cho agent hiện nay chỉ đo khả năng hoàn thành tác vụ ngắn. Nhưng trong thương mại điện tử, agent phải xử lý các quy trình kéo dài: quản lý hàng hóa, tối ưu vận hành, phản hồi khách hàng, xử lý tồn kho, khuyến mãi, và giữ tính nhất quán dài hạn qua nhiều bước và nhiều ngày.

Ý tưởng

MerchantBench xây dựng một benchmark chuyên cho bối cảnh vận hành e-commerce, nơi agent không chỉ “trả lời đúng” mà còn phải:

  • nhớ trạng thái trước đó,
  • ra quyết định phù hợp với mục tiêu kinh doanh,
  • duy trì coherence qua chuỗi nhiệm vụ dài.

Điểm mới

Điểm đáng chú ý là benchmark này không đánh giá agent như một chatbot đơn lượt, mà như một “nhân viên vận hành số” phải làm việc trong môi trường nhiều ràng buộc thực tế. Đây là hướng dịch chuyển quan trọng: từ khả năng suy luận cục bộ sang khả năng vận hành liên tục.

Ứng dụng thực tế

  • Trợ lý seller trên sàn thương mại điện tử
  • Tự động hóa vận hành cửa hàng online
  • Hệ thống đánh giá agent doanh nghiệp trước khi triển khai production

2) JoyAI-Video-Edit: Real-Time Open-Ended Video Editing with Autoregressive Diffusion

Bài toán

Video editing bằng AI thường mắc hai vấn đề: hoặc chất lượng cao nhưng chậm, hoặc nhanh nhưng khó giữ tính nhất quán giữa các frame. Với video “open-ended”, việc chỉnh sửa còn khó hơn vì prompt có thể rất đa dạng.

Ý tưởng

Paper này kết hợp autoregressive modeling với diffusion để cho phép chỉnh sửa video theo cách vừa linh hoạt vừa đủ nhanh cho thời gian thực. Mục tiêu là giữ được coherence theo thời gian mà không hi sinh khả năng tạo chi tiết.

Điểm mới

Điểm mới nằm ở việc áp dụng khung autoregressive diffusion cho bài toán video editing thời gian thực. Đây là tín hiệu cho thấy cộng đồng đang cố gắng hòa giải hai trường phái:

  • diffusion: mạnh về chất lượng,
  • autoregressive: mạnh về cấu trúc tuần tự.

Ứng dụng thực tế

  • Công cụ chỉnh sửa video bằng ngôn ngữ tự nhiên
  • Livestream/short video editing real-time
  • Hậu kỳ quảng cáo và social media content

3) Hunyuan3D-Buffalo 1.0: A Unified Multimodal Model for Scalable 3D Generation, Understanding, and Editing

Bài toán

Hệ sinh thái 3D AI hiện còn phân mảnh: mô hình tạo 3D, hiểu 3D, và chỉnh sửa 3D thường tách biệt. Điều này gây khó khăn khi xây dựng pipeline lớn cho game, AR/VR, robot, thương mại điện tử.

Ý tưởng

Hunyuan3D-Buffalo 1.0 hướng tới một mô hình đa phương thức thống nhất có thể:

  • generate đối tượng 3D,
  • understand nội dung 3D,
  • edit tài sản 3D.

Điểm mới

Tính “unified” là điểm nhấn lớn nhất. Thay vì tối ưu riêng lẻ từng tác vụ, paper theo đuổi một mô hình chung cho nhiều năng lực 3D. Nếu làm tốt, đây có thể là bước tương tự như việc LLM hợp nhất nhiều tác vụ NLP trước đây.

Ứng dụng thực tế

  • Tạo asset 3D cho game/phim
  • Try-on và trưng bày sản phẩm 3D trong e-commerce
  • Hỗ trợ robot hiểu môi trường vật lý

4) AURORA-LM: Autoencoding Unified Representation for Continuous-Latent Diffusion Language Modeling

Bài toán

Transformer autoregressive hiện là chuẩn vàng cho language modeling, nhưng có nhược điểm như sinh token tuần tự chậm. Trong khi đó, diffusion cho ngôn ngữ hấp dẫn về mặt song song hóa, nhưng thường kém hiệu quả hoặc khó cạnh tranh về chất lượng.

Ý tưởng

AURORA-LM đưa ngôn ngữ vào continuous latent space thông qua autoencoding, rồi thực hiện diffusion modeling trên biểu diễn liên tục này. Nói cách khác, thay vì sinh trực tiếp token rời rạc, mô hình học một không gian latent thống nhất và sinh trong không gian đó.

Điểm mới

Điểm mới là cách kết hợp:

  • autoencoder để nén ngôn ngữ,
  • unified representation để ổn định biểu diễn,
  • diffusion LM trong latent continuous space.

Đây là một hướng nghiên cứu đáng theo dõi vì nó chạm vào câu hỏi lớn: liệu tương lai của language modeling có nhất thiết phải là token-by-token autoregression?

Ứng dụng thực tế

  • Sinh văn bản nhanh hơn theo cơ chế song song
  • Cải thiện controllability trong generation
  • Mở đường cho multimodal latent modeling thống nhất

5) InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis

Bài toán

Monocular view synthesis từ một ảnh hoặc ít ảnh rất khó, đặc biệt khi cần tạo góc nhìn mới với baseline lớn. Các phương pháp hiện tại thường bị vỡ hình học, mất chi tiết hoặc không ổn định khi góc nhìn thay đổi nhiều.

Ý tưởng

InfiniSplat dùng implicit Gaussian decoding để cải thiện khả năng tổng hợp góc nhìn mới. Gaussian representations đang rất mạnh trong 3D vision vì cân bằng tốt giữa chất lượng và tốc độ render.

Điểm mới

Sự kết hợp giữa biểu diễn ngầm (implicit) và Gaussian decoding cho bài toán large-baseline monocular synthesis là phần mới đáng chú ý. Nó nhắm trực diện vào vấn đề khó nhất của novel view synthesis: giữ cấu trúc 3D hợp lý khi extrapolate xa.

Ứng dụng thực tế

  • Tạo cảnh 3D từ ảnh đơn
  • Virtual tour, bất động sản, du lịch
  • Dữ liệu tổng hợp cho robotics và simulation

6) Video-DeepResearch: Towards the Next-Generation Multimodal Deepresearch Agent

Bài toán

“Deep research agent” hiện chủ yếu làm việc trên web page, text và PDF. Nhưng tri thức thực tế ngày càng nằm trong video: bài giảng, demo sản phẩm, hội thảo, livestream, phỏng vấn. Agent nghiên cứu thế hệ mới cần hiểu cả video.

Ý tưởng

Paper này đẩy khái niệm deep research từ text-only sang multimodal, nơi agent có thể truy xuất, phân tích, tổng hợp và suy luận dựa trên nội dung video.

Điểm mới

Điểm mới không chỉ là thêm input video, mà là xem video như nguồn tri thức hạng nhất trong pipeline nghiên cứu tự động. Đây là chuyển dịch quan trọng vì multimodal agents tương lai sẽ không thể chỉ đọc văn bản.

Ứng dụng thực tế

  • Trợ lý nghiên cứu phân tích talk, lecture, tutorial
  • Enterprise knowledge mining từ kho video nội bộ
  • Media intelligence và competitive analysis

7) Knowledge-Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation

Bài toán

Recommendation trong môi trường streaming thay đổi liên tục: item mới xuất hiện, sở thích người dùng dịch chuyển, dữ liệu đến theo thời gian. Mô hình pretrained thường mạnh nhưng khó “refresh” mà không phải huấn luyện lại lớn.

Ý tưởng

Paper đề xuất tách biệt knowledge và geometry trong biểu diễn để việc chuyển giao pretrained sang streaming recommendation trở nên dễ cập nhật hơn. Hiểu đơn giản: giữ phần tri thức bền vững, còn phần cấu trúc hình học có thể làm mới linh hoạt.

Điểm mới

“Decoupling” ở đây là ý tưởng rất hay. Nó phản ánh một xu hướng rộng hơn trong ML systems: thay vì rebuild toàn bộ mô hình khi dữ liệu đổi, ta tách các thành phần ổn định và thành phần cần thích nghi nhanh.

Ứng dụng thực tế

  • News feed, short video recommendation
  • E-commerce recommendation thời gian thực
  • Hệ thống cá nhân hóa có concept drift mạnh

8) PCSD: Persistent Consistency for Self-Distillation in Agentic Reinforcement Learning

Bài toán

Agentic reinforcement learning thường gặp vấn đề bất ổn: chính sách thay đổi nhanh, chất lượng tự huấn luyện dao động, và self-distillation dễ củng cố sai lầm nếu thiếu cơ chế nhất quán.

Ý tưởng

PCSD đưa ra khái niệm persistent consistency cho self-distillation trong RL. Mục tiêu là giúp agent học từ chính mình nhưng không bị drift quá mạnh qua thời gian.

Điểm mới

Điểm mới là nhấn mạnh tính bền vững qua nhiều vòng lặp distillation, thay vì chỉ tối ưu hiệu quả ngắn hạn. Với các hệ agent phức tạp, ổn định học tập thường quan trọng không kém peak performance.

Ứng dụng thực tế

  • Huấn luyện agent tự động dùng tool
  • RL cho tác vụ nhiều bước
  • Nâng độ ổn định cho self-improving agents

9) Quo Vadis, World Modeling?

Bài toán

“World model” đang là khái niệm nóng nhưng cũng khá mơ hồ. Nó có thể ám chỉ mô hình dự đoán môi trường, mô hình mô phỏng, bộ nhớ cấu trúc, hay nền tảng cho planning của agent. Cộng đồng cần một cái nhìn hệ thống hơn.

Ý tưởng

Paper này có vẻ mang tính tổng quan/định hướng, đặt câu hỏi “world modeling sẽ đi về đâu?”. Nhiều khả năng tác giả tổng hợp landscape hiện tại, taxonomy, benchmark, và các thách thức mở.

Điểm mới

Giá trị của paper dạng này nằm ở khả năng tổ chức lĩnh vực. Khi một chủ đề bùng nổ quá nhanh, paper tổng quan tốt có thể định hình cách cộng đồng nói về vấn đề, xây benchmark, và xác định priority nghiên cứu.

Ứng dụng thực tế

  • Định hướng xây agent có planning dài hạn
  • Thiết kế simulator và benchmark
  • Nghiên cứu embodied AI, robotics, game agents

10) PAST-Bench: Benchmarking the Foundations of Recursive Self-Improvement in Personal Agents

Bài toán

Personal agents được kỳ vọng sẽ ngày càng tự cải thiện khi quan sát người dùng và học từ lịch sử tương tác. Nhưng làm sao benchmark được nền tảng của recursive self-improvement một cách nghiêm túc?

Ý tưởng

PAST-Bench xây dựng benchmark để đo các năng lực cơ bản cho self-improving personal agents: học từ phản hồi, cập nhật chiến lược, duy trì mục tiêu cá nhân hóa, và cải thiện hiệu suất qua thời gian.

Điểm mới

Điểm mới là chuyển trọng tâm từ “agent làm được gì trong một phiên” sang “agent có khả năng tự cải thiện lặp đi lặp lại hay không”. Đây là một tiêu chí rất gần với cách người dùng thực sự đánh giá trợ lý cá nhân.

Ứng dụng thực tế

  • Trợ lý AI cá nhân hóa dài hạn
  • Productivity assistant học theo thói quen người dùng
  • Hệ thống đánh giá an toàn trước khi triển khai autonomous assistant

Một vài xu hướng lớn rút ra từ top paper hôm nay

Nhìn toàn bộ danh sách, có thể thấy 4 xu hướng nổi bật:

1. Agent không còn là demo ngắn hạn

Các paper như MerchantBench, Video-DeepResearch, PCSD, PAST-Bench cho thấy cộng đồng đang chuyển sang câu hỏi khó hơn:

  • agent có giữ nhất quán dài hạn không?
  • agent có tự cải thiện không?
  • agent có nghiên cứu đa phương thức không?
  • agent có ổn định khi học liên tục không?

2. Multimodal đang tiến từ “hiểu” sang “vận hành”

Video và 3D không còn chỉ là bài toán perception. Với JoyAI-Video-Edit, Hunyuan3D-Buffalo, Video-DeepResearch, mô hình đang được kỳ vọng sẽ:

  • chỉnh sửa,
  • sáng tạo,
  • nghiên cứu,
  • thao tác trực tiếp trên nội dung đa phương thức.

3. Kiến trúc hậu-transformer đang được thử nghiệm nghiêm túc

AURORA-LM là ví dụ tiêu biểu cho nỗ lực tìm đường khác ngoài autoregressive token modeling. Dù transformer vẫn thống trị, các hướng latent và diffusion cho ngôn ngữ đang ngày càng đáng chú ý.

4. AI ứng dụng đang đòi hỏi khả năng cập nhật liên tục

Từ streaming recommendation đến self-distilling RL agents, bài toán không còn là train-once-deploy-forever. Mô hình phải:

  • refresh,
  • thích nghi,
  • duy trì nhất quán,
  • tránh suy giảm theo thời gian.

Kết luận

Top 10 paper hôm nay phản ánh một bức tranh rất rõ: AI đang bước từ giai đoạn “gây ấn tượng bằng demo” sang giai đoạn “chịu trách nhiệm trong hệ thống dài hạn”. Điều này thể hiện ở ba từ khóa lặp lại nhiều lần: coherence, self-improvement, và multimodality.

Nếu phải chọn những hướng đáng theo dõi nhất từ danh sách này, mình sẽ ưu tiên:

  1. MerchantBench / PAST-Bench — vì benchmark thường định hình cả một làn sóng nghiên cứu
  2. JoyAI-Video-Edit — vì video editing real-time có tiềm năng ứng dụng rất lớn
  3. AURORA-LM — vì đây là hướng chạm vào nền tảng của language modeling tương lai
  4. Hunyuan3D-Buffalo — vì mô hình 3D unified có thể trở thành “LLM moment” của 3D AI

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

  • Bản ngắn 1-2 đoạn cho từng paper để đăng Facebook/LinkedIn
  • Bảng so sánh 10 paper theo lĩnh vực, độ mới, tiềm năng ứng dụng
  • Bản đào sâu hơn từng paper theo kiểu “đọc abstract và phân tích kỹ thuật”

Top comments (0)