Top AI Papers on Hugging Face - 2026-07-12

Hugging Face's top AI papers for July 12, 2026, highlight trends in video generation, scientific reasoning, video understanding benchmarks, and robotics memory. Vidu S1 enables real-time, voice-controlled video generation with near-unlimited length. SciReasoner unifies reasoning across protein, molecule, and crystal structures with interpretable traces. Video-Oasis reveals that about half of current video benchmarks can be solved without visual input, questioning their validity. LaMem-VLA integrates memory into vision-language-action models for robotic manipulation.

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: Paper: 2607.03118 GitHub: https://github.com/shengshu-ai/Vidu-S1 https://github.com/shengshu-ai/Vidu-S1 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. 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 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”. Paper: 2607.07708 GitHub: https://github.com/SpectrAI-Initiative/SciReasoner https://github.com/SpectrAI-Initiative/SciReasoner 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 . 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 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. Paper: 2603.29616 GitHub: https://github.com/sejong-rcv/Video-Oasis https://github.com/sejong-rcv/Video-Oasis 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. 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. 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. Paper: 2607.07608 GitHub: https://github.com/quhongyu/LaMem-VLA https://github.com/quhongyu/LaMem-VLA 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. LaMem-VLA đưa bộ nhớ trực tiếp vào không gian latent của VLA