# Top AI Papers on Hugging Face - 2026-07-10 > Source: > Published: 2026-07-10 12:01:26+00:00 Hôm nay, danh sách paper được upvote cao trên Hugging Face cho thấy một bức tranh khá rõ về hướng đi của AI hiện tại: **video generation đang tiến sát thời gian thực**, **robot bắt đầu cần trí nhớ dài hạn**, **benchmark ngày càng bị soi kỹ hơn**, và **AI cho khoa học đang chuyển từ dự đoán sang suy luận có thể giải thích**. Trong bài viết này, mình tóm tắt 10 paper theo 4 góc nhìn cho mỗi bài: **Bài toán:** Video generation thường rất nặng, độ trễ cao, khó tương tác trực tiếp. Muốn điều khiển nhân vật số bằng giọng nói theo thời gian thực lại càng khó hơn, nhất là trên phần cứng phổ thông. **Ý tưởng:** Vidu S1 xây dựng một hệ sinh thái tạo video tương tác thời gian thực, kết hợp mô hình sinh video tốc độ cao với hạ tầng suy luận tối ưu. Mục tiêu là tạo ra video dài vô hạn, frame rate cao, có thể điều khiển bằng giọng nói. **Điểm mới:** Điểm đáng chú ý không chỉ nằm ở mô hình, mà còn ở cách tác giả tối ưu toàn bộ pipeline để đạt **interactive generation** trên GPU tiêu dùng. Đây là hướng rất thực dụng: thay vì chỉ đẩy chất lượng lên benchmark, paper nhắm đến trải nghiệm sử dụng thật. **Ứng dụng thực tế:** **Bài toán:** Trong khoa học vật liệu, hóa học, sinh học phân tử, dữ liệu không chỉ là văn bản mà còn là **cấu trúc**: protein, phân tử, tinh thể. Nhiều mô hình hiện nay dự đoán tốt nhưng khó giải thích và thiếu khả năng suy luận liên ngành. **Ý tưởng:** SciReasoner xây dựng một mô hình nền tảng đa phương thức cho khoa học, trong đó các thành phần cấu trúc được **rời rạc hóa thành một “từ vựng chung”**. Nhờ vậy, mô hình có thể học và suy luận thống nhất trên protein, molecule và crystal. **Điểm mới:** Điểm mới lớn nhất là xem cấu trúc khoa học như một “ngôn ngữ” có thể suy luận. Không chỉ dự đoán đầu ra, mô hình còn tạo ra **reasoning traces** — dấu vết suy luận giúp con người hiểu mô hình đi đến kết luận thế nào. **Ứng dụng thực tế:** Đây là một paper rất đáng chú ý vì nó cho thấy AI khoa học đang dịch chuyển từ “black-box predictor” sang “interpretable scientific reasoner”. **Bài toán:** Nhiều mô hình Vision-Language-Action cho robot vẫn giả định quyết định hiện tại chủ yếu phụ thuộc vào quan sát hiện tại. Nhưng thao tác robot ngoài đời lại cần nhớ lịch sử: đã thử mở ngăn kéo chưa, vật nào vừa được di chuyển, hay mục tiêu trước đó là gì. **Ý tưởng:** LaMem-VLA đưa trí nhớ vào VLA bằng hai thành phần: **short-term memory** và **long-term memory**, đều nằm trong cùng không gian latent với mô hình hành động. Nhờ vậy, robot có thể truy xuất ký ức liên quan mà không phải nhồi toàn bộ lịch sử vào context. **Điểm mới:** Khác với các cách “gắn thêm memory” mang tính chắp vá, paper này xây dựng một kiến trúc **latent-memory-native**. Nghĩa là bộ nhớ không phải module ngoài, mà là thành phần tự nhiên của quá trình suy luận. **Ứng dụng thực tế:** Nếu VLA muốn bước ra khỏi demo ngắn để làm việc thật, thì memory gần như là bắt buộc. **Bài toán:** Embodied AI cần học từ video rất lớn, nhưng dữ liệu video cực kỳ đa dạng và tốn compute. Một mô hình đồng nhất thường khó vừa mở rộng quy mô vừa giữ được tính chuyên biệt cho các loại chuyển động và bối cảnh khác nhau. **Ý tưởng:** LingBot-Video dùng kiến trúc **Mixture-of-Experts** trên nền DiT cho video pretraining. Kèm theo đó là hệ thống profiling dữ liệu và reward đa chiều để ưu tiên các đoạn video có ích cho embodied intelligence. **Điểm mới:** Paper này không chỉ scale mô hình, mà còn scale theo hướng **hữu ích cho robot**. Họ nhấn mạnh tính “robot-oriented footage” và reward liên quan đến hợp lý vật lý, hoàn thành nhiệm vụ, thay vì học video web một cách ngẫu nhiên. **Ứng dụng thực tế:** **Bài toán:** Trong nhận diện hành động tổ hợp zero-shot, mô hình thường học shortcut kiểu: thấy “drawer” thì đoán “open drawer”, thay vì thực sự hiểu hành động. Kết quả là khi gặp tổ hợp verb-object mới, mô hình tổng quát hóa kém. **Ý tưởng:** RCORE thêm các cơ chế regularization để giảm phụ thuộc vào object prior và buộc mô hình chú ý hơn đến **thứ tự thời gian** cùng phần động tác thực sự trong video. **Điểm mới:** Paper chỉ ra một mất cân bằng quan trọng: mô hình học object dễ hơn verb. Vì thế, tác giả không chỉ đề xuất phương pháp mới mà còn đưa ra **diagnostic metrics** để đo đúng vấn đề compositionality. **Ứng dụng thực tế:** Đây là kiểu paper rất giá trị vì nó sửa một lỗi nền tảng: mô hình tưởng như “hiểu”, nhưng thực ra chỉ đang đoán theo tương quan. **Bài toán:** Benchmark video understanding hiện nay có thể đang đánh giá sai. Nếu một nửa bài test có thể giải mà không cần nhìn video, thì điểm số cao chưa chắc phản ánh năng lực thị giác-thời gian thực sự. **Ý tưởng:** Video-Oasis xây dựng bộ chẩn đoán để tách xem mô hình đang dùng gì để trả lời: **visual perception**, **linguistic reasoning**, hay **knowledge priors**. Qua đó, paper phơi bày lỗ hổng của nhiều benchmark phổ biến. **Điểm mới:** Điểm mạnh nhất là tinh thần “benchmark auditing”. Thay vì tiếp tục đua SOTA trên các tập test cũ, tác giả hỏi câu quan trọng hơn: **liệu benchmark có còn đáng tin không?** **Ứng dụng thực tế:** Paper này đặc biệt đáng đọc với bất kỳ ai đang làm video AI, vì nó động đến chính nền móng của việc đo lường tiến bộ. **Bài toán:** World model hiện nay thường tạo ra môi trường nhìn đẹp nhưng tương tác hạn chế. Để dùng cho agentic simulation hay môi trường hợp tác nhiều tác tử, cần thế giới có thể phản hồi linh hoạt, chạy thời gian thực và hỗ trợ nhiều loại sự kiện. **Ý tưởng:** Paper đề xuất một hệ world modeling có tương tác đa dạng, điều khiển bởi văn bản, nhiều agent và kiến trúc phối hợp như pilot agent, director agent. **Điểm mới:** Điểm mới nằm ở việc chuyển từ “generate a world” sang “operate an interactive world”. Nghĩa là thế giới không chỉ được sinh ra, mà còn phải có luật, phản ứng, sự kiện, và khả năng điều phối nhiều nhân vật. **Ứng dụng thực tế:** **Bài toán:** Trong nhiều tác vụ RL cho LLM, không có tín hiệu đúng/sai rõ ràng để chấm thưởng. Nếu chỉ dùng LLM như một “judge”, tín hiệu phản hồi có thể nghèo nàn và không thích nghi với trạng thái hiện tại của policy. **Ý tưởng:** Paper đề xuất dùng LLM như một **tutor**: điều chỉnh độ khó prompt, thêm ràng buộc nguyên tử, và tạo tín hiệu huấn luyện phù hợp với mức hiện tại của policy thông qua so sánh cặp. **Điểm mới:** Đây là sự chuyển vai trò rất thú vị: từ “LLM làm giám khảo” sang “LLM làm gia sư”. Cách nhìn này gần hơn với giáo dục thích ứng, nơi bài tập được cá nhân hóa để tối ưu học tập. **Ứng dụng thực tế:** **Bài toán:** Agent benchmark hiện nay thường đánh giá tác tử phản ứng, chưa đo tốt khả năng **chủ động**: tự khám phá, tự phối hợp công cụ, tự lên bước tiếp theo trong môi trường thật. **Ý tưởng:** UniClawBench xây dựng benchmark cho proactive agents trong môi trường thực, dùng **live Docker container evaluation** và đánh giá closed-loop với nhiều vai trò agent khác nhau. **Điểm mới:** Thay vì task tĩnh dạng QA, benchmark này tiến gần hơn tới điều kiện vận hành thật: công cụ thật, hệ thống thật, tương tác nhiều bước, và cần ra quyết định chủ động. **Ứng dụng thực tế:** Đây là dấu hiệu rõ rằng cộng đồng đang chuyển từ “chatbot trả lời hay” sang “agent biết tự hành động”. **Bài toán:** AI cho nghiên cứu khoa học thường chỉ sinh ý tưởng mới, nhưng lại ít được đánh giá về khả năng hiểu **dòng tiến hóa của ý tưởng**: ý tưởng nào kế thừa từ đâu, thay đổi thành phần nào, và phát triển ra sao. **Ý tưởng:** Paper tổ chức các công trình khoa học như các **Idea Genome objects**, rồi xây benchmark để đánh giá cả reasoning lẫn generation dựa trên “phả hệ” ý tưởng. **Điểm mới:** Khung nhìn “ý tưởng có genome” rất sáng tạo. Nó biến đổi mới khoa học thành một quá trình gần giống tiến hóa, từ đó cho phép đo năng lực truy vết lineage và đề xuất ý tưởng mới có cơ sở. **Ứng dụng thực tế:** Nhìn tổng thể, có 4 xu hướng nổi bật: Vidu S1, Infinite Worlds, UniClawBench đều nhấn mạnh **real-time**, **interactive**, **closed-loop**, **consumer hardware**. Điều này cho thấy cộng đồng đang đòi hỏi AI không chỉ “ấn tượng” mà còn “vận hành được”. LaMem-VLA là ví dụ rõ nhất. Robot và agent ngoài đời không thể chỉ sống trong một cửa sổ context ngắn. Chúng cần ký ức, lịch sử, và khả năng chọn lại thông tin liên quan. Video-Oasis và RCORE cùng nhắc một thông điệp: **điểm số cao không đồng nghĩa hiểu thật**. Các shortcut, bias và artifact trong benchmark có thể khiến tiến bộ bị thổi phồng. SciReasoner và Ideas Have Genomes đại diện cho làn sóng AI hỗ trợ khoa học theo hướng sâu hơn: không chỉ dự đoán hay tóm tắt, mà còn suy luận, truy vết nguồn gốc, và giải thích được. Nếu phải tóm gọn danh sách hôm nay trong một câu, thì đó là: **AI đang dịch chuyển từ “mô hình biết tạo và biết trả lời” sang “hệ thống biết tương tác, biết nhớ, biết tự đánh giá đúng, và biết suy luận có cấu trúc”.** Trong ngắn hạn, những paper có tác động thực tế nhanh nhất có lẽ là: Nếu bạn muốn, ở bước tiếp theo mình có thể làm thêm một trong 3 kiểu: